From AGI to ASI：DeepMind 把超级智能拆成四条路

Google DeepMind 这篇报告真正抛出的不是「AGI 什么时候到」这个老问题，而是更麻烦的一问：如果人类级 AGI 到来，AI 进步会停在那条线上，还是会继续沿着计算、算法、自我改进和多智能体组织一路向上？Google DeepMind 于 2026 年 6 月 12 日在官方研究页发布《From AGI to ASI》，并给出 arXiv 论文入口；arXiv 页面显示该版本于 2026 年 6 月 10 日提交，作者包括 Tim Genewein、Matija Franklin、Laurent Orseau、Iason Gabriel、Allan Dafoe、Marcus Hutter、Thore Graepel 和 Shane Legg 等 14 人。12

报告的价值不在于给出一个确定时间表。它更像一张「后 AGI 地图」：把从 AGI 到 ASI 的可能路线、阻力和可测指标拆开，让讨论从口号回到可以研究的问题。对于关注模型能力、Agent 产品和 AI 安全的人，这篇报告最值得读的地方，是它把超级智能从一个单点事件，改写成一组可被持续监测的增长机制。

报告对 AGI 和 ASI 的定义刻意保持粗粒度。AGI 指大致达到单个普通人水平的通用人工智能；ASI 则指在几乎所有人类关心的任务和领域中，都显著超过人类水平的通用人工智能。报告还把 ASI 的门槛抬高到「超过大型人类专家集体」：不是某个模型在一两个榜单上赢过专家，而是系统整体能胜过大型、协调良好的人类组织。3

这一定义有两个后果。

第一，今天的单领域超人系统不算 ASI。AlphaGo、AlphaFold 这类系统可以在围棋或蛋白结构预测上非常强，但报告把 ASI 限定为「general superintelligence」，也就是跨任务、跨领域的整体能力。3

第二，ASI 不一定是一个「单体天才」。报告明确允许一个 ASI 由数百万个实例组成，这些实例并行互动、共享信息、形成集体能力。换句话说，未来真正可怕或有用的系统，可能不是一个孤立模型，而是一家公司、市场或研究院形态的 AI 组织。3

报告的一个核心判断是：如果人类级 AGI 真的出现，AI 进步刚好停在「单个人类水平」并不容易解释。原因不是 AGI 必然立刻爆炸，而是数字智能具有一些会随算力放大的优势：输入输出速度、内部处理速度、工作记忆、无损复制、跨硬件迁移，以及高带宽共享经验。报告把这些列为数字智能相对生物智能的关键差异。3

最直观的例子是「复制」。人类训练一个专家需要多年，复制一个已经训练好的 AI 实例则更接近资源调度问题。如果单个 AGI 只相当于一名高水平研究员，但可以被快速复制、加速运行、并用高带宽通信组织起来，那么系统级能力就可能远超个人模型本身。

报告还给了一个增长背景：过去几十年，硬件制造改善让每美元算力约以每年 1.5 倍增长；过去十年，算力硬件投入约以每年 2.5 倍增长；算法效率也以约每年 3 倍改善。报告把这些因素合并为「有效算力」增长，并采用约每年 10 倍的保守估计，同时强调不确定性很大。3

这里的关键不是「10 倍」这个数字一定准确，而是它改变了问题表述。我们不只要问「模型参数还能不能变大」，还要问：更多推理时计算、更多模型实例、更便宜的实验、更快的数据生成，能否把一个人类级系统堆成组织级超级系统。

报告把 AGI 到 ASI 的技术路径拆成四条。

1. 继续扩展算力、模型和数据。 这条路线最像过去十年深度学习的延长线：更大训练、更大推理预算、更高效算法、更低单位成本。但报告也提醒，数量增长不自动等于质变。更大的搜索空间需要更好的归纳偏置、启发式和价值估计；暴力搜索在大多数非玩具问题上会很快撞到资源墙。3

2. 算法范式演化或转移。 当前主范式是大规模预训练 Transformer，加上后训练、检索、工具调用、Agent 框架和推理时扩展。报告认为，要走向 AGI 甚至 ASI，可能需要继续补上近乎无限上下文、持续学习、交互环境中的稳健决策、世界模型等能力；真正的范式转移则可能来自新架构、新优化方式、神经形态硬件、模拟计算或更强的 RL 预训练。3

3. 递归自我改进。 报告把自我改进拆得比「AI 写出更好的 AI」更细：AI 可以改进代码和架构，可以辅助芯片和制造流程，可以生成或筛选更高质量数据，也可以通过分工专业化提升集体效率。它还把 AlphaZero 式循环看作一个具体类比：用搜索得到更好的策略数据，再蒸馏回模型，反过来提升下一轮搜索效率。3

4. 多智能体协调与群体智能。 这条路线最值得产品和组织设计者关注：ASI 可能不是单体模型能力的结果，而是大量 AGI Agent 通过任务分解、专业化、市场机制或中心化调度形成的集体属性。报告甚至提出「多智能体扩展律」这个研究方向：群体智能如何随实例数量、组织形式、通信密度和算力预算变化。3

