编辑｜Panda

今年 2 月，谷歌 DeepMind CEO 德米斯·哈萨比斯在印度 AI 峰会上发表了一番令人屏息的预言：「AGI 到来后，将产生工业革命十倍的影响，但以十倍的速度发生——大概在十年内展开，而不是一个世纪。」他还认为，AGI 可能将在 5 年内到来。

这不是科幻小说的台词。说这话的人是亲手打造 AlphaGo、AlphaFold 的那个人。

而在哈萨比斯的身旁，还有另一个更耐人寻味的存在——他的联合创始人Shane Legg，自 2009 年起就在公开场合声称：「AGI 在 2028 年到来的概率是 50%。」这个预测，他坚持了 17 年。

节选自 Shane Legg 去年底参加的播客《The arrival of AGI》

就在前两天，这位 Legg 与十余位谷歌 DeepMind 顶尖研究员联手发布了一份长达 57 页的报告：《从 AGI 到 ASI》。报告的核心问题不再是「AGI 何时到来」，而是当我们真的造出了与普通人类认知水平相当的 AI 之后，会发生什么？

这是一个比「AGI 何时到来」更难回答、也更值得认真对待的问题。



一道被跳过的追问

过去几年，「AGI 时间线」几乎成了科技圈最热的话题游戏。马斯克说 2026 年就是奇点之年，OpenAI 的奥特曼预测 2028 年，就连一向持怀疑态度的 LeCun 也将自己的预测从「遥远未来」拉近到了 2030~2035 年。

但在这场预测竞赛中，有一个问题几乎没人认真回答：就算 AGI 真的来了，它会停在那里吗？

人类历史上，每一种可以自我强化的技术从未真正停在原地。火药引出大炮，蒸汽机引出工业革命，互联网引出智能手机时代。当我们在讨论「AGI 到来的那一刻」时，我们可能忽视了更重要的问题：AGI 到来之后的十年，会是什么样子？

这份新报告给这个问题起了一个正式的名字：从AGI（通用人工智能）到ASI（超级人工智能）的过渡。

所谓 ASI，按照报告的定义，是「在几乎所有任务和领域中，超越数以万计训练有素的人类专家组成的协作集体」的系统。不是超过某个天才，而是超过整个专业领域的集体智慧。

数字智能的天然优势

在正式讨论路径之前，报告用一张表格点破了一件容易被忽视的事：数字智能与生物智能在本质上是不对称的竞争。

人类的大脑是碳基的、速度受限的、无法复制的。而 AI 则不同。



一个 AI 系统可以以越来越高的带宽摄入信息：今天的大模型已经能在几秒内「读完」一整本书。它的内部处理速度可以随算力增加而提升，不受神经元放电速率的束缚。它的记忆容量可以比人类大得多，而且不会遗忘。

更关键的是：AI 可以被完美复制，不仅复制它的「代码」，还可以复制它的「人生经历」（即模型的权重状态）。如果需要，可以在几小时内从一个实例变成一百万个。

这些优势会随着算力的增加而不断扩大，而人类在这一维度上几乎没有对等的反制手段。

报告估计，当前 AI 的「有效算力」（综合了硬件进步、投资增长和算法效率三个因素）每年增长约 10 倍。过去十年，这个增速相当稳定。

四条通往 ASI 的路径

报告的核心是系统梳理了从 AGI 迈向 ASI 的四条可能路径。它们并不互斥，很可能同时推进。



第一条：持续扩大规模。

这是当前 AI 进步的主要驱动力：更大的模型、更多的数据、更多的算力。报告指出，如果「更多算力等于更高智能」的逻辑成立（就像国际象棋引擎那样），那么仅凭量变就可能触发质变。

最极端的场景是：假设人类水平的 AGI 每次运行成本较高，最初只能运行 1000 个实例。但随着算力每年增长 10 倍，五年后就能运行 1 亿个实例，或者让同样的 1 百万个实例运行速度快 100 倍。这样的扩大，算不算超级智能？

第二条：算法范式转变。

当前的 AI 范式是用海量数据预训练大型 Transformer 模型，再辅以各类微调和推理增强；然而，这一范式可能并不足以直接到达 ASI。研究者们正在探索的方向包括：真正意义上的持续学习（不再遗忘旧知识）、能在开放环境中可靠决策的智能体、以及基于神经形态硬件或强化学习的全新训练范式。

这条路径最难预测，因为真正的范式转变往往是突然发生的。但报告指出，恰恰因为难以预测，它更不应该被忽视。

第三条：递归自我改进。

这是最令人兴奋、也最令人不安的路径。

设想这样一个闭环：AI 帮助改进 AI 的研究与开发，这产生了更强的 AI，更强的 AI 又进一步加速了研究进展……如此循环。报告把这个过程类比为人类的「基因进化」（更好的代码和硬件设计）、「文化进化」（更好的训练数据和知识积累）和「分工进化」（专业化的 AI 协作系统）三种机制的同步运转。

