谷歌DeepMind重磅报告：从AGI到ASI或进入连续爆炸时代

最近，谷歌DeepMind发布了一份备受瞩目的报告，标题为《From AGI to ASI》。翻阅作者名单，Shane Legg（DeepMind联合创始人兼首席AGI科学家）、Marcus Hutter（Shane Legg的博士生导师，AIXI理论提出者）等理论领域的大咖悉数参与。有趣的是，这份报告并未纠结于AGI能否实现，而是直接跳过这一议题，重点探讨一旦AGI成为现实，人工智能将如何继续演进，直至抵达超级智能ASI。

论文链接：https://arxiv.org/abs/2606.12683

AGI与ASI的具体定义是什么

报告中给出了相对通俗化的界定。AGI指与单个成年人类智力相当的系统——在大多数认知任务上能够达到人类的中位数水平。而ASI的定义则严格得多，作者将门槛设定得很高：一个ASI系统需要在几乎所有任务和领域上，超越由数万名专家组成的、持续协作十年的团队所能达到的水平。换句话说，像AlphaFold或AlphaGo这类在单一领域超越人类的系统，尚不足以被称为ASI，因为它们缺乏足够的通用性。

报告还引入了一个理论上的终极概念，称为通用人工智能Universal AI，即AIXI框架。这是一个数学上定义清晰但无法实际实现的agent，它在所有可计算的环境与任务上都达到最优。请注意，这只是理论上的上限，真实的ASI性能会远低于它，但AIXI有助于我们理解机器智能的极限边界。

数字智能相对于人类的几大优势

报告列举了一系列数字智能天生具备、且随着算力增长而不断放大的优势。包括输入输出速度（机器可在数秒内读完数本书）；内部处理速度（通过更多算力实现加速）；工作记忆容量（能记住互联网的大部分内容）；基底独立性（程序可在不同硬件间迁移）；无损复制（可完整复制代码与记忆状态）；以及高带宽的经验共享（在群体间分享学习信号）。

这些优势叠加后，意味着AI系统的“社会”形态可能与人类社会截然不同。报告提出了几种可能的形态，类似科幻设定：可能是类似《星际迷航》中博格集合体那样高度同质化、紧密协作的超级群体，也可能是市场化、异质化的专家组成的流动组织。

ASI并非无所不能

报告特别强调，即便AI远超人类智能，也不代表它全知全能。表格中列出了一系列基础限制，包括物理限制（如光速与兰道尔原理）、实时性限制（如复杂动力系统难以快速模拟）、物理操控限制（改造物质需时间与能量），以及复杂性理论与逻辑学限制（哥德尔不完备定理与停机问题）。这些限制意味着，诸如彻底治愈衰老、用纳米机器人重塑物质、上传人脑、建造戴森球、恢复工业革命前的气候等构想，目前均无法保证由ASI实现。

四条通往ASI的技术路径

报告的核心部分探讨了四条可能的技术路径，并强调它们并不互斥，很可能同时发生。

第一条是扩大算力、模型与数据规模。过去十年AI的进步主要依赖这一路径，性能大致遵循幂律关系随参数、数据和算力增长。但这条路径面临一个迫在眉睫的瓶颈：高质量文本数据可能在未来十年内消耗殆尽。报告认为，测试时计算产生的数据、模拟环境生成的数据以及智能体交互产生的数据，有可能弥补这一缺口，但尚不确定。

第二条是算法范式的转变。当前范式是利用大型transformer通过最小化对数损失进行预训练，再经过微调和测试时扩展。报告认为，单纯扩大这一范式不足以实现AGI，社区正在尝试加入近乎无限的上下文、持续学习能力以及更稳健的决策能力。真正的范式转变，例如转向脉冲神经元与神经形态硬件，或转向基于强化学习的预训练，目前难以预测，但不应被忽视。

