編輯｜Panda

今年 2 月，谷歌 DeepMind CEO 德米斯·哈薩比斯在印度 AI 峰會上發表了一番令人屏息的預言：「AGI 到來后，將產生工業革命十倍的影響，但以十倍的速度發生——大概在十年內展開，而不是一個世紀。」他還認為，AGI 可能將在 5 年內到來。

這不是科幻小說的臺詞。說這話的人是親手打造 AlphaGo、AlphaFold 的那個人。

而在哈薩比斯的身旁，還有另一個更耐人尋味的存在——他的聯合創始人Shane Legg，自 2009 年起就在公開場合聲稱：「AGI 在 2028 年到來的概率是 50%。」這個預測，他堅持了 17 年。

節選自 Shane Legg 去年底參加的播客《The arrival of AGI》

就在前兩天，這位 Legg 與十余位谷歌 DeepMind 頂尖研究員聯手發布了一份長達 57 頁的報告：《從 AGI 到 ASI》。報告的核心問題不再是「AGI 何時到來」，而是當我們真的造出了與普通人類認知水平相當的 AI 之后，會發生什么？

這是一個比「AGI 何時到來」更難回答、也更值得認真對待的問題。

• 論文標題：From AGI to ASI
• 論文地址：https://arxiv.org/abs/2606.12683

一道被跳過的追問

過去幾年，「AGI 時間線」幾乎成了科技圈最熱的話題游戲。馬斯克說 2026 年就是奇點之年，OpenAI 的奧特曼預測 2028 年，就連一向持懷疑態度的 LeCun 也將自己的預測從「遙遠未來」拉近到了 2030~2035 年。

但在這場預測競賽中，有一個問題幾乎沒人認真回答：就算 AGI 真的來了，它會停在那里嗎？

人類歷史上，每一種可以自我強化的技術從未真正停在原地。火藥引出大炮，蒸汽機引出工業革命，互聯網引出智能手機時代。當我們在討論「AGI 到來的那一刻」時，我們可能忽視了更重要的問題：AGI 到來之后的十年，會是什么樣子？

這份新報告給這個問題起了一個正式的名字：從AGI（通用人工智能）到ASI（超級人工智能）的過渡。

所謂 ASI，按照報告的定義，是「在幾乎所有任務和領域中，超越數以萬計訓練有素的人類專家組成的協作集體」的系統。不是超過某個天才，而是超過整個專業領域的集體智慧。

數字智能的天然優勢

在正式討論路徑之前，報告用一張表格點破了一件容易被忽視的事：數字智能與生物智能在本質上是不對稱的競爭。

人類的大腦是碳基的、速度受限的、無法復制的。而 AI 則不同。

一個 AI 系統可以以越來越高的帶寬攝入信息：今天的大模型已經能在幾秒內「讀完」一整本書。它的內部處理速度可以隨算力增加而提升，不受神經元放電速率的束縛。它的記憶容量可以比人類大得多，而且不會遺忘。

更關鍵的是：AI 可以被完美復制，不僅復制它的「代碼」，還可以復制它的「人生經歷」（即模型的權重狀態）。如果需要，可以在幾小時內從一個實例變成一百萬個。

這些優勢會隨著算力的增加而不斷擴大，而人類在這一維度上幾乎沒有對等的反制手段。

報告估計，當前 AI 的「有效算力」（綜合了硬件進步、投資增長和算法效率三個因素）每年增長約 10 倍。過去十年，這個增速相當穩定。

四條通往 ASI 的路徑

報告的核心是系統梳理了從 AGI 邁向 ASI 的四條可能路徑。它們并不互斥，很可能同時推進。

第一條：持續擴大規模。

這是當前 AI 進步的主要驅動力：更大的模型、更多的數據、更多的算力。報告指出，如果「更多算力等于更高智能」的邏輯成立（就像國際象棋引擎那樣），那么僅憑量變就可能觸發質變。

最極端的場景是：假設人類水平的 AGI 每次運行成本較高，最初只能運行 1000 個實例。但隨著算力每年增長 10 倍，五年后就能運行 1 億個實例，或者讓同樣的 1 百萬個實例運行速度快 100 倍。這樣的擴大，算不算超級智能？

第二條：算法范式轉變。

當前的 AI 范式是用海量數據預訓練大型 Transformer 模型，再輔以各類微調和推理增強；然而，這一范式可能并不足以直接到達 ASI。研究者們正在探索的方向包括：真正意義上的持續學習（不再遺忘舊知識）、能在開放環境中可靠決策的智能體、以及基于神經形態硬件或強化學習的全新訓練范式。

這條路徑最難預測，因為真正的范式轉變往往是突然發生的。但報告指出，恰恰因為難以預測，它更不應該被忽視。

第三條：遞歸自我改進。

這是最令人興奮、也最令人不安的路徑。

設想這樣一個閉環：AI 幫助改進 AI 的研究與開發，這產生了更強的 AI，更強的 AI 又進一步加速了研究進展……如此循環。報告把這個過程類比為人類的「基因進化」（更好的代碼和硬件設計）、「文化進化」（更好的訓練數據和知識積累）和「分工進化」（專業化的 AI 協作系統）三種機制的同步運轉。

