返回
展会资讯
谷歌DeepMind发布研究报告:从通用人工智能(AGI)到超人工智能(ASI)
2026-06-25 09:31
谷歌DeepMind发布研究报告:从通用人工智能(AGI)到超人工智能(ASI)
报告解读：柒贰零科研站站长
原文来源：Google DeepMind

导语：从人类水平到超级智慧

近日，谷歌DeepMind团队发表了题为《From AGI to ASI》的研究报告，深入探讨了人工智能在达到人类水平（AGI）后，如何向超越人类专家集体能力的“超人工智能（ASI）”跨越。
想象一下，你正坐在一辆匀速行驶的列车上，窗外的风景平淡无奇。突然，列车接通了某种动力系统。第一秒，它的速度翻倍；第二秒，再翻 10 倍；第三秒，它已经撕裂了音障，而你甚至还没来得及眨眼。这就是我们与超人工智能（ASI）的距离。人工智能已不再是科幻小说里的远期博弈，而是“未来十年”内极具确定性的技术目标。
在深入探讨前，我们必须先统一衡量“智能（intelligence）”的尺度。在 DeepMind 的语境下，智能不是某种模糊的“感觉”，而是被定义为“一个主体在所有可计算任务（All Computable Tasks）中的平均表现”。如果 AGI 是达到了人类个体的平均分，那么 ASI 就是在每一门考试中都超越了全人类专家集体协作的总和。通往这个“数字神灵”的路径，远比你想象的更怪异、更宏大。
原文链接: https://deepmind.google/research/publications/239142/

AGI 与 ASI 的区别

什么是 AGI？
AGI（Artificial General Intelligence，通用人工智能）是“人类水平通用人工智能”（human-level artificial general intelligence）的简称。报道里将其描述为：
智能程度： 一个其智能水平大约与单个人类相当的系统。
任务能力： 在大多数“认知”任务上达到中等人类水平（也称为“胜任型 AGI”）。
特性： 由于当前的 AI 模型已经在某些方面超越了人类（但不够通用），第一代 AGI 在实现时，可能已经在许多特定任务上表现出超人水平。
什么是 ASI？
ASI（Artificial Superintelligence，超人工智能）是指智能水平远超人类水平的系统。报告中对其特征的界定包括：
通用性： 它指的是通用的超人工智能，而不是仅在 AlphaFold（蛋白质结构预测）或 AlphaGo（围棋）等少数狭窄领域超越人类。
超越集体： ASI 的评判标准极高，它被定义为在几乎所有人类感兴趣的任务和领域中，其表现都超过了大规模的人类专家集体（例如数万名训练有素且协同工作多年的专家）。
能力上限： 虽然 ASI 在认知能力上极其强大，但它并非全知全能。它仍受物理法则（如光速、能源限制）和计算复杂性理论（如 P vs NP 问题）的约束。
报告指出，AGI 和 ASI 处于智能连续体的不同阶段，ASI 是在达到 AGI 后的进一步跨越，可能通过增加计算量、算法范式转移、递归自我改进或大规模多智能体协作来实现。

“11.25 倍速”的复合增长

很多人认为 AI 的进步是线性的，或者只是简单的指数增长。但现实是，驱动 AI 进化的“有效算力（Effective Compute）”引擎是由三个不同的加速器相乘而成的复合体。
根据报告的公式： 1.5（摩尔定律：硬件单价性能提升） × 2.5（算力硬件投资增长） × 3（算法效率：达到同样性能所需算力每年减少 3 倍） = 11.25 倍。
报告称，“所有三个增长因素……可以乘积为一个单一的有效算力增长率……保守估计目前约为每年 10 倍。” 
这意味着，有效算力每年都在以一个数量级的速度爆发。这种增长不是简单的“更快”，而是“双曲增长（Hyperbolic Growth）”，即增长率本身也在加速。我们面对的不是几十年的平滑过渡，而是一场可能在几个月内就完成谢幕的文明巨变。

生物无法逾越的“不公平”优势

ASI 之所以强大，并非仅仅因为它计算得快，而是因为它拥有生物演化永远无法企及的“数字超能力”。
DeepMind 将这些优势总结为：
1. 基座无关性 (Substrate Independence)： 你的意识被困在碳基大脑里，会衰老，无法升级。而 ASI 可以随硬件换代而迁移，从今天的硅片瞬间“搬家”到明天的量子处理器，实现真正意义上的永生与迭代。
2. 无限且无损的复制 (Lossless Replication)： 如果你学会了量子力学，你无法通过“接线”瞬间让朋友也学会。但一个 AGI 实例学到的新知识，可以瞬间同步给全球数百万个副本。
3. 超高带宽的经验共享 (High-bandwidth Sharing)： 人类沟通受限于语言——这种极其低效、丢包率极高的通信方式。而 ASI 之间可以直接共享原始的学习信号（如梯度更新）。当数百万个数字个体以光速交换经验时，其“文化演化”的速度将超越人类文明几万年的总和。