AlphaZero 已经展示了这种机制的雏形：它通过与自己对弈，不断用搜索结果来改进自己的「直觉」（即策略网络），从而以极低的计算代价大幅提升棋力。类似的逻辑，在 AI 研究本身中是否也能发生？

最新的「AI 科学家」系统（如 AlphaEvolve）已经展示了 AI 可以自主发现新的数学构造和算法。报告认为，如果这一能力进一步成熟，递归自我改进就不再是科幻，而是工程学问题。

第四条：多智能体协作涌现。

单个人类的智识有限，但一家拥有数万名顶尖专家的研究机构却能解决任何一个个体都无法独立攻克的难题。AI 的集体，是否也能产生类似的涌现？

报告提出了一个有趣的概念：「认知分工」。当成百上千个专业化的 AGI 实例组成协作网络，分解复杂任务、并行推进、高带宽交换结果，集体智能可能远超任何单一成员。

与人类组织不同的是，AI 集体的通信带宽极高，不需要用复杂的层级结构来弥补沟通瓶颈。报告甚至半开玩笑地提到：一个「AGI 首席执行官」在某种字面意义上，真的可以直接与每一个「员工实例」沟通，消除官僚摩擦。

六道可能的减速关卡

路径描绘清楚了，但报告并不乐观地认为哪条路一定畅通无阻。研究者们列出了六个可能成为真正瓶颈的障碍。



数据墙。互联网上的高质量文本已接近耗尽，预计本世纪 20 年代末就会遭遇天花板。AI 生成的合成数据如果不加甄别地反复训练，会导致「模型坍塌」，就像一个只读自己作文的学生，越来越像在原地打转。解决方案是通过仿真、交互学习和搜索增强来生成更高质量的训练数据，但能否跑赢扩大规模的速度，目前仍是未知数。

经济与资源的极限。持续扩大规模需要持续增长的投资、芯片生产、能源和数据中心。报告甚至提到了「轨道数据中心」这样的极端方案，但随即指出其带来的风险：火箭发射会削弱臭氧层，退役硬件在大气层燃烧会改变高空大气，而轨道拥挤可能导致灾难性的碰撞连锁反应。扩大规模的代价，可能不只是电费单。

神经网络范式的天花板。大型预训练模型，叠加再多后处理和推理增强，可能依然到不了 AGI。这一担忧并非空穴来风，而是来自对当前架构深层局限性的分析。

研究变得越来越难。经济学家 Bloom 等人的研究表明，大多数成熟领域的「每研究员产出」都在随时间下降。AI 研究也不会例外。但反制力量同样存在：如果 AI 能大规模自动化研究工作，那么「再多雇 18 倍的研究员」这件事，用算力来替代，可能只需要一年多的算力增长就能实现。

抽象壁垒。这是报告中最具哲学深度的一个概念。提出者 Lerchner 认为：当前 AI 系统本质上是在「人类已有抽象框架」内工作。它们的超人之处，主要来自更快的速度和更大的记忆，而不是真正能从原始感知数据中「发明新概念」。

报告举了一个发人深省的例子：如果把一个顶尖现代大模型放到牛顿之前的科学环境中，给它同样的数据，它能推导出广义相对论吗？答案几乎可以肯定是否，因为它缺少「力」、「因果性」、「曲率」这些概念的原初构建过程，而这些概念是人类花了几个世纪、通过与物理世界的反复交互才提炼出来的。

这意味着，如果「发明真正新颖的概念框架」是通往 ASI 的必要条件，那么 AI 可能需要一种截然不同的学习方式：直接与物理世界互动。

主动减速。最后一个障碍与技术无关，而是政治性的：监管机构、公众舆论、重大事故，以及国际竞争，都可能成为改变 AI 发展速度的力量。报告承认，在没有有效全球协调的情况下，单边减速面临「军备竞赛」压力，但同样承认：如果发生足够大的 AI 相关事故，公众态度的逆转可能使进一步扩大规模在政治上、法律上或商业上都变得不可行。

结语

报告以图灵 1950 年的一句话作为书签：「我们只能看清前方很短的一段距离，但我们能清楚地看到，那里有大量需要完成的工作。」



这种克制，在当下充斥着「奇点宣言」的 AI 话语场中，显得格外珍贵。

谷歌 DeepMind 这份报告并没有给出「ASI 什么时候到来」的预测，也没有断言哪条路径一定会胜出。它做的，是更扎实也更艰难的一件事：把「从 AGI 到 ASI」这段旅程的地形图，尽可能清晰地画出来，包括那些可能走通的峡道，也包括那些可能让一切停步的悬崖。

当 AI 能力开始接近人类水平时，人类最需要的不是预测，而是准备。

你准备好了吗？