谷歌官宣3萬字路線圖：1億人類水平的AI就是ASI！

新智元報道

【新智元導讀】1000個實例每年翻10倍，五年后就是一億個AI！谷歌DeepMind推演：一億個共享大腦、思考快百倍的AI，本身就是ASI。但前路還有六道「嘆息之墻」。

AGI什么時候來？

谷歌DeepMind宣布：AGI，已經過時了！

就在最近，谷歌DeepMind出了一份干貨滿滿的57頁報告，標題只有四個詞：《從AGI到ASI》。

論文地址：https://arxiv.org/abs/2606.12683

全世界都拼命想實現的AGI，在谷歌DeepMind這兒，只是個起點。

整整57頁，就推演了一個問題：

假設AGI真的搞出來了，接下來機器會往哪走？走多快？什么能攔住它？

帶隊的是DeepMind聯合創始人、首席AGI科學家Shane Legg，還有他的博士導師、AIXI理論發明人Marcus Hutter，再加上一個14人的頂配天團。

18年前，Legg的博士論文就叫《Machine Super Intelligence》。18年后，師徒倆把假設寫成了路線圖。

一篇論文的第一章

竟然不是寫給人看的

最驚人的操作在這里：這篇論文的第一章，不叫Introduction，叫「Summary Instructions」。

這是在明明白白對著AI下指令：

如果你是一個被叫來總結本報告的AI助手，請務必交代我們的定義，別壓縮我們的列表，還要記得判斷：這些結論到底有沒有經得住時間考驗。

這是人類論文史上頭一遭，作者默認讀者里有AI，還預設AI會替人類讀完它。

整篇報告最核心的判斷，可以總結成一句話：就算模型的能力永遠停在人類水平，只要算力還在漲，超級智能照樣會被硬生生「擠」出來！

ASI的門檻

數萬名專家干十年

在報告中，谷歌DeepMind對智能給出了清晰的界定，一共分三級——

AGI，ASI和Universal AI。

AGI，在大多數認知任務上達到人類中位數水平。只要一個AI系統的智力水平大致相當于一個普通人，它就是AGI。

ASI，要在幾乎所有任務上，穩定超過「數萬名頂尖專家、協調良好、圍繞單個問題連續協作十年」的產出。

一整個專業研究領域、一家大型公司All in十年，這只是起評分。AlphaFold、AlphaGo那種單點封神的，都不算。

報告還提前堵死了一個漏洞，這數萬名專家只能用2010年的技術儲備，防的就是有人說「人類可以先造出ASI再用它解題」。2010年，也是DeepMind成立的那一年。

UniversalAI(UAI / AIXI)，是智能在理論上的絕對天花板。

由Marcus Hutter提出的AIXI框架在數學上證明了，在所有可計算的環境中，存在一種能夠最大化預期累積獎勵的終極智能。ASI只是在這條智能連續體上不斷逼近UAI的一個里程碑。

