先说结论:2026 年 11 月 19 日,Google DeepMind Institute 发表《AGI 之后是什么?》,明确提出 AGI(人类水平通用智能)不是 AI 发展的终点,而只是智能连续谱上的一个节点;AI 可能继续沿这条谱向上走到 ASI(人工通用超级智能),并给出四条潜在技术路线,同时强调真正的挑战不只是 "造出更强的 AI",还包括如何衡量、预测和治理这种进步。原因是随着模型能力、计算效率和多智能体协作提升,AI 即便不发生颠覆性突破,仅凭数量、速度和成本下降也可能跨过 AGI;但每条路都有瓶颈,且结果远非确定。DeepMind 的主张是别只盯着 "实现 AGI" 这一个里程碑,现在就该把 "AGI 之后" 的路径、速度和社会影响纳入研究和治理框架,方法上坚持 "建模、测量、预测、再迭代"。下面把定义、四条路线、瓶颈和应对讲清楚。
一、先把三个概念分清
| 概念 | 含义 |
|---|---|
| AGI | 大致达到中等人类水平的通用智能,在足够广泛的认知任务上接近普通人,而非单领域夺冠 |
| ASI | 在几乎所有人类关心的任务上,持续超越由大量专家长期协作组成的人类组织;能用更少资源、更短时间完成大团队数年的科研或研发成果 |
| UAI(AIXI) | 数学上理想化的通用智能体,代表机器智能的理论上限,不可计算,只是理论灯塔 |
补充:今天 AI 已在国际象棋、围棋、蛋白质结构预测、部分数学证明等单点任务上超过人类,但这属于窄域突破,不等于 AGI,更不等于 ASI。
二、为什么 "光靠规模" 也可能把人推向 ASI:认知工业化
DeepMind 把计算红利拆成三个复利因素,过去十年叠加出全球有效算力年增至少 10 倍:
- 硬件:每美元算力约每年 1.5 倍增长(六十年趋势)。
- 算法效率:达固定性能所需训练算力每年降约 3–6 倍,推理效率约每年 3 倍。
- 算力投资:AI 硬件支出约每年 2.5 倍增长,最大前沿训练 run 的训练算力年增超 4 倍。
由此推演:十年后今天花 10 亿美元才能做的认知工作可能只花约 1000 美元(Epoch 研究显示 2023 年以来固定基准达标成本年降超 13 倍)。数字智能相对人脑有五个独有优势:处理速度快、工作记忆超大、可跨硬件迁移(基底独立)、可无损瞬时复制、能高带宽共享经验。即使基础能力不突变,把数十亿高速运行的 AGI 实例并行协作,数量和速度的量变本身可能构成通往 "弱 ASI" 的桥。
三、通往 ASI 的四条技术路线
| 路线 | 核心做法 | 主要瓶颈 |
|---|---|---|
| 1. 扩展模型与数据 | 继续堆训练数据、模型规模、训练与测试时算力,靠缩放定律提能力 | 高质量数据墙、模型收益递减、能源 / 电网 / 芯片制造等物理与经济约束 |
| 2. 技术范式转变 | 可能需要新架构、新记忆机制、新世界模型,而非只把 Transformer 做大 | 持续学习、世界建模、决策、样本效率、发明全新抽象概念等短板能否靠现有范式解决尚无定论 |
| 3. 多智能体协作 | 成千上万 AGI 实例组成 "群体智能" 或虚拟智能体经济,靠分工协作涌现超组织能力 | 协调效率随规模递减、通信成本、信息失真,还需防欺骗、合谋和错误信息扩散的制度设计 |
| 4. 递归自我改进(RSI) | AI 参与研发下一代 AI,形成 "更强的 AI 帮研发更强 AI" 的正反馈 | 发现有效改进越来越难、缺可靠评估反馈会停滞或退化;可自动验证领域(如数学证明)先行 |
RSI 分三层:代码与设计优化(模型架构、训练算法、芯片布局,类比遗传进化)、数据驱动改进(生成高质量训练数据,AlphaZero 即此类,类比文化进化)、群体分工改进(类比社会演化)。
关键提醒:四条路不互斥、会互相叠加;只限制训练算力等单一维度挡不住整体进展,被压制的维度一旦突破还可能造成 "能力悬垂",出现突然跃升。
四、演进路上的六道瓶颈(6 月技术报告)
