編輯｜Panda

今年 2 月，谷歌 DeepMind CEO 德米斯·哈薩比斯在印度 AI 峰會上發(fā)表了一番令人屏息的預(yù)言：「AGI 到來后，將產(chǎn)生工業(yè)革命十倍的影響，但以十倍的速度發(fā)生——大概在十年內(nèi)展開，而不是一個世紀(jì)?！顾€認(rèn)為，AGI 可能將在 5 年內(nèi)到來。

這不是科幻小說的臺詞。說這話的人是親手打造 AlphaGo、AlphaFold 的那個人。

而在哈薩比斯的身旁，還有另一個更耐人尋味的存在——他的聯(lián)合創(chuàng)始人Shane Legg，自 2009 年起就在公開場合聲稱：「AGI 在 2028 年到來的概率是 50%。」這個預(yù)測，他堅持了 17 年。

節(jié)選自 Shane Legg 去年底參加的播客《The arrival of AGI》

就在前兩天，這位 Legg 與十余位谷歌 DeepMind 頂尖研究員聯(lián)手發(fā)布了一份長達(dá) 57 頁的報告：《從 AGI 到 ASI》。報告的核心問題不再是「AGI 何時到來」，而是當(dāng)我們真的造出了與普通人類認(rèn)知水平相當(dāng)?shù)?AI 之后，會發(fā)生什么？

這是一個比「AGI 何時到來」更難回答、也更值得認(rèn)真對待的問題。

• 論文標(biāo)題：From AGI to ASI
• 論文地址：https://arxiv.org/abs/2606.12683

一道被跳過的追問

過去幾年，「AGI 時間線」幾乎成了科技圈最熱的話題游戲。馬斯克說 2026 年就是奇點之年，OpenAI 的奧特曼預(yù)測 2028 年，就連一向持懷疑態(tài)度的 LeCun 也將自己的預(yù)測從「遙遠(yuǎn)未來」拉近到了 2030~2035 年。

但在這場預(yù)測競賽中，有一個問題幾乎沒人認(rèn)真回答：就算 AGI 真的來了，它會停在那里嗎？

人類歷史上，每一種可以自我強(qiáng)化的技術(shù)從未真正停在原地?；鹚幰龃笈?，蒸汽機(jī)引出工業(yè)革命，互聯(lián)網(wǎng)引出智能手機(jī)時代。當(dāng)我們在討論「AGI 到來的那一刻」時，我們可能忽視了更重要的問題：AGI 到來之后的十年，會是什么樣子？

這份新報告給這個問題起了一個正式的名字：從AGI（通用人工智能）到ASI（超級人工智能）的過渡。

所謂 ASI，按照報告的定義，是「在幾乎所有任務(wù)和領(lǐng)域中，超越數(shù)以萬計訓(xùn)練有素的人類專家組成的協(xié)作集體」的系統(tǒng)。不是超過某個天才，而是超過整個專業(yè)領(lǐng)域的集體智慧。

數(shù)字智能的天然優(yōu)勢

在正式討論路徑之前，報告用一張表格點破了一件容易被忽視的事：數(shù)字智能與生物智能在本質(zhì)上是不對稱的競爭。

人類的大腦是碳基的、速度受限的、無法復(fù)制的。而 AI 則不同。

一個 AI 系統(tǒng)可以以越來越高的帶寬攝入信息：今天的大模型已經(jīng)能在幾秒內(nèi)「讀完」一整本書。它的內(nèi)部處理速度可以隨算力增加而提升，不受神經(jīng)元放電速率的束縛。它的記憶容量可以比人類大得多，而且不會遺忘。

更關(guān)鍵的是：AI 可以被完美復(fù)制，不僅復(fù)制它的「代碼」，還可以復(fù)制它的「人生經(jīng)歷」（即模型的權(quán)重狀態(tài)）。如果需要，可以在幾小時內(nèi)從一個實例變成一百萬個。

這些優(yōu)勢會隨著算力的增加而不斷擴(kuò)大，而人類在這一維度上幾乎沒有對等的反制手段。

報告估計，當(dāng)前 AI 的「有效算力」（綜合了硬件進(jìn)步、投資增長和算法效率三個因素）每年增長約 10 倍。過去十年，這個增速相當(dāng)穩(wěn)定。

