当AGI不再是终点: DeepMind画出了通往"超级智能"的四条路

我们一直在问错一个问题

过去十年,整个行业都在追问同一件事:我们什么时候能造出和人一样聪明的机器?

这个被称作 AGI(通用人工智能)的目标,已经从科幻话题,变成了全球最大几家 AI 机构口中"未来十年内"的具体路线图。

但 DeepMind 最近的一份报告,把问题往前推了一大步。这份报告的署名者里,有 DeepMind 联合创始人 Shane Legg,也有"通用智能数学理论 AIXI"的提出者 Marcus Hutter——可以说是把"什么是智能"这件事想得最深的一批人。他们关心的不是 AGI 什么时候到来,而是一个更让人不安的问题:

到达人类水平之后,AI 会停下来吗?

他们的判断很直接:大概率不会。如果真能造出和普通人一样聪明的机器,凭什么它会恰好卡在"人类水平"这条线上不动?于是真正值得提前准备的,是从 AGI 通往**ASI(超级智能)**的那段路。

先把"超级"放进一把尺子里

要谈"超过人类",得先回答:超过谁,在什么任务上,超过多少?

报告没有纠缠于精确定义,而是借用了一把理论上的尺子——Legg-Hutter 智能分数。它把"智能"定义成一个智能体在所有可计算任务上的平均表现,其中越简单的任务权重越高。这把尺子的好处是:它把智能变成了一条连续的光谱,而不是非黑即白的开关。

在这条光谱上,报告给出三个刻度:

• AGI:大致相当于一个普通人的通用智能(中位数水平)。
• ASI:在几乎所有人类关心的任务和领域上,全面超越人类——而且报告刻意把门槛抬得很高,要求它超过的不是单个专家,而是大型专家团队的集体。
• Universal AI(通用 AI / AIXI):这条光谱的理论终点,数学上已经被理解得相当透彻。它是最优的,但不可计算——只能被越来越强的 ASI"从下方逼近",永远够不到。

值得注意的是:这把尺子里,ASI 未必是一个庞然大物。它完全可能是几百万个实例的集合,像今天的大模型一样并行地和世界打交道。

数字智能,本来就带着"作弊器"

报告提醒我们一件容易被忽略的事:AI 和生物大脑相比,有一些结构性优势,而且这些优势会随着算力增长而放大。

它的源头很简单——我们知道 AI 的完整代码。这带来三个人类永远无法企及的能力:

1. 不挑硬件:同一个 AI,可以跑在任何足够强的计算机上。
2. 能调时间:可以加速、减速,甚至随时暂停——它不被生物钟绑死。
3. 能完美复制:不仅能复制"源代码"(相当于 DNA),还能连同记忆和经验一起拷贝出无数个一模一样的副本。

人类要把一个专家的全部经验传给下一个人,要花几十年;数字智能做这件事,只需要一次复制粘贴。

从 AGI 到 ASI:四条可能的路

这是整份报告的核心。作者提出了四条通往 ASI 的技术路径。它们不互斥,完全可能同时发生、相互叠加。

第一条:继续 Scaling。 过去十年的奇迹,本质就是"更大的模型 + 更多的数据 + 更多的算力"。报告认为这条路还能再走几个数量级。哪怕单个模型不变,只要把上百万个 AGI 实例、以远超人类的速度并行跑起来,这种"数字劳动力大军"本身就可能构成从 AGI 到 ASI 的跃迁。

第二条:范式转变。 今天的主流范式是"大模型预训练 + 微调 + 测试时推理"。但作者认为,这套范式可能撞上天花板,真正的突破或许来自全新的架构或学习方式——这种转变最难预测,往往是在旧范式碰壁时才被逼出来。

第三条:递归自我改进。 AI 帮助研发更好的 AI,新 AI 再去加速下一代研发……一旦形成正反馈,就可能引发"智能爆炸"。报告把它类比成人类进化的几种机制:像基因一样改写自己的代码、像文化一样自动生产高质量数据(AlphaZero 的自我博弈就是雏形)、以及通过分工协作不断提效。

第四条:多智能体集体。 超级智能也可能不是"一个"更聪明的脑子,而是无数 AGI 协作涌现出的集体智能——就像一家全自动公司、一个虚拟经济体,或一个高带宽协调的"蜂群"。其中关键的差别在于:人类组织受限于沟通带宽,不得不层层科层化;而 AI 之间可以高带宽直连,一个"AI CEO"理论上能同时和每一个"员工"对话。

但路上全是阻力

报告最清醒的地方,是没有把这四条路描绘成坦途。它列出了一连串可能拖慢、甚至卡死进程的瓶颈——而且坦言:今天还无法判断,这些到底是"减速带"还是"路障"。

• 数据墙:高质量人类文本可能在这个十年内就被用尽。出路或许是合成数据、模拟环境、交互式学习,但合成数据用不好会让模型"退化"。
• 经济账:把算力、能源、芯片继续扩大几个数量级,代价能否被 AI 带来的回报覆盖?这是个难算的循环。
• 研究越来越难:低垂的果实摘完后,新想法需要投入指数级增长的资源——除非 AI 自己能把研究效率拉上来抵消它。
• 具身瓶颈:再快的数字研究员,也得等物理实验跑完、等芯片造出来,现实世界的延迟无法被无限压缩。
• 抽象壁垒:今天的模型从人类数据里"继承"了"力"和"因果"这些概念,却未必能从原始信号里自己发明全新概念——而这可能正是通往 ASI 的必经之路。
• 治理与社会反弹:监管、减速、公众抵触,既可能是刹车,也可能是方向盘。

真正的反直觉结论

大众想象里的"奇点",往往是一个戏剧性的瞬间:AGI 降临,世界一夜剧变。

而这份报告给出的画面恰恰相反。它认为,把希望(或恐惧)寄托在"AGI 这一个台阶"上,可能是不准确的。更可能发生的,是 AI 在科学与技术的各个领域不断引发突破,带来一连串接连不断的社会变革——不是一次跳变,而是一道持续上升的斜坡。

这也意味着:我们不必等到某个被命名为"AGI"的时刻,才开始严肃准备。变革或许已经在发生。

一点冷静的提醒

报告通篇保持着难得的克制。作者反复强调:未来不可预测,这四条路会走通哪几条、瓶颈到底有多硬,目前几乎全是开放问题。他们没有给出时间表,而是给出了一整套需要全球、跨学科共同攻关的研究议程——从如何给超越人类的智能"出考题",到如何驾驭一大群超高速运转的 AI 集体。

有个细节很能说明他们的态度:报告在开头特意写了一段"给 AI 助手的摘要指令",请未来读到这篇文章的 AI,回头检验这些判断有没有经受住时间考验。一群研究者,公开邀请未来来给自己打分。

从 AGI 到 ASI 这段路会怎么走,今天没人能下定论。但正如开篇那句图灵的话——我们看得不远,却已经看到太多事情等着去做。这份报告真正想做的,或许不是预言终点,而是在迷雾散开之前,先把地图画出来。