AGI 与未来 AI
DeepMind Institute 描绘从 AGI 到超级智能的四条路径

要点全球有效算力在硬件和算法方面每年至少增长十倍。
查看更多
- 全球有效算力在硬件和算法方面每年至少增长十倍。
- 仅限制训练算力不一定能阻止进展,因为多种路径可以叠加。
- 更近期的挑战是区分更快的智能体速度和数量与真正的新能力。
DeepMind Institute 于 2026 年 11 月 19 日发表了一篇文章,概述了 AI 从达到人类水平的通用人工智能(AGI)迈向通用人工超级智能(ASI)的四种路径,同时强调,快速进步仍有可能,但远非板上钉钉。
这四条路径分别是持续扩大模型和数据规模、技术范式转变、大规模智能体群体之间的协同,以及递归式自我改进,即 AI 系统参与改进后续系统。每条路径都面临不同的技术瓶颈和衡量难题。
文章将 AGI 定义为在几乎所有认知任务上都具备大致人类水平能力的系统。ASI 则必须能够稳定地在几乎所有人类关注的任务上胜过大群人类专家,而且完成的工作可能需要这些专家花费数年,同时耗费更少的资源和时间。在国际象棋、围棋或蛋白质结构预测等狭窄领域超越人类,并不符合这一标准。
这篇文章以《从 AGI 到 ASI》为基础。这份技术报告由 Google DeepMind 标注的日期为 2026 年 6 月 12 日,文章也借鉴了该研究院之后的讨论。报告的arXiv 文本举例说明了 ASI 的门槛:在可用技术和文化产品仅限于 2010 年时,ASI 必须能够稳定胜过数万名协调良好的专家,而这些专家正共同解决一个需要十年才能完成的问题。早先的报告已经提出了同样的四路径框架。
ASI 仍远未达到理论上的智能极限。文章指出,物理、逻辑和复杂性方面的约束,将使人们无法对包括气候、免疫系统和人类社会在内的现实系统作出任意精确的预测。因此,人类水平的 AI 只是一个连续谱上的位置;它与这些极限之间还隔着一大片尚未充分探索的领域。
认知工业化与成本下降
文章估计,全球有效算力——综合反映硬件改进、AI 硬件投资和算法效率——每年至少增长 10 倍。若将这一增速外推十年,增长幅度将达到 100 亿倍。在这一情景下,只要这些趋势持续,对于目前每一个可运行的 AI 智能体,都能运行出数量超过全球人口、且质量相同的智能体。
文章以成本为例,假设硬件进步和推理效率提升使算力需求每年约降至原来的四分之一。按此速度,十年后,一项需要耗费 10 亿美元算力代币的工作将只需 1,000 美元。由此带来的认知工作的标准化和自动化被称为“认知工业化”,类似于常规体力劳动逐渐成为大宗商品的过程。即使前沿领域没有取得惊人突破,这一转变也可能重塑知识工作和更广泛的经济。
文章提醒,如果有些认知任务仍需要人类协助,那么仅靠扩大规模仍可能无法实现完整的 AGI。在大致达到人类水平的系统广泛可用后,速度更快、数量更多的智能体或可帮助跨越通往弱形式 ASI 的差距;这得益于数字系统的处理速度和记忆能力、在不同计算硬件之间迁移的能力、几乎无损地复制代码和内存状态的能力,以及高带宽共享经验的能力。
四条路径及其限制
持续扩大规模可能面临高质量训练数据耗尽的问题;随着每提升一步能力都需要成倍增加算力和模型规模,收益也会递减;此外,发电能力、电网、芯片制造和硬件互连等方面还存在物理或经济限制。根据当前架构、数据和评估结果拟合出的规模定律,无法可靠预测 AGI 或 ASI 需要多大的规模。
范式转变旨在弥补持续学习、某些形式的世界建模、决策制定和样本效率方面的不足。样本效率指系统达到特定能力所需的训练数据量。当前系统也可能无法创造真正全新的概念和抽象,只能重新组合已有内容。研究人员对于渐进式改进当前主流的 Transformer 范式能否弥补这些不足,还是必须进行更深层次的变革,意见不一。
文章指出,智能体协同提供了一条集体发展的路径,但目前还没有多智能体规模定律。协同效率低下、错误信息、操纵和串通都可能削弱大型群体,因此需要制度和组织层面的防范措施。递归式自我改进则通过代码和硬件设计、部署期间产生的可复用数据,或智能体群体内部的专业化,形成反馈循环。反馈不佳可能导致这些循环停滞或退化;如果输出可以自动检查,例如数学证明,那么进步预计会更快。
这些路径可以叠加发挥作用。文章认为,如果其中一条路径停滞,经济和地缘政治竞争可能会推动资源转向其他路径,因此只限制训练算力未必能阻止整体进步。若在其他投入持续发展的同时压制其中一种投入,也可能形成能力“储备”,待限制放宽或被绕过后,随之出现更快的进步。
超越 AGI 的进展衡量
拟议的应对方式是通过跨学科合作,在前沿实验室以及国家和全球机构之间开展建模、测量、预测,并反复推进这一过程。有些必要指标需要获取前沿模型、投入大量评估算力,并采用新的基准测试和建模方法。
这些路径是否会带来超级人工智能(ASI),以及何时实现,仍未有定论。近期更紧迫的挑战是建立评估体系,区分智能体速度和数量的提升与真正出现的新能力,同时让公共机构获得足够的访问权限和计算能力,以追踪那些可能相互强化的路径。