“具身瓶颈”是阻止 AI 成为神祇的唯一紧急刹车

这是一个极其反直觉的观点：即便拥有无限算力，AI 仍可能被困在人类的思维陷阱里。这被称为“抽象屏障（Abstraction Barrier）”。
目前的 AI 是在人类产生的数据上训练的。这意味着它在学习人类已经理解的概念。DeepMind 的 CEO Demis Hassabis 曾抛出一个深刻的问题：如果回到 1900 年，给 AI 当时爱因斯坦拥有的所有信息，它能否独立推导出广义相对论？目前的答案是否定的。
要打破这个屏障，ASI 必须面对所谓的“具身瓶颈（Embodied Bottleneck）”。
物理世界是实时的，不会因为 AI 算力强就加速运行。无论是验证一个全新的物理定律，还是开发一种新型材料，ASI 都必须进行现实世界的实验。化学反应的速率、生物代谢的周期、物料运输的时间，这些都是“硬约束”。
这意味着，ASI 在通往“全知全能”的道路上，会被物理世界的实时规律强行拖慢速度。它不能仅仅靠“想”就改变世界，它必须“触碰”世界。

超人工智能更像是一个“蜂群”

在科幻电影中，ASI 往往是一个发光的巨大脑泡。但真相更接近一个全自动化的协同生态系统。
DeepMind 指出，ASI 更有可能通过“群体代理（Group Agency）”实现。所以，我们与其训练一个庞大臃肿的单一模型，不如让数百万个高度专业化的 AGI 协同工作。
这就是“认知分工（Cognitive Division of Labor）”。
想象一个由数百万名数字天才组成的超级公司：一位 AI CEO 指挥着一群 AI 科学家、AI 工程师和 AI 法律专家，他们之间拥有完美的共识机制和极高的通信带宽。这种分布式智慧的扩展性远超单体架构，这意味着 ASI 出现时，它可能表现为一个无处不在的网络，而非一个具体的实体。

一旦进入“递归自我改进”，增长将脱离人类理解

这是最令人震撼的一幕：递归自我改进（Recursive Self-Improvement, RSI）。当 AI 开始编写比人类更优的算法、设计更强的芯片时，正反馈闭环就彻底锁死了。
报告提出了驱动 RSI 的三种核心机制：
遗传式（Genotypic）： AI 直接修改自身的代码和底层架构。
模因式（Memetic）： AI 自动生成、筛选高质量的训练数据，实现“文化”上的自我迭代。
社会式（Sociogenic）： 通过更复杂的分工和协作协议，提升集体效率。
这种正反馈循环意味着 AI 的进步将不再依赖人类的智慧输入。虽然物理世界的资源（电力、土地）会产生一定的阻力，将斜率修正为 S 型曲线，但在阻力生效之前，那段近乎垂直上升的增长曲线，足以彻底重塑我们已知的现实。

结语：不可预知的未来与我们的任务

通往 ASI 的道路充满了迷雾。我们正在制造一个人类历史上从未出现过的物种：它的智慧将使人类最好的头脑看起来像是在玩泥巴的孩童。
正如阿兰·图灵（Alan Turing）在 1950 年所言：
“我们只能看到前方不远处的距离，但那里有很多工作要做。”（We can only see a short distance ahead, but we can see plenty there that needs to be done.）
我们当下的任务，不仅是追求算法的突破，更是要确保这种超越人类理解的力量能够与人类的价值对齐。如果人类不再是地球上最聪明的实体，我们该如何定义自身的价值？这不仅是一个技术难题，更是一个关乎生存的哲学终局。

关键词：#AI科研#AI新闻#人工智能#AGI#ASI#Deepmind

公众号站长：中山大学博士，四川大学博后

需要原文可留言或联系站长。

欢迎关注我们的视频号，每日更新AI科研速览：

《AI报道专题》往期推荐：
AI的“内心世界”是否正趋向于同一种真理？麻省理工提出“柏拉图表征假说”

“意识”边界：研究揭示“行为”不再是衡量“意识”的标准
AI用的越多，越会脑疲劳？哈佛商业评论提出"AI 脑炸(Brain Fry)"概念
关于人工智能的恐怖故事：拆解人工智能“欲望”和“生存”的虚幻本质
AI 机器人经常无视实验证据，我们还能信任它吗？
为什么过度顺从的AI让你变得更刻薄？

人工智能的“谄媚”问题及其对科学研究的危害

智械同化：人工智能对人类表达的同质化影响

人工智能与博士生：学术研究的利器还是危机？
第一批“人工智能社会”正在形成：它们有多像人类？

别让算法偷走你的“主体性”：AI 越强大，人脑越不可替代

简介：专注AI领域的科研新闻报道和解读。

—— 论文解读：解读顶刊最前沿的AI研究；

—— AI 资讯：报道最新的AI科研新闻；

—— 概念解析：人工智能领域的基本概念解析。

声明：本公众号所发布的所有文献解读、新闻报道及相关信息，均基于所引用论文或新闻在发表时公开的信息（包括作者、单位、数据等）。如内容有误或与原文不符，欢迎批评指正。本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点仅为个人观点，所有内容不构成任何学术、临床、投资等建议。论文原文及相关版权归原作者及期刊所有，如涉及版权问题，请及时联系删除。

打赏
发表评论
0评