这四条路线可以同时发生。比如，推理时计算增加可以提升单次搜索质量；搜索结果又能生成训练数据；训练出的模型再被部署成更多 Agent；Agent 反过来参与下一代模型和芯片设计。真正的不确定性在于这些环路会很快衰减，还是会互相放大。

这篇报告没有把 ASI 写成直线冲刺。它列出六类可能减速甚至卡住进展的瓶颈。3

数据墙。 高质量人类文本的增长速度跟不上模型规模增长。报告提到，后续可用数据可能来自合成数据、高保真模拟、交互数据、自博弈、强化学习和推理时搜索结果蒸馏，但这些机制是否足够稳定，仍是开放问题。3

经济与自然资源约束。 如果进步主要依赖继续堆算力，那么芯片、能源、数据中心位置、稀土、互连带宽和内存带宽都会成为硬约束。报告特别指出，模型变大后，数据在内存和计算单元之间移动的开销，可能成为有效算力利用率的主导因素。3

神经网络主范式可能不够。 大模型加后训练、工具、检索和 Agent 框架可能继续平滑演化，也可能在幻觉、提示注入、持续学习、稳健决策和第三方数据学习等问题上遇到更深限制。报告没有下结论，只把它列为需要持续观测的瓶颈。3

研究越来越难。 一个成熟领域要维持同等进步速度，通常需要越来越多投入。报告引用「ideas getting harder to find」这类经济学观察，并给出反向力量：如果 AI 研究员足够便宜、足够多，研究投入的复制速度可能比培养人类专家快得多。报告举例说，保持摩尔定律所需研究者数量相较 1970 年代约增加 18 倍，而把人工研究员实例增加 18 倍，在算力调度意义上可能是小时到周的量级。3

抽象屏障。 这是报告中最有辨识度的论点之一：如果今天的模型主要从人类已经符号化的认知产物中学习，它们可能擅长重组人类概念，却不一定能从原始世界中发现全新的概念原语。报告用一个反事实问题说明这一点：如果一个现代基础模型只训练在前工业、前牛顿时代的知识上，它能否推导出相对论或量子力学？报告认为这并不显然。3

治理、事故和社会反弹。 报告把监管和刻意减速也视作路径变量。重大事故、滥用、军事或政治风险、劳动市场冲击，都可能让社会选择放慢能力进步；但经济竞争和国家安全压力又可能抵消这种减速。3

第一，它把「Agent 规模化」放到了和模型规模化同等重要的位置。过去大家习惯问下一个模型是不是更聪明；这篇报告提醒我们，还要问同一能力水平的模型能否被低成本复制、专业化、协调和审计。一个普通模型加一个普通工作流，未必危险也未必有用；但上万个模型实例组成的自动化组织，性质会完全不同。

第二，它让推理时计算变成长期变量。今天的「thinking」和多样本搜索，常被看作提高答题分数的技巧；在报告框架里，它们也可能是数据生产、自我改进和 Agent 组织的基础设施。如果搜索结果可验证、可蒸馏、可进入下一轮训练，那么推理成本就不只是服务成本，也可能是研发投入。

第三，它把评测问题推到前台。报告在研究议程中提出，后 AGI 时代不能继续只用人类专家作为上限，因为那会很快饱和；需要能评估通用超人能力、多智能体协作能力、递归改进能力和经济生产率的基准。3 这对产品团队也有现实意义：如果你在做 Agent 系统，单轮任务成功率只是第一层指标，群体协作的吞吐、错误传播、可恢复性和审计成本同样会决定系统上限。

这篇报告更像问题地图，不是实验论文。它没有给出某条路径的概率，也没有证明 ASI 会在某个年份出现。报告自己也承认，预测 ASI 能做什么、不能做什么，很难只靠理论给出实用负结论；近似算法和启发式常常能绕开最坏情况复杂度，让经验测量和持续基准变得更重要。3

它还有一个重要前提：为了聚焦技术轨迹，报告假设 AI 安全与对齐会被「足够程度地解决」。但作者同时强调，这不是轻假设；不安全或不可控的系统本身也会成为能力部署和自动化研究的瓶颈。3

所以，更稳妥的读法不是「DeepMind 预测 ASI 快来了」，而是：如果 AGI 成为现实，我们需要提前把后续增长机制拆开测量。要盯的不只是模型排行榜，还包括有效算力增长、推理时搜索收益、AI 参与 AI 研发的比例、合成数据能否改善训练、多智能体协作是否出现扩展律，以及治理和社会反馈会在哪些点形成硬刹车。

这也是报告最后的落点：未来不可预测，但可以通过更多路线图、更多量化监测和更强的跨学科研究来降低不确定性。作者在结论中写道，如果人类级 AGI 能达到，AI 进步恰好停在人类水平并不可信；更可能的是在 AGI 前停滞，或在 AGI 后较平滑地进入弱 ASI，当然递归自我改进导致更快跃迁也不能排除。3

对读者而言，这篇报告最重要的提醒是：不要只等一个「AGI 时刻」。更值得提前准备的，是一连串由算力、推理、数据、Agent 组织和科研自动化共同推动的变化。它们可能没有单一爆点，却会不断改写我们对模型、组织和技术进步速度的判断。