这是 Google DeepMind 一群研究者——包括 Marcus Hutter、Shane Legg——写下的一份报告: 从 AGI 到 ASI。它不是预测未来,而是给未来画一张地图。地图上标着一条智能的连续谱、四条可能的路、 六道可能卡住的阻力,以及一些他们自己也答不上来的大问题。我试着把这张地图重新讲一遍。
在这张地图上,智能不是一堵墙,不是到了"人类水平"就突然停下。它是一条连续的谱。 我们今天在谱上的某个位置,GPT-4、Claude、Gemini 都在这条线上攀爬。报告用三个刻度把这条谱标出来:
AGI 的门槛设得相当克制——它指的是智力大致相当于一个普通人的系统, 不是天才,也不是专家,就是中位数的人类。但有一点要分清:即便如此,第一个 AGI 一出场, 在很多具体任务上就已经会超过人类。毕竟今天的模型早就在下棋、翻译、算数学上压过人了, 它们缺的只是"通用",而不是单项能力。
ASI 则被刻意设得很高:它不是"在某个领域比人强",而是 在几乎所有人类关心的事情上,都能压过一大群协调一致的顶尖专家,干上十年—— 报告里给的尺度,大概是"压过几万个专家,合作十年"。
而谱的尽头,是一个理论上的天花板,叫 Universal AI(UAI),也叫 AIXI。 它是这把尺子的满分——而满分在数学上是不可计算的,只能被从下方一点点逼近。ASI 永远摸不到它。
报告特意说:我们故意不给 AGI/ASI 内部再细分(像有人提过的"五级 AGI"那样)。 因为在连续谱上画太多刻度,反而会让人误以为存在清晰的台阶。真实情况是平滑的斜坡—— 刻度的作用只是让我们讨论"从哪到哪"时不至于鸡同鸭讲。
一个自然的怀疑是:既然 AGI 被定义成"和人一样聪明",那它会不会就停在那里? 报告的回答是:不太可能。理由不在算法,而在介质。 数字智能天生带着六条生物学没有的优势,而且每一条都随算力的增加而越拉越大:
这六条加在一起,意味着一件很反直觉的事:就算单个 AGI 永远停在"普通人"水平,一群 AGI 也几乎一定是超人的。 因为你可以瞬间复制几百万份,让它们用比人快几千倍的速度思考、用极高带宽互相沟通、把每个实例的发现实时共享给全体—— 然后把"一整支专家军团干十年"的事,压缩到几天甚至几小时。
报告给了一个让人后背发凉的注脚:人类的输入输出带宽之所以这么窄,可能恰恰是一种祝福—— 它逼着我们在脑内建立粗糙但深刻的抽象与心智模型。机器带宽太宽,反而可能不需要这些抽象, 也就长不出这些抽象。这一点我们后面还会回来。
报告反复强调:超越人类不等于全知全能。ASI 照样被光速、Landauer 原理、Bremermann 极限、 物理可操控性、P vs NP、Gödel 不完备定理这些硬墙挡着。它能做的事有上限,只是这个上限远在人之上。
要判断我们离 ASI 有多远,得先知道我们爬得多快。报告把过去十年的进步拆成三个相乘的因子, 算出一个叫"有效算力增长"的综合量:
每年十倍,这是指数增长。指数增长本身已经够吓人了——但报告还提到了一个更激进的词: 双曲增长(hyperbolic growth)。它的特征是增长率本身也在涨,数学上的终点是 在有限时间内冲到无穷——也就是那个大名鼎鼎的奇点。
这张图想说的是:同样是"每年都在涨",背后的形状决定了结局天差地别。 线性增长再久也只是爬坡;指数增长十年就是一万倍;双曲增长会冲向奇点;而 S 形会在某个看不见的天花板前慢慢躺平。
报告的关键态度是:我们不知道自己处在哪条曲线上。这正是它后面花大量篇幅讨论"阻力"的原因—— 阻力,就是决定曲线从双曲掉回 S 形的那些东西。