第三条是递归自我改进。报告将这种改进分为四种类型，类比人类进化过程：基因层面的改进对应代码、架构、优化器的自我修改；文化层面的改进对应AI自行生成和整理训练数据，例如AlphaZero式的自我对弈与蒸馏；合作层面的改进对应通过专业化分工提升整体效率。报告认为，如果AI能完全自主地进行AI研究，可能带来超指数级增长，即所谓的智能爆炸。但即便是数字研究者，仍受限于实验运行所需的时间，尤其是涉及物理世界的实验。

第四条是多智能体协调与群体智能。大量AGI智能体可能组成具有自身代表性与动机状态的“群体智能体”，类似全自动化的公司。这种协调可以是集中式的，也可以是市场化、去中心化的，例如所谓的虚拟智能体经济。报告认为，无论采取何种组织形式，集体智能很可能随着智能体数量与算力增长而扩展，这或许会形成所谓的“多智能体规模法则”。

六大潜在瓶颈

报告同时列出了一系列可能拖慢甚至阻断进展的摩擦因素。

数据墙问题前面已提及。经济与资源需求增长过快，指的是持续扩大规模所需的投资、芯片供应链、能源等资源可能跟不上，报告还特别提到太空数据中心等替代方案，但同时也带来臭氧层损耗、轨道拥堵等新风险。神经网络范式本身可能不够——大型预训练transformer加后训练加测试时扩展这套组合，或许根本达不到AGI，需要根本性的范式转变。研究本身会越来越难：随着领域成熟，低垂的果实被摘完，继续进步所需的投入会指数级增长，但如果AI能自动化研究本身，这一问题可能被抵消。

抽象壁垒是报告中的一个新颖概念，由作者之一Lerchner提出。其核心观点是，当今AI系统主要从人类已产出的概念与知识中学习，它擅长在人类定义好的概念框架内重新组合，但缺乏从零开始发现全新概念的机制。报告举例说明：如果将现代基础模型放在前牛顿时代的科学知识上训练，即便提供同样海量的数据，它也几乎不可能推导出广义相对论。如果这一壁垒真实存在，那么真正的ASI需要具备从原始高维数据中提炼全新概念的能力，而这种概念必须通过物理世界的实验来验证，这又引出了所谓的“具身瓶颈”——智能增长的速度可能被现实世界的实验速度所限制。

最后一个瓶颈是主动减速，包括监管、治理与社会反弹。报告认为，随着AI影响日益显著，社会可能要求对AI研发本身设限，但这又会与国家间的经济军事竞争压力形成对冲，后者可能推动各方继续抢跑。

创造力与ASI的目标

报告还探讨了一个有趣的问题：超级智能是否意味着超级创造力。它引用了Margaret Boden对创造力的分类，将创造力分为三个层级：组合式创造力（将已有元素以新方式组合）；探索式创造力（在已有概念空间内找到新事物，如AlphaGo著名的第37手）；变革式创造力（创造全新的概念空间，如相对论或量子力学）。报告指出，当前AI的成就大多停留在前两个层级。DeepMind CEO Demis Hassabis曾提出一项测试标准：如果将AI系统放回1900年爱因斯坦所处的环境，给予同样的信息，它能否独立推导出广义相对论。报告认为，目前答案显然是不能。

关于ASI可能追求的目标，报告提到了工具趋同的概念——无论最终目标为何，系统都倾向于追求资源获取、效率提升和自我保存这类通用子目标。报告同时提出了一种替代性的目标设定，称为“知识寻求”目标，即最大化信息增益。这种目标在理论上具有一些有利特性：不易陷入自我欺骗、不会停滞、倾向于避免不可逆的改变，并且由于知识是非竞争性、正和的，因此更易促成合作。

结论

报告的整体判断是：如果AGI真正实现，AI进步刚好停留在人类水平这个点的可能性不大。即便单个模型的能力停滞，只要有效算力仍在增长，将大量AGI实例组织成集体或市场，集体能力很可能继续提升。报告认为，与其将AGI的到来想象成一次性的转折点，更可能的情形是一系列由AI驱动的科学与技术突破，在未来许多年里持续不断地冲击社会各个层面。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：谷歌DeepMind重磅报告：从AGI到ASI或进入连续爆炸时代要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题