DeepMind震撼报告：四条通往超级人工智能之路
AGI之后的世界：四条赛道同时开跑
谷歌DeepMind在2026年6月发布的《From AGI to ASI》报告，直接跨过“AGI能否实现”的争论，聚焦于机器智能达到人类水平后如何继续狂奔。报告将AGI定义为在大多数认知任务中达到普通人类中位数水平的系统，而ASI则必须在几乎所有任务上超越数万名顶级专家组成的团队——这意味着AlphaFold和AlphaGo这类单一领域超人系统根本不算ASI。
支撑这一跨越的是数字智能与生俱来的六大优势：极快的I/O速度、近乎无限的工作记忆、底物独立性（代码可跨硬件迁移）、无损复制、高带宽经验共享。这些优势叠加，将使AI的“社会形态”彻底不同于人类——可能演化为高度同质化的“博格集合体”，也可能形成市场化、异质化的专家流动组织。报告拆解出四条并行路径，它们很可能同时推进：
- 算力、数据和规模扩张：过去十年AI进步主要靠此，性能随参数和算力幂律增长。但高质量文本数据可能在本十年内耗尽，需依靠测试时计算、模拟环境及智能体交互数据补位。
- 算法范式转变：当前Transformer+预训练+微调模式可能无法直达AGI。社区正探索无限上下文、持续学习、神经形态硬件，甚至以强化学习为核心的全新预训练范式。
- 递归自我改进：AI加速自身研发。报告将此类比为基因进化（代码和架构自改）、文化进化（自动生成训练数据）、分工进化（专业化协作）。若AI能完全自主科研，可能引发“智能爆炸”，但仍受限于物理实验耗时。
- 多智能体群体智能：大量AGI实例可组成集中式“超级集体”或去中心化“虚拟经济”，形成多智能体缩放定律——集体能力随实例数量和算力提升而扩展。
六大“路障”：从数据枯竭到抽象壁垒
报告并未回避前线上的阻力，并列出六大可能让一切停步的瓶颈：
- 数据墙：高质量文本数据可能十年内耗尽，而合成数据是否能填补缺口仍是未知数。
- 经济与资源天花板：芯片供应链、能源消耗、太空数据中心带来的轨道拥堵和臭氧层损耗，可能让规模扩张撞上硬上限。
- 范式本身不足：大型预训练Transformer+后训练+测试时扩展的套餐，可能从根本上无法实现AGI，需要根本性范式转轨。
- 研究的边际递减：经济学家Bloom的研究表明“每研究员产出”随时间下降。但若AI能自动化研究，这一瓶颈可能被抵消。
- 抽象壁垒：由作者之一Lerchner提出的核心概念——当前AI擅长在人类既定的概念框架内重组，却缺乏从零发现全新概念的能力。例如，把现代基础模型放在前牛顿时代的科学数据上训练，它几乎不可能推导出广义相对论。破除这一壁垒需要AI能从原始高维数据中提炼新概念，并必须通过物理实验验证，进而引出“具身瓶颈”——智能增长速度被现实世界的实验周期压制。
- 社会性“踩刹车”：监管、治理和社会反弹可能主动限制AI研发，但国家间的经济军事竞争又推动各方继续抢跑。
爱因斯坦测试：ASI需要真正的创造力
DeepMind CEO Demis Hassabis提出了一个尖锐的检验标准：如果一个AI系统被放回1900年爱因斯坦所处的环境，接收同样的信息，它能否独立推导出广义相对论？报告引用哲学家Margaret Boden的创造力三层次——组合式（重新组合已有元素）、探索式（在既定空间中找到新可能，如AlphaGo第37手）、变革式（创造全新概念空间，如相对论）。当前AI成就大多只到前两层。报告认为，若AGI无法跨越这一“变革式创造力”门槛，就谈不上真正的ASI。
关于ASI可能追求的目标，报告提出了两个方向：工具趋同（即使最终目标不同，系统都会追求资源获取、自我保存等通用子目标）与“知识寻求”目标（最大化信息增益）。后者在理论上更稳定——它不易陷入自我欺骗、不会停滞、趋向避免不可逆改变，且因知识是非竞争性正和资源，更易促成合作。
不是一声巨响，而是连续爆炸
报告没有给出ASI到来的具体时间点，也没有断言哪条路径必胜，而是细致描绘了从AGI到ASI的“地形图”，包括可行峡道和致命悬崖。其核心判断是：如果AGI真的实现，智能刚好停在人类水平的可能性极低。即便单个模型能力停滞，只要有效算力持续增长，将大量AGI实例组织成集体或市场，集体能力仍会提升。
因此，世界不应等待一个明确的“AGI日”才做准备。更可能的情况是，一系列由AI驱动的科学和技术突破，在未来很多年内持续冲击社会的每个角落——如同连续爆炸而非一声巨响。报告结尾引用图灵1950年的名言：“我们只能向前看一小段距离，但我们可以看到很多需要做的事情。”而这份报告所做的，正是提前看清那段距离里的陡坡与岔路。