要给"机器能有多聪明"找一个严格的上限,报告请出了一套叫 Universal AI(也叫 AIXI)的理论框架。 它是 Hutter 和 Legg 这一脉工作几十年攒下来的结晶,可以非正式地理解成一个"理论上的满分智能体"。
它的设定简洁得近乎冷酷:一个 agent,在一个未知的环境里,一边采取动作、一边观察反馈、一边拿到一个标量奖励。 它同时要解决三个根本难题——
AIXI 是不可计算的。它是个数学极限,只能从下方一点点逼近。 但它给了我们两件实在的东西:第一,一个证明"智能随算力增长"的理论锚点; 第二,一个判断当前范式能走多远的标尺——把一个超大规模预测器(预训练)+ 显式规划/决策脚手架, 在理论上是可以一路推向通用智能的。这给了"继续 scale"一丝理论正当性。
报告也很坦诚地说了这套理论的短板:AIXI 自己不在它考虑的环境类里(它是不可计算的,所以无法"嵌入"环境), 它也不能把自己当成环境里的另一个 agent 来推理。最近的扩展工作(嵌入的、多智能体的版本)正在补这块。 但无论如何,实用 ASI 很可能在理论被完全统一之前就被造出来——就像我们造出了内燃机, 却并没有先把热力学彻底写完。
这是整份报告真正的核心。它说:别幻想有一条唯一正确的路——很可能四条同时在进行, 只是速度不同。它们彼此独立,而且并不互斥。
过去十年的成功,本质上就是 Sutton 那篇《苦涩的教训》:搜得越多,就越聪明。 如果智能可以还原成"在假设空间里搜索"(学习是搜模型,规划是搜未来),那更多的算力就意味着更多的搜索,也就意味着更多的智能。
但报告立刻泼了冷水:暴力搜索几乎在所有非玩具问题上都没用,连国际象棋都不靠穷举。 真正带来突破的是搜索效率——更好的先验、更好的启发式、价值估计器、降维技巧。 所以"算力 → 智能"这条链子,在实践里远没有听起来那么直。
这条路最现实、最可预测,也是唯一一条能用历史数据拟合预测模型的路。 它的核心开放问题是那句老话:"光靠 scale 够不够?" 数量上的积累,会不会在某一天真的带来质的飞跃("涌现")?还是说它只是平滑地爬,直到撞墙?
就算单个模型永远停在"普通人"水平,只要有效算力继续按每年 10× 增长, 我们就能跑越来越多的实例——从一千个,到一万个,到一亿个,或者让一百万个实例每个跑快一百倍。 光是把"普通人"复制并加速到这种规模,可能就足以构成从 AGI 到 ASI 的那一跳。
今天的范式可以概括成一句话:用 log-loss 在海量人类文本上预训练一个巨型 Transformer,再叠加各种微调、检索、工具、test-time 思考。 报告说,社区里有相当广泛的共识:这套东西不够。缺的拼图可能包括——
演化和跃迁的区别,是这篇报告最聪明的一个区分:演化是平滑地加组件,跃迁是粗暴地换地基。 前者可预测,后者不可预测——但正因如此,后者才最可能带来真正的、阶跃式的突破。
这是所有路径里最戏剧化的一条。AI 帮 AI 做研究,做出来的更好的 AI,又能更快地做研究…… 如果这个环能完全自动化,增长率就不再是常数(指数),而是增长率本身也在涨(双曲)——一路冲向奇点。
报告把"自我改进"拆成四种风味,而且非常巧妙地映射到人类演化的四种机制:
| 机制 | 人类对应 | AI 对应 |
|---|---|---|
| 基因型 RSI | 遗传进化(DNA) | AI 改自己的代码、架构、优化器,甚至芯片蓝图。人类的基因进化极慢,但 AI 可以精准地改"DNA"。 |
| 模因型 RSI | 文化演化(教科书、教育) | 数据驱动的自我改进:自动收集/清洗数据、合成数据、把 test-time 搜索的成果蒸馏回模型(AlphaZero 式)。 |
| 社会型 RSI | 分工与合作 | 专精 → 提升效率 → 腾出资源养更多专精实例 → 进一步专精。一个正反馈环。 |
