从通用人工智能到超级人工智能：DeepMind最新推演人工智能发展路线

一、算力增速与智能进化：量变终成质变

　　过去十年，人工智能的进步速度远超多数人的预期。有效算力的增长来自三个因素的叠加：硬件性价比持续六十年提升，年增约1.5倍；投资规模扩张，年增约2.5倍；算法效率改进，即达到同等性能所需算力持续下降，年增约3倍。近期研究认为算法效率增速或高达每年6倍。三者相乘，有效算力年增约十倍，且仅属保守估计的下限。

　　如果增速维持，五年后有效算力将是今天的十万倍。假设AGI刚诞生时成本极高，全球只能运行1000个AGI：按年增十倍计算，一年后即1万个，五年后达1亿个AGI；或者换一种方式，让100万个AGI的思考速度加快100倍。一亿个共享经验、高速思考、瞬间同步的AGI集群，本身即构成ASI，即使单个模型的能力永远停在人类水平。

　　这一推演的底层逻辑是：要让进步恰好停在人类水平，需有多重条件同时不成立。要么在到达AGI之前就被卡住，要么会走得相对顺利，停在中间是概率最低的情形。但即使进展继续，ASI的出现也更可能是一个渐进累积的过程，而非瞬间的过程。图灵在1950年写道："我们只能看清前方很短的距离，但可以看到那里有大量工作有待完成。"

二、数字智能vs生物智能

　　数字智能相较生物智能有六大先天优势。随着有效算力增长，这些优势持续扩大，且人工智能的获益幅度远超人类。

　　其一，输入输出速度。大语言模型可数秒内读完数本书籍，远超人类的阅读带宽。其二，内部处理速度。电子信号近光速传播，串行深度与并行广度均可无限扩展；人类神经元仅约100米每秒，受限于生物组织的传导速度且无法任意扩容。其三，工作记忆容量。可扩展至整个互联网级别，同时考量数百万变量交互，而人类仅容纳4至7个组块。其四，基底独立性。可在硬件间无缝迁移、分布式部署，不会衰老死亡。其五，无损复制。不仅复制源代码，还可完整复制记忆状态，培养一个博士需二十年，复制一个人工智能只需瞬间。其六，高带宽经验共享。同构实例间可直接共享原始学习信号，毫秒级同步认知进化，而非像人类依赖语言低带宽瓶颈。

　　六项优势叠加，意味着人工智能的文化进化速度可达人类社会的指数倍。劳伦斯（Neil Lawrence）的具身因子论点对此提出了一个反论：人类低带宽通信反而迫使形成深层抽象模型和抽象层级，高带宽数字智能可能因无需压缩而错失这一能力。不过，用人类数据训练大模型在某种程度上弥补了这点。

三、从AGI到ASI的四条路径

　　从AGI到ASI，有四条可能的技术演进路径。这四条路径并不互斥，可能同时推进、相互叠加。

　　路径一：持续规模化

　　继续扩大算力、模型和数据。这就是前述思想实验的逻辑：纯量变引发质变——更多的实例、更快的思考和更长的推理链本身，就能解锁看似需要架构突破的能力。这条路径的最大不确定性在于，算力增长如何转化为能力提升，是否存在边际收益递减。

　　路径二：算法范式转变

　　当前预训练大模型加微调加推理时扩展的技术范式可能触达能力上限。突破方向包括持续学习、无限工作记忆的线性时间架构、脉冲神经网络、神经形态硬件、强化学习预训练加显式世界模型、扩散语言模型和神经符号混合系统等。但真正的范式转变不可预测：它可能带来突破性新范式，成为加速器，也可能在现有范式迟迟找不到替代方案时，成为减速带。

　　路径三：递归自我改进

　　人工智能参与人工智能研发，形成正反馈。具体包括四种机制：基因型改进，修改自身代码和架构，如人工智能辅助芯片设计和神经架构搜索；文化型改进，自我博弈生成训练数据，在思考型模型中已初步发生；社会型改进，专业化分工提升集体效率；硬件型改进，人工智能设计更优芯片，受限于物理制造周期但设计迭代远快于人类工程师。理论上可能产生超指数增长，在有限时间内趋向奇点，但真实系统中摩擦因素通常会在到达奇点前压低增长率，形成S型曲线。

　　路径四：多智能体协作涌现

　　ASI可能不是单个超级大脑，而是数以百万计AGI的智能体组成的高度协调的数字生态系统。具体有三种组织形式。设计型，指全自动化公司或研究机构，多个AGI实例按预定义的层级与协议构成有凝聚力的集体决策单元，称为群体智能体。市场型，指虚拟智能体经济，通过价格信号和竞标机制在实例间分配任务与资源。自组织型，指进化压力驱动下的分布式结构，通过竞争、合作和选择涌现复杂组织形态。三种形式之外，报告还讨论了博格集合体（Borg Collective）式的超大规模同质化集体。这些组织形式的共同前提是通信带宽的质变：AGI实例之间可直接同步原始经验，一个实例的突破毫秒级更新至所有分身。

