倘若通用人工智能（agi）明日即至，ai 的下一程将驶向何方？
Google DeepMind 联合多方研究者在最新发布的报告中指出：AGI 极可能并非智能演化的终点。他们认为，AI 不会止步于类人能力，而将持续跃升——超越个体人类专家，进而超越协同高效的人类顶尖团队，最终迈向超级人工智能（ASI）。
正如艾伦·图灵在 1950 年所言：“我们仅能望见前方短短一程，却也清晰看见，那里尚有浩繁工作亟待完成。”
该报告系统梳理了从 AGI 迈向 ASI 的四条潜在演进路径、可能遭遇的核心瓶颈，以及亟需优先探索的关键科学问题。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
论文地址：https://www.php.cn/link/f3e103fc9a7168e952f17fc35fe68d90
研究团队强调，由于 ASI 的发展轨迹存在高度不确定性，目前无法排除 AI 在未来数年内持续加速演进的可能性。这意味着，将 AGI 视为一次“单一、突变式社会跃迁”的设想，或许过于简化。
更现实的图景或许是：AI 驱动的突破将如涟漪般扩散，在基础科学、工程技术、生物医药、材料设计等多领域接连发生，从而引发层层递进、广泛而深刻的社会变革。
为此，亟需启动一项具备全球视野、跨学科深度协作、并承载广泛公共关切的大型系统性工程。
AGI 之后，并非终点，而是 ASI 的起点
在探讨 AI 如何进一步跃升前，研究团队首先厘清了三个常被混淆的概念：AGI、ASI 与 UAI。
AGI（Artificial General Intelligence）：指在绝大多数认知任务上达到人类中位水平的通用智能系统。其对标的是普通人的综合认知能力，而非某一领域的顶尖专家。团队亦指出，首代 AGI 或已在部分任务上超越人类，但尚缺乏足够广谱的泛化能力与任务覆盖。
ASI（Artificial Super Intelligence）：它并非仅在若干细分任务上胜出，而是在几乎所有人类重视的认知与实践领域，整体性地超越人类；其参照系亦非单个天才，而是组织严密、分工精细、响应迅捷的大规模人类专家共同体。
UAI（Universal Artificial Intelligence）：代表机器智能的理论极限，由 AIXI 框架形式化刻画。AIXI 描绘了一种理想化的最优通用智能体，现实中所有 AI 系统只能不断逼近这一上界，而无法真正抵达。
此外，团队强调，AGI 到 ASI 的演进未必遵循唯一路径。他们归纳出四条可能并行、相互增强的发展路线：
路径一：算力、模型与数据的持续扩展
延续过去十年 AI 发展的核心逻辑——更强芯片、更大训练规模、更高算法效率、更庞大参数量与更海量数据。团队指出，“有效算力”近年年均增长约十倍。此路径下的能力跃升，不仅源于单模型性能提升，更来自更多实例部署、更低延迟推理、更大规模协同调度所带来的群体性能力放大。
路径二：算法持续进化，乃至范式级突破
当前进展如超长上下文建模、终身持续学习、检索增强生成、自主工具调用、具身环境中的鲁棒决策、世界模型构建等，仍属既有范式的深化；而全新架构设计、根本性训练目标重构或颠覆性学习机制，则更接近真正的范式跃迁。团队未预判下一次范式革命的具体形态，但确信其仍是 AGI 后时代关键驱动力之一。
路径三：递归式自我改进闭环
更强的 