- 数据:高质量人类数据不是无限的,合成数据 / 仿真 / 自我对弈能否补足仍未知。
- 资源:芯片、电力、冷却、土地、供应链和资本构成硬约束。
- 现有范式:神经网络能否覆盖长期自主行动、稳健因果推理等核心能力存疑。
- 研究本身变难:低垂果实摘完,提升研究效率能否跑赢研究变难的速度是未知数。
- 抽象屏障:AI 多是重组已有知识,能否发现人类尚未提出的新概念、新理论,并通过物理实验验证。
- 社会有意放缓:安全、伦理、就业、军事等问题可能触发监管、国际协议和公众刹车,同时又被经济与地缘竞争拉扯。
五、DeepMind 的应对主张
- 不要把未来看成 "AGI 单点降临" 的奇点事件,而要看成一连串由 AI 推动的科学、技术与社会变化叠加。
- 行动框架:建模(model)、测量(measure)、预测(forecast)、重复迭代。
- 现实要求:现有测试在超人类区间会失效,需要新基准、自动化验证和预测模型;这需要前沿实验室与各国、全球机构大规模跨学科协作。
- 机会面:持续快速发展可能加速医学、材料、清洁能源等领域突破;即使 ASI 不快速到来,认知工业化也会重塑知识工作和经济。
【相关 FAQ】
问题 1:DeepMind 说 AGI 还不是终点,那它定义的 ASI 是什么?
回答 1:ASI(人工通用超级智能)指在几乎所有人类关心的任务上,持续超越由大量专家长期协作组成的人类组织的系统,能用更少资源、更短时间完成大团队数年的科研或工程成果;它不是单领域世界冠军,而是通用意义上的超专家组织。
问题 2:从 AGI 到 ASI,DeepMind 提出了哪四条技术路线?
回答 2:分别是继续扩展模型与数据规模、推动技术范式转变、提升大规模多智能体协作、实现递归自我改进(RSI);四条路并行叠加,任一条受阻时其他路线仍可能推动进步,不能只靠限制单一维度。
问题 3:什么是 DeepMind 说的 "认知工业化",它和 ASI 有什么关系?
回答 3:认知工业化指硬件、算法效率、算力投资三因素复利推动有效算力年增约 10 倍、认知成本快速下降,使认知工作像工业时代体力劳动一样标准化、自动化、规模化;仅凭 AGI 实例的数量、速度与复制协作,也可能形成通往弱 ASI 的量变。
问题 4:递归自我改进(RSI)为什么不一定带来 "智能爆炸"?
回答 4:因为发现新改进会越来越难,且若反馈与评估不可靠,循环会停滞甚至退化;它在可自动验证的领域(如数学证明)进展更快,依赖现实判断的领域会慢下来,不能假定指数失控增长。
问题 5:面对 AGI 之后的 ASI,DeepMind 建议人类怎么做?
回答 5:核心是 "建模、测量、预测、再迭代":建立可跟踪超人类能力的新基准与自动验证机制,由前沿实验室联合国家和全球机构跨学科协作,把路径、速度和社会影响提前纳入研究与治理。
【参考资料】
- [2026-11-20](AGI 还不是终点,DeepMind 开始思考 ASI 的未来)36 氪(机器之心)
- [2026-11-19](What comes after AGI? From AGI to Superintelligence)DeepMind Institute
- [2026-11-19](DeepMind Institute Maps Four Routes From AGI to Superintelligence)Unite.AI
- [2026-06-15](谷歌 DeepMind 最新论文揭秘 AI 终局:从 AGI 到 ASI,有 4 条路和 6 道关)智源社区
- [2026-06-12](From AGI to ASI)Google DeepMind 研究报告
【免责声明】
本文为前沿研究观点梳理,内容来自 DeepMind Institute 公开文章及合作研究报告,文中预测(如算力增长、成本下降)均为趋势外推而非确定性承诺;ASI 的时间、路径与影响存在重大不确定性,本文不构成技术预测或投资建议,具体判断以 DeepMind 及同行评审研究为准。