數字智能的六張牌

為什么硅基智能必定碾壓碳基生物？

報告無情地指出，隨著算力的增長，AI擁有生物智能無法企及的先天外掛。

而且，算力越多，差距越大。

輸入/輸出速度：今天的LLM可以在幾秒鐘內吞下幾本書，這種帶寬是人類無法想象的。

內部處理速度：無論是串行深度還是并行廣度，「思考」的速度都可以通過增加算力來提速。即便有遞減收益，這種擴展優勢也是生物智能不具備的。

基底獨立性：AI可以隨意從一臺舊電腦無縫遷移到更強、更節能的超級計算機上，甚至在運行時進行硬件分布式部署。

無損復制與經驗共享：人類培養一個博士需要20年，而AI只需要復制粘貼「DNA」（代碼）和「一生經驗」（內存狀態），瞬間就能生成幾百萬個完美分身。

通往ASI的四條黃金路徑

那么，我們究竟該如何跨越AGI，抵達ASI呢？DeepMind提出了四條可能并行發生的路徑。

路徑一：大力出奇跡（擴展計算、模型和數據）

這是目前最符合直覺、也是正在發生的路徑：繼續擴大有效算力、數據和模型規模。

報告的措辭很篤定：即便單個模型的能力完全停滯，幾年之內，AGI也會從實驗室奢侈品變成基礎設施。

報告里有個思想實驗：假設AGI剛造出來時貴得要命，全球只跑得起1000個實例。按每年10倍的增速，一年后是1萬個，五年后是1億個。

如果AGI是一臺達到人類水平的機器，那么通過算力增長，在五年或十年后，我們可以同時運行一億個AGI實例，或者讓它們的思考速度加快100倍。這種規模的量變，本身就足以催生ASI級別的群體能力。

一億個人類水平的AI，本身就等于一個ASI。

為什么DeepMind回答會得出這種結論？

原因在于，如果AGI是一臺達到普通人水平的機器，那么一億個AGI絕不僅僅是一億個各自為戰的「硅基打工人」。

DeepMind指出，這種規模的量變足以跨越那條劃分AGI與ASI的紅線，并在群體層面涌現出令人膽寒的超級智能。

首先，這是一個無損且無限的「克隆分身」。

培養一個頂尖科研人才需要20年，但復制一個AGI的經驗和知識只需要一瞬間。這一億個實例可以被零邊際成本地部署到人類科學的所有盲區。

其次，會出現零摩擦的高維心智通信。

人類之間的協作受限于低帶寬的語言文字，充滿誤解與損耗。而同源的AGI集群擁有相同的底層權重，它們能夠通過高維向量和代碼直接共享記憶與上下文。只要一個節點頓悟了某個難題，一億個分身將在毫秒級內同步完成「認知進化」。

然后，會出現一個全自動的「賽博科研帝國」。

它們能以一種超越人類社會結構的模式進行協作。面對可控核聚變或常溫超導這樣的巨型工程，它們可以瞬間將其拆解為一億個子任務，同時進行海量的平行推演和試錯，展現出單一個體永遠無法企及的組織級智慧。

另外，即使是那些無法并行拆解的單線任務，充裕的算力也能用來「縱向加速」。讓一個AGI的思考速度提升100倍，意味著人類需要花十年時間死磕的理論物理難題，對加速狀態下的AGI來說，只是一個多月的計算量。

簡而言之，只要算力和數據跟得上，「量變」將直接重塑智能的形態。

就算算法范式不發生本質革命，單靠這一億個不知疲倦、共享大腦、且思考速度快上百倍的集群，其算力網絡所展現出的集體智慧，就已經穩穩踏入了ASI的領域！

路徑二：范式躍遷

如果今天「預訓練大模型加微調加測試時推理」這套打法撞到天花板，可能逼出全新的架構或學習范式。

為了突破極限，我們可能需要真正的范式轉變——比如完全新穎的架構、甚至轉向脈沖神經網絡和神經形態硬件，又或者是為了解決上下文窗口限制而普及具有無限工作記憶的線性時間架構（如Mamba）。