四條通往 ASI 的路徑

報告的核心是系統(tǒng)梳理了從 AGI 邁向 ASI 的四條可能路徑。它們并不互斥，很可能同時推進(jìn)。

第一條：持續(xù)擴(kuò)大規(guī)模。

這是當(dāng)前 AI 進(jìn)步的主要驅(qū)動力：更大的模型、更多的數(shù)據(jù)、更多的算力。報告指出，如果「更多算力等于更高智能」的邏輯成立（就像國際象棋引擎那樣），那么僅憑量變就可能觸發(fā)質(zhì)變。

最極端的場景是：假設(shè)人類水平的 AGI 每次運行成本較高，最初只能運行 1000 個實例。但隨著算力每年增長 10 倍，五年后就能運行 1 億個實例，或者讓同樣的 1 百萬個實例運行速度快 100 倍。這樣的擴(kuò)大，算不算超級智能？

第二條：算法范式轉(zhuǎn)變。

當(dāng)前的 AI 范式是用海量數(shù)據(jù)預(yù)訓(xùn)練大型 Transformer 模型，再輔以各類微調(diào)和推理增強(qiáng)；然而，這一范式可能并不足以直接到達(dá) ASI。研究者們正在探索的方向包括：真正意義上的持續(xù)學(xué)習(xí)（不再遺忘舊知識）、能在開放環(huán)境中可靠決策的智能體、以及基于神經(jīng)形態(tài)硬件或強(qiáng)化學(xué)習(xí)的全新訓(xùn)練范式。

這條路徑最難預(yù)測，因為真正的范式轉(zhuǎn)變往往是突然發(fā)生的。但報告指出，恰恰因為難以預(yù)測，它更不應(yīng)該被忽視。

第三條：遞歸自我改進(jìn)。

這是最令人興奮、也最令人不安的路徑。

設(shè)想這樣一個閉環(huán)：AI 幫助改進(jìn) AI 的研究與開發(fā)，這產(chǎn)生了更強(qiáng)的 AI，更強(qiáng)的 AI 又進(jìn)一步加速了研究進(jìn)展……如此循環(huán)。報告把這個過程類比為人類的「基因進(jìn)化」（更好的代碼和硬件設(shè)計）、「文化進(jìn)化」（更好的訓(xùn)練數(shù)據(jù)和知識積累）和「分工進(jìn)化」（專業(yè)化的 AI 協(xié)作系統(tǒng)）三種機(jī)制的同步運轉(zhuǎn)。

AlphaZero 已經(jīng)展示了這種機(jī)制的雛形：它通過與自己對弈，不斷用搜索結(jié)果來改進(jìn)自己的「直覺」（即策略網(wǎng)絡(luò)），從而以極低的計算代價大幅提升棋力。類似的邏輯，在 AI 研究本身中是否也能發(fā)生？

最新的「AI 科學(xué)家」系統(tǒng)（如 AlphaEvolve）已經(jīng)展示了 AI 可以自主發(fā)現(xiàn)新的數(shù)學(xué)構(gòu)造和算法。報告認(rèn)為，如果這一能力進(jìn)一步成熟，遞歸自我改進(jìn)就不再是科幻，而是工程學(xué)問題。

第四條：多智能體協(xié)作涌現(xiàn)。

單個人類的智識有限，但一家擁有數(shù)萬名頂尖專家的研究機(jī)構(gòu)卻能解決任何一個個體都無法獨立攻克的難題。AI 的集體，是否也能產(chǎn)生類似的涌現(xiàn)？

報告提出了一個有趣的概念：「認(rèn)知分工」。當(dāng)成百上千個專業(yè)化的 AGI 實例組成協(xié)作網(wǎng)絡(luò)，分解復(fù)雜任務(wù)、并行推進(jìn)、高帶寬交換結(jié)果，集體智能可能遠(yuǎn)超任何單一成員。

與人類組織不同的是，AI 集體的通信帶寬極高，不需要用復(fù)雜的層級結(jié)構(gòu)來彌補溝通瓶頸。報告甚至半開玩笑地提到：一個「AGI 首席執(zhí)行官」在某種字面意義上，真的可以直接與每一個「員工實例」溝通，消除官僚摩擦。

