AGI还不是终点,DeepMind开始思考ASI的未来

AITNT-国内领先的一站式人工智能新闻资讯网站
# 热门搜索 #
AGI还不是终点,DeepMind开始思考ASI的未来
8452点击    2026-11-20 15:12

最近,Google DeepMind Institude 发布了最新博客文章《AGI 之后是什么?》,探讨了人工通用智能(AGI)之后的技术演进方向,以及人类可能通过哪些路径迈向人工超级智能(ASI)。


AGI还不是终点,DeepMind开始思考ASI的未来


  • 文章链接:https://institute.deepmind.com/essays/what-comes-after-agi/


文章指出,AGI 并不是人工智能发展的终点,而可能只是智能连续谱上的一个阶段。随着模型能力、计算效率和多智能体协作水平不断提高,AI 有可能进一步超越人类专家的认知能力,甚至加速自身的技术进步。


DeepMind 从智能能力边界、认知工业化、技术发展路径和递归自我改进等角度展开分析,提出了通往 ASI 的四条潜在技术路线,并强调,超级智能时代的关键挑战不仅是如何实现更强大的 AI,还包括如何衡量、预测和治理这种技术进步。


一、AGI 不是终点,ASI 还有多远?


过去几十年,人工智能研究一直围绕一个重要目标展开:实现能够在人类几乎所有认知任务上达到人类水平的 AGI。


但 DeepMind 认为,AGI 并不是人工智能发展的终点。人类水平的智能只是整个智能连续谱中的一个节点,其上方仍存在巨大的能力空间。


AGI还不是终点,DeepMind开始思考ASI的未来


文章将人工超级智能(ASI)描述为一种能够在几乎所有人类关注的任务中,持续超越大规模人类专家团队的 AI 系统。


例如,ASI 可能在极短时间内完成一个科研领域需要多年才能取得的进展,或者以更少的资源,实现大型科技公司一年才能完成的芯片设计与技术研发成果。


实际上,当前 AI 已经在国际象棋、围棋、蛋白质结构预测及部分数学证明任务中展现出超越人类的能力。但这些仍然属于特定领域的突破,距离全面的超级智能尚有明显差距。


DeepMind 强调,虽然人类已经能够从数学和物理学角度研究智能的理论极限,但从人类水平的 AGI 到这些极限之间,究竟存在多大的能力空间,目前仍然是一个尚未充分探索的问题。


除了模型本身的能力突破,DeepMind 还指出,计算能力的持续增长和运行成本的快速下降,也可能成为推动 AI 迈向超级智能的重要因素。


文章由此引出了「认知工业化」(Cognitive Industrialization)的概念:随着 AI 计算效率不断提高,越来越多的认知工作可能像工业时代的体力劳动一样,实现标准化、自动化和规模化生产。


文章指出,过去十年,AI 有效计算能力的增长主要受到三个因素推动:


  • 硬件性能提升:每美元能够购买的计算能力,长期以来以每年约 1.5 倍的速度增长。
  • 算法效率提高:达到相同性能所需的训练计算量持续降低,推理算法效率也在快速改善。
  • 计算基础设施投资增加:AI 硬件投资在过去十年保持高速增长,推动全球计算资源不断扩张。


三种因素共同作用,使全球有效计算资源的年增长速度达到约 10 倍甚至更高。


AGI还不是终点,DeepMind开始思考ASI的未来


DeepMind 进一步推演,如果相关趋势持续十年,今天需要 10 亿美元 AI 计算成本才能完成的认知工作,未来可能只需要约 1000 美元。


当然,这一预测建立在效率提升趋势能够延续的假设之上,并不意味着成本必然按照这一速度下降。


更重要的是,即使 AI 模型的基础能力没有发生重大突破,仅仅依靠更低的运行成本、更快的处理速度以及更庞大的智能体数量,也可能显著改变知识工作和社会经济结构。


在这一情景下,数十亿个能够高速运行、持续协作的 AI 智能体,可能形成远超单个人类或单个 AI 系统的综合生产能力。


这也意味着,从 AGI 迈向 ASI 的过程,可能并不完全依赖某一次颠覆性的模型突破。智能体数量、运行速度和协作规模的持续提升,同样可能成为推动智能能力跨越的重要力量。


二、从 AGI 到 ASI,


DeepMind 提出了四条技术路线


不过,智能体数量和运行速度的提升,并不能解决 AI 在所有认知能力上的局限。DeepMind 认为,要真正迈向 ASI,还需要在关键技术上实现突破。


为此,文章总结了四条潜在的发展路径。


第一条:扩大模型和数据规模。


这是当前 AI 发展的主要路线,即通过增加训练数据、模型规模、训练计算量以及推理阶段的计算资源,持续提升系统能力。但这一方法也面临高质量数据不足、模型扩张收益递减,以及能源和芯片等基础设施限制。