四、通向ASI的六大壁垒

　　其一，数据墙。高质量人类生成文本数据预计本年代末耗尽。合成数据若反复循环训练可能导致模型坍塌（Model Collapse），逐渐遗忘长尾知识。破局方向包括仿真交互数据、强化学习主动探索和搜索增强等。数据墙对四条路径的冲击不对称，多智能体和递归自我改进路径可通过自我博弈和交互学习绕开对人类文本的依赖。

　　其二，经济与资源约束。算力的指数增长需要芯片制造、能源供应、数据中心和资本的同步扩张。极端方案如轨道数据中心（orbital data centers）伴随臭氧层损耗等新风险。核心不确定性在于，经济回报能否在时间窗口内覆盖持续扩张的投入，以及芯片供应链地缘集中度构成的单点故障风险。

　　其三，现有技术范式的上限。当前预训练加后训练加推理时扩展的技术栈存在深层缺陷：幻觉、无法处理认知不确定性、易受提示注入攻击、因果推理不足、缺乏开放式自主规划能力。这套范式可能根本不足以支撑持续学习和稳健因果推理，需要根本性突破。

　　其四，研究难度递增。布鲁姆等人的研究证实，成熟领域的创意越来越难找，每步突破需要指数级增加的投入。反制力量在于，如果人工智能能大规模自动化研究，仅需一年多算力增长即可抵消研究难度的指数级攀升。加速与减速之间有一场指数赛跑，胜负未分。

　　其五，抽象壁垒。勒希纳指出，当前人工智能本质上是概念重组机，在人类已有抽象框架内工作，擅长重新组合已有概念，但可能缺乏从原始感知数据中自主构建全新抽象概念的能力。一个直观的思想实验：把一个大语言模型放到牛顿之前的科学环境中，提供当时的全部文字和观测数据，它能推导出广义相对论吗？几乎肯定不能，因为它缺少力、质量、引力、时空曲率这些概念的原初构建过程。如果人工智能不能从原始数据中独立发明全新概念框架，其能力将被锁定在人类认知积累的上限之内。跨越抽象壁垒可能需要直接与物理世界交互学习，这又引出具身瓶颈（Embodiment Bottleneck），物理实验速度受限于现实实时性，化学反应、生物生长、气候演化都不能被无限加速。但足够大规模的并行探索和多样性，可能在某种程度上绕过单体的局限。

　　其六，人为刹车。即使前五道壁垒全被突破，社会因素也可能主动降速：大规模就业替代引发的社会反弹和政治压力，重大安全事故引发的公众恐慌，各国监管上限和算力限制。但同时，经济竞争和地缘政治竞争形成反向推力。在没有有效全球协调机制的情况下，单边减速面临囚徒困境，一国的自律可能恰是另一国的机遇。

五、未来的研究议题

　　未来有待进一步研究的问题包括：有效算力各增长因子的上限估计；数据墙对四条路径的差异化冲击及合成数据安全替代的条件；递归自我改进的动态规律及其定量测量方法；多智能体系统的规模缩放规律与协调成本；抽象壁垒能否靠算力堆叠绕过，还是需要本质性的架构创新；超越人类水平后的能力评估基准设计；全球治理中单边减速面临的地缘政治制约；以及超级智能对人工智能安全研究本身的影响。其中三个议题值得重点关注。第一，规模即智能：一亿个AGI就是ASI，这个逻辑将门槛从造出单个超级模型降到了让足够多人类水平模型高效协作，两者在工程可行性上差异巨大。第二，抽象壁垒：人工智能是概念消费者而非概念生产者，可能是最深层次障碍。第三，务实方法论：不被不确定性困住，通过持续测量和频繁修正来管理不确定性。

六、结语

　　从AGI到ASI的演进不存在单一既定的线性路径，技术条件、资源供给、认知边界与社会环境等多重因素交织作用，共同决定着智能能力提升的节奏与发展上限，整个过程始终伴随显著的不确定性。

　　厘清技术演进的核心规律、降低预判偏差，既需要在技术层面持续深化对智能本质与发展路径的研究，也需要构建审慎完善的技术治理框架，通过常态化的跟踪评估动态适配技术发展节奏。这是后AGI阶段全球人工智能领域的核心研究议程，也是全行业与全社会需要共同面对的长期命题。