六道可能的減速關(guān)卡

路徑描繪清楚了，但報告并不樂觀地認(rèn)為哪條路一定暢通無阻。研究者們列出了六個可能成為真正瓶頸的障礙。

數(shù)據(jù)墻。互聯(lián)網(wǎng)上的高質(zhì)量文本已接近耗盡，預(yù)計本世紀(jì) 20 年代末就會遭遇天花板。AI 生成的合成數(shù)據(jù)如果不加甄別地反復(fù)訓(xùn)練，會導(dǎo)致「模型坍塌」，就像一個只讀自己作文的學(xué)生，越來越像在原地打轉(zhuǎn)。解決方案是通過仿真、交互學(xué)習(xí)和搜索增強(qiáng)來生成更高質(zhì)量的訓(xùn)練數(shù)據(jù)，但能否跑贏擴(kuò)大規(guī)模的速度，目前仍是未知數(shù)。

經(jīng)濟(jì)與資源的極限。持續(xù)擴(kuò)大規(guī)模需要持續(xù)增長的投資、芯片生產(chǎn)、能源和數(shù)據(jù)中心。報告甚至提到了「軌道數(shù)據(jù)中心」這樣的極端方案，但隨即指出其帶來的風(fēng)險：火箭發(fā)射會削弱臭氧層，退役硬件在大氣層燃燒會改變高空大氣，而軌道擁擠可能導(dǎo)致災(zāi)難性的碰撞連鎖反應(yīng)。擴(kuò)大規(guī)模的代價，可能不只是電費單。

神經(jīng)網(wǎng)絡(luò)范式的天花板。大型預(yù)訓(xùn)練模型，疊加再多后處理和推理增強(qiáng)，可能依然到不了 AGI。這一擔(dān)憂并非空穴來風(fēng)，而是來自對當(dāng)前架構(gòu)深層局限性的分析。

研究變得越來越難。經(jīng)濟(jì)學(xué)家 Bloom 等人的研究表明，大多數(shù)成熟領(lǐng)域的「每研究員產(chǎn)出」都在隨時間下降。AI 研究也不會例外。但反制力量同樣存在：如果 AI 能大規(guī)模自動化研究工作，那么「再多雇 18 倍的研究員」這件事，用算力來替代，可能只需要一年多的算力增長就能實現(xiàn)。

抽象壁壘。這是報告中最具哲學(xué)深度的一個概念。提出者 Lerchner 認(rèn)為：當(dāng)前 AI 系統(tǒng)本質(zhì)上是在「人類已有抽象框架」內(nèi)工作。它們的超人之處，主要來自更快的速度和更大的記憶，而不是真正能從原始感知數(shù)據(jù)中「發(fā)明新概念」。

報告舉了一個發(fā)人深省的例子：如果把一個頂尖現(xiàn)代大模型放到牛頓之前的科學(xué)環(huán)境中，給它同樣的數(shù)據(jù)，它能推導(dǎo)出廣義相對論嗎？答案幾乎可以肯定是否，因為它缺少「力」、「因果性」、「曲率」這些概念的原初構(gòu)建過程，而這些概念是人類花了幾個世紀(jì)、通過與物理世界的反復(fù)交互才提煉出來的。

這意味著，如果「發(fā)明真正新穎的概念框架」是通往 ASI 的必要條件，那么 AI 可能需要一種截然不同的學(xué)習(xí)方式：直接與物理世界互動。

主動減速。最后一個障礙與技術(shù)無關(guān)，而是政治性的：監(jiān)管機(jī)構(gòu)、公眾輿論、重大事故，以及國際競爭，都可能成為改變 AI 發(fā)展速度的力量。報告承認(rèn)，在沒有有效全球協(xié)調(diào)的情況下，單邊減速面臨「軍備競賽」壓力，但同樣承認(rèn)：如果發(fā)生足夠大的 AI 相關(guān)事故，公眾態(tài)度的逆轉(zhuǎn)可能使進(jìn)一步擴(kuò)大規(guī)模在政治上、法律上或商業(yè)上都變得不可行。

結(jié)語

報告以圖靈 1950 年的一句話作為書簽：「我們只能看清前方很短的一段距離，但我們能清楚地看到，那里有大量需要完成的工作。」

這種克制，在當(dāng)下充斥著「奇點宣言」的 AI 話語場中，顯得格外珍貴。

谷歌 DeepMind 這份報告并沒有給出「ASI 什么時候到來」的預(yù)測，也沒有斷言哪條路徑一定會勝出。它做的，是更扎實也更艱難的一件事：把「從 AGI 到 ASI」這段旅程的地形圖，盡可能清晰地畫出來，包括那些可能走通的峽道，也包括那些可能讓一切停步的懸崖。

當(dāng) AI 能力開始接近人類水平時，人類最需要的不是預(yù)測，而是準(zhǔn)備。

你準(zhǔn)備好了嗎？