未来,高保真模拟环境、合成数据、强化学习以及推理阶段计算,可能成为突破这些瓶颈的重要手段。


第二条:推动技术范式转变。


当前主流大模型主要建立在 Transformer 架构和序列预测机制之上。虽然这一范式已经取得显著成功,但模型在持续学习、世界建模、决策能力和样本效率等方面,仍然存在一些与人类智能不同的局限。


未来实现 ASI,究竟只需要对现有技术进行持续改进,还是必须依赖全新的模型架构和学习范式,仍然存在争议。


第三条:提升多智能体协作能力。


单个 AI 的能力可能有限,但大量 AI 智能体组成的协作系统,有机会形成更强大的集体智能。就像企业、科研机构和市场能够解决单个人类无法完成的问题一样,未来成千上万个 AGI 智能体也可能通过任务分工、信息共享和相互协作,完成更复杂的认知任务。


不过,多智能体系统并非规模越大越有效。通信成本、协调效率、信息失真和群体行为等问题,都可能限制其能力提升。


第四条:实现递归自我改进。


这也是文章重点关注的一条路径。


递归自我改进(RSI)意味着,AI 不再只是人类开发和改进的技术工具,而是能够参与研发下一代 AI 系统。


随着 AI 研发能力提升,它可能进一步提高模型架构设计、算法优化、芯片设计与训练数据生成的效率,从而加速后续技术迭代。如果这种反馈循环能够持续运行,AI 的进步速度就可能不再完全依赖人类研究人员的工作效率。


DeepMind 进一步指出,这一过程可能通过三个层面实现:一是代码与设计优化,改进模型架构、训练算法及芯片设计;二是数据驱动改进,通过模拟、推理和实验生成更高质量的训练数据,AlphaZero 就展示了类似机制;三是群体协作改进,通过智能体专业化分工提升研发效率。


DeepMind 将这三种机制分别类比为生物进化中的遗传进化、文化进化和社会演化。


不过,文章也强调,递归自我改进并不必然带来失控式的指数增长。一方面,随着技术逐渐成熟,发现新的有效改进可能越来越困难;另一方面,如果缺少可靠的评估与反馈机制,自我改进过程可能停滞甚至出现退化。


因此,数学证明等能够进行自动验证的领域,可能率先实现更高程度的递归自我改进,而依赖复杂现实判断的任务则可能进展较慢。


DeepMind 强调,上述四条路线并非相互独立,而是可能相互促进、共同推动 AI 能力提升。即使某条路线遭遇瓶颈,其他路径仍可能持续取得进展。


这也意味着,仅限制模型训练算力等单一因素,可能不足以控制整体 AI 发展速度。当受限因素被突破时,甚至可能出现能力突然跃升的情况。因此,未来 AI 治理需要同时关注模型规模、算法效率、多智能体协作及自动化研发等多个维度。


三、建立新的衡量与预测体系


在文章最后,DeepMind 将讨论转向一个更现实的问题:如果 AI 进入超越人类智能的阶段,人类该如何应对?


其核心建议是:建模、测量、预测,并持续迭代。


由于超级智能的能力可能超出人类专家的评估范围,现有测试方法将面临挑战。因此,未来需要建立更可靠的基准测试、自动化验证机制及预测模型,持续追踪 AI 能力的发展。这不仅需要前沿 AI 实验室参与,也需要科研机构和政策制定者开展跨学科合作。


DeepMind 认为,未来十年 AI 持续快速发展的可能性值得认真对待。从专家级 AGI 迈向超级智能,可能加速医学、材料和清洁能源等领域的科学突破。即使超级智能没有迅速到来,认知工业化也可能深刻改变知识工作和全球经济。


AGI 并非人工智能发展的终点。相比仅仅关注如何实现 AGI,人类更需要提前理解 AGI 之后的技术演进路径、发展速度及其对社会的深远影响。


文章来自于微信公众号 “机器之心”,作者 “机器之心”

AI转型,免费服务,就找AITNT
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
AI代理

【开源免费】Browser-use 是一个用户AI代理直接可以控制浏览器的工具。它能够让AI 自动执行浏览器中的各种任务,如比较价格、添加购物车、回复各种社交媒体等。

项目地址:https://github.com/browser-use/browser-use


2
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md