AlphaZero 已經展示了這種機制的雛形：它通過與自己對弈，不斷用搜索結果來改進自己的「直覺」（即策略網絡），從而以極低的計算代價大幅提升棋力。類似的邏輯，在 AI 研究本身中是否也能發生？

最新的「AI 科學家」系統（如 AlphaEvolve）已經展示了 AI 可以自主發現新的數學構造和算法。報告認為，如果這一能力進一步成熟，遞歸自我改進就不再是科幻，而是工程學問題。

第四條：多智能體協作涌現。

單個人類的智識有限，但一家擁有數萬名頂尖專家的研究機構卻能解決任何一個個體都無法獨立攻克的難題。AI 的集體，是否也能產生類似的涌現？

報告提出了一個有趣的概念：「認知分工」。當成百上千個專業化的 AGI 實例組成協作網絡，分解復雜任務、并行推進、高帶寬交換結果，集體智能可能遠超任何單一成員。

與人類組織不同的是，AI 集體的通信帶寬極高，不需要用復雜的層級結構來彌補溝通瓶頸。報告甚至半開玩笑地提到：一個「AGI 首席執行官」在某種字面意義上，真的可以直接與每一個「員工實例」溝通，消除官僚摩擦。

六道可能的減速關卡

路徑描繪清楚了，但報告并不樂觀地認為哪條路一定暢通無阻。研究者們列出了六個可能成為真正瓶頸的障礙。

數據墻。互聯網上的高質量文本已接近耗盡，預計本世紀 20 年代末就會遭遇天花板。AI 生成的合成數據如果不加甄別地反復訓練，會導致「模型坍塌」，就像一個只讀自己作文的學生，越來越像在原地打轉。解決方案是通過仿真、交互學習和搜索增強來生成更高質量的訓練數據，但能否跑贏擴大規模的速度，目前仍是未知數。

經濟與資源的極限。持續擴大規模需要持續增長的投資、芯片生產、能源和數據中心。報告甚至提到了「軌道數據中心」這樣的極端方案，但隨即指出其帶來的風險：火箭發射會削弱臭氧層，退役硬件在大氣層燃燒會改變高空大氣，而軌道擁擠可能導致災難性的碰撞連鎖反應。擴大規模的代價，可能不只是電費單。

神經網絡范式的天花板。大型預訓練模型，疊加再多后處理和推理增強，可能依然到不了 AGI。這一擔憂并非空穴來風，而是來自對當前架構深層局限性的分析。

研究變得越來越難。經濟學家 Bloom 等人的研究表明，大多數成熟領域的「每研究員產出」都在隨時間下降。AI 研究也不會例外。但反制力量同樣存在：如果 AI 能大規模自動化研究工作，那么「再多雇 18 倍的研究員」這件事，用算力來替代，可能只需要一年多的算力增長就能實現。

抽象壁壘。這是報告中最具哲學深度的一個概念。提出者 Lerchner 認為：當前 AI 系統本質上是在「人類已有抽象框架」內工作。它們的超人之處，主要來自更快的速度和更大的記憶，而不是真正能從原始感知數據中「發明新概念」。

報告舉了一個發人深省的例子：如果把一個頂尖現代大模型放到牛頓之前的科學環境中，給它同樣的數據，它能推導出廣義相對論嗎？答案幾乎可以肯定是否，因為它缺少「力」、「因果性」、「曲率」這些概念的原初構建過程，而這些概念是人類花了幾個世紀、通過與物理世界的反復交互才提煉出來的。

這意味著，如果「發明真正新穎的概念框架」是通往 ASI 的必要條件，那么 AI 可能需要一種截然不同的學習方式：直接與物理世界互動。

主動減速。最后一個障礙與技術無關，而是政治性的：監管機構、公眾輿論、重大事故，以及國際競爭，都可能成為改變 AI 發展速度的力量。報告承認，在沒有有效全球協調的情況下，單邊減速面臨「軍備競賽」壓力，但同樣承認：如果發生足夠大的 AI 相關事故，公眾態度的逆轉可能使進一步擴大規模在政治上、法律上或商業上都變得不可行。

結語

報告以圖靈 1950 年的一句話作為書簽：「我們只能看清前方很短的一段距離，但我們能清楚地看到，那里有大量需要完成的工作。」

這種克制，在當下充斥著「奇點宣言」的 AI 話語場中，顯得格外珍貴。

谷歌 DeepMind 這份報告并沒有給出「ASI 什么時候到來」的預測，也沒有斷言哪條路徑一定會勝出。它做的，是更扎實也更艱難的一件事：把「從 AGI 到 ASI」這段旅程的地形圖，盡可能清晰地畫出來，包括那些可能走通的峽道，也包括那些可能讓一切停步的懸崖。

當 AI 能力開始接近人類水平時，人類最需要的不是預測，而是準備。

你準備好了嗎？