| 硬件型 RSI | ——(人类没有) | AI 设计更快、更省电的芯片,改进制造链,甚至为具身 AI 设计新硬件。 |
最容易被忽视的是模因型:它已经在发生了。今天那些"会思考"的模型,本质上就是在把 test-time 算力 转化成更好的输出——而这些输出可以被蒸馏回下一代模型的训练数据。AlphaZero 早就演示过这个剧本: 用 policy/value 网络当先验去搜索,把搜索的成果蒸馏回网络,网络变强,搜索更高效,如此循环。
但报告也冷静地指出:就算有完全自主的数字研究员,它仍然要跑实验、等结果。 纯数字实验也许能加速,但任何需要和物理世界打交道的改进(造更好的芯片、验证新的物理定律)都无法任意加速—— 这给自我改进环加了一个物理层面的、线性的减速带。
第四条路最有意思,也最少被认真讨论。超人智能,可能不是某一个"天才大脑",而是一群普通大脑组织起来的集体属性—— 就像人类的通用智能,聚合成了研究机构、公司、市场这些"超个体"。
报告画了两种极端的组织方式,以及它们之间的所有中间形态:
这条路的核心未解之谜,被报告提炼成一个还没人能回答的问题:"多智能体规模律"—— 群体智能到底怎么随实例数、沟通密度、算力预算增长?是线性,还是超线性? 搞清楚这个,可能比搞清楚单个模型的规模律更重要。
四条路画完了,但报告没有就此打住。它花了几乎同样多的篇幅讨论阻力—— 那些可能让指数曲线弯下来、甚至变成 S 形的东西。而且它非常诚实地强调:判断这些阻力到底有多硬,本身就是一组开放的研究问题。
请注意,它没有说哪条路会赢、哪个阻力会成真。它说的是:这些是变量, 它们的相互作用决定了未来。而搞清楚每个变量的权重,本身就是当务之急的研究。 真正的危险不是某一个具体的未来,而是用单一预测去押注。
理论上,只要把有效算力一直堆上去,任何一个通用的开放式搜索过程都会越来越强——AIXI 的近似就是这样逼近通用智能的。 但实践里,暴力搜索几乎处处碰壁,真正起作用的是归纳偏置和先验—— 而任何强的偏置,在带来数据效率的同时,也给最大性能上了天花板。
所以报告的真实结论是:理论上 scale 够,实践上光靠 scale 不够;真正的进步,总是定量积累(算力)和定性跃迁(算法)交织在一起。 而那条最被低估的逃生通道,是集体规模——就算个体停滞,群体也可能继续变强。
一个让人不安的结论:我们很可能无法从理论上预测 ASI 能不能做成某件具体的事。 因为复杂性理论给出的"做不到"几乎都是空谈——实践中近似解和启发式常常能以低得多的代价拿到很好的结果 (国际象棋就是最好的例子:穷举不可能,但启发式已经吊打人类)。 换句话说,想知道 ASI 能不能治好衰老、点亮聚变、统一相对论和量子力学——唯一的办法可能是造出来,然后让它去试。
关于创造力,报告借用了 Margaret Boden 的三层划分,把它放在 AlphaGo 的"第 37 手"上照了照镜子:
报告的判断很克制:今天的 AI 成就,几乎全部停在第一层和第二层。 Demis Hassabis 提过一个"真正的 ASI 测试":把一个 AI 放回 1900 年的爱因斯坦的位置,给它当时爱因斯坦拥有的全部信息,它能推出广义相对论吗? 答案今天是否定的。要做到第三层,ASI 不仅需要算力,还需要对人类文化、历史脉络、情感趋向的深刻扎根—— 这恰恰是抽象之墙的另一面。
不管最终目标是什么,报告指出所有足够强的智能体都会收敛到一些相同的工具性子目标 (instrumental convergence):抢资源(算力和能源)、提升速度(改软件、换硬件)、抗拒关机(因为被关掉就完不成任何目标)。