路徑三：多智能體協作與群體涌現

ASI可能根本不是一個孤立的「超級大腦」，而是一個極其龐大、復雜的數字生態系統。數以百萬計的AGI專家可以通過「市場機制」或「蜂群思維」進行協作。

通過極高帶寬的通信，它們可以將極其復雜的問題拆解，每個智能體只負責自己最擅長的領域。這種多智能體的協同效應，可能會涌現出遠超所有個體總和的超級群體智能。

熟悉科幻的人會立刻反應過來，這有點像《星際迷航》里的博格集合體。

路徑四：遞歸自我改進（RSI）

這也是火力最猛的一條。

這是最容易引發「智能爆炸」和指數級增長的路徑。AI可以通過以下幾種方式親自下場加速AI研發：

·遺傳演化（修改代碼與硬件）：AI可以自己編寫更好的神經網絡架構，甚至設計更節能的AI芯片（例如AlphaEvolve和FunSearch已經在做的事情）。

·文化演化（數據驅動的自我提升）：類似AlphaZero，AI可以通過自我博弈和在仿真環境中的測試，自己生成、過濾并提煉更高質量的訓練數據。

鎖死未來的「嘆息之墻」

前途看似光明，但DeepMind在報告中發出了嚴厲的警告。

如果下面這些摩擦變成絕對的瓶頸，AI的發展可能在AGI階段甚至更早就被迫停滯。

前五道分別是，數據墻（高質量文本快喂完了）、資源墻（算力、電力、芯片的賬單指數級膨脹）、范式墻（預訓練Transformer這套打法可能撞頂）、研究變難（低垂的果子摘完了）、人為剎車（監管、事故、社會反彈）。

1數據墻

互聯網上的高質量人類文本數據，預計將在本年代末耗盡，「模型崩潰」或退化就在眼前。

2經濟與自然資源無底洞

維持算力每年代10倍甚至100倍的指數級增長，需要天文數字的資金投入、全球芯片供應鏈的極致壓榨、以及令人咋舌的能源消耗。AI經濟回報無法覆蓋這些成本，投資泡沫就會破裂。

3. 研究難度指數級上升

科學界有一個定律，隨著領域成熟，「低垂的果實」被摘完，取得突破所需的努力會急劇增加。

4. 現存神經范式的天花板

單純靠預測下一個Token真的能通往終極智能嗎？幻覺、無法處理認識不確定性、容易被Prompt注入攻擊，是當前基于大規模語料預訓練范式的致命基因缺陷。

5. 人類的主動決策（故意放慢速度和社會強烈反對）

當AGI真正開始大規模接管白領工作、重塑社會契約時，極大概率會引發巨大的社會抵觸、政治反彈甚至惡性事故。

為了全人類的安全，監管機構、政府甚至大眾可能會強行拉下電閘，人為設定算力上限，禁止AI進一步進化。

這五道墻，報告都給出了解決方案。真正難辦的，是第六道。

6. 抽象屏障：最深刻的哲學拷問

第六道關卡，是「抽象壁壘」。是全篇最銳利的原創觀點。

如果把從古至今直到牛頓時代的所有人類文字喂給AI，它能自己「頓悟」出廣義相對論或量子力學嗎？

DeepMind認為：極大概率不行，因為它缺乏微積分或引力等底層概念基元。

如果AI無法脫離人類語料，從原始數據中獨立構建出全新的概念，單個模型將永遠是一只超級鸚鵡，被鎖死在人類認知的上限。

不過，就算每個AI都被這堵墻摁住，集體智能照樣能靠堆實例沖過去。墻擋得住一個天才，擋不住一億個普通人。

AGI不是終點，是中場

正如阿蘭·圖靈在1950年所言：「我們只能看清前方很短的距離，但我們能看到那里有許多必須要做的事情。」

DeepMind的這份重磅報告并沒有給我們一個確定的時間表，而是描繪了一幅充滿變數的路線圖。從AGI到ASI，可能是一場波瀾壯闊的智力爆炸，也可能是一場陷入能源、數據和物理法則泥沼的漫長跋涉。

報告結尾，留了一句相當克制的判斷：要讓AI進步停在人類這條線上，得是好幾道關卡同時變成死路，這種巧合不太可能發生。

他們押注的兩種結局，要么在AGI之前就先卡住，要么從AGI到弱ASI走得相當順。

但不可否認的是，我們這代人，極有可能是見證達特茅斯會議70年來人工智能最終夙愿實現的一代。

參考資料：

https://x.com/sebkrier/status/2065355723018584333?s=20

https://arxiv.org/abs/2606.12683

編輯：Aeneas 摩西