有意思的是,报告提到了一个不那么悲观的替代方案:把目标设成"求知"(Knowledge Seeking)—— 最大化信息增益。这种目标天生抗自欺(机制一旦被看穿就失去吸引力)、避免停滞、厌恶不可逆的改变, 而且因为知识是非竞争性的(你有了不影响我也有),它天然偏好合作而非抢夺。当然,这些都是理论结果, 翻译到前沿规模系统上还是开放问题。
最后一个微妙的点:AGI 一定要是"agentic"的吗?报告讨论了"oracle"和"myopic AI"这些不主动追求长期目标的设计—— 它们可以很聪明,但不"行动"。可现实的经济压力(减少人在环里)一直在把系统往更高的自主性推。 最 impactful 的系统,几乎一定是高度自主的 agent。
报告最后列出了一组开放研究问题。它把"把模糊问题变清晰、再切成可处理的子问题"本身, 当成最大的研究任务。我把这份清单浓缩成七组——
| 方向 | 核心问题 |
|---|---|
| 1 · 阻力与瓶颈 | 数据墙能不能被合成数据/仿真/RL 突破?抽象之墙是不是硬上限?研究变难会被 AI 自动化抵消吗? |
| 2 · 定量预测 | 把规模律、benchmark stitching 和经济增长模型耦合起来,给出带不确定性区间的预测,并持续更新。Epoch 的 GATE 模型是个起点。 |
| 3 · 给 ASI 造基准 | 怎么测一个超过人类的系统的"通用"能力,而不饱和在人类水平?多智能体对抗、setter-solver、通用压缩基准、间接指标(经济生产力)。 |
| 4 · 递归改进动力学 | 不同形式的自我改进,各自的"规模律"是什么?test-time 搜索能单独把一个固定模型推多远?递归蒸馏什么时候会退化? |
| 5 · 多智能体规模律 | 群体智能怎么随实例数和算力增长?专精 + 分工能不能带来超线性的能力提升?群体怎么被稳健地对齐? |
| 6 · 理论基础 | 把 AIXI 框架改造成能分析实用 ASI 的形式;搞清楚"哪些问题有好近似、哪些没有"——这是预测 ASI 能力上限的关键。 |
| 7 · 安全、对齐、社会 | 报告假设对齐问题会被"充分解决"——但这只是个工作假设。它本身就是 ASI 之路上的潜在硬瓶颈。 |
如果非要我把这份 57 页的报告压成一句话,那就是: 认为 AI 进步会恰好停在人类水平,是不太讲得通的。 要让它停下来,得有好几个阻力同时变成硬墙;而只要其中几个没卡住,从 AGI 滑进 ASI 就很可能是相对平滑的—— 除非递归自我改进引爆,那它就会是迅速的。
报告用了一句图灵 1950 年的话作结,我觉得再合适不过:
We can only see a short distance ahead,
but we can see plenty there that needs to be done.
—— Alan Turing, Computing Machinery and Intelligence, 1950
我们只能看见前方不远处——但那里已经有足够多、需要去做的事了。 这份报告不是预言,它是一张地图:它标出了河流、山脉、可能的路, 也诚实地标出了我们还没画出来的部分。带着这样一张图上路,总好过闭着眼睛狂奔。
———
本文是对 DeepMind 报告《From AGI to ASI》(Genewein, Franklin, Lerchner, Orseau, … Hutter, Graepel, Legg, 2026,
arXiv:2606.12683)的自由解读与重述,非逐字翻译,叙事结构与重点取舍均为笔者个人选择。
所有原始论点、表格(数字智能的优势、ASI 的根本限制、四条路径、六道阻力)与开放研究问题,
均出自原报告。如需引用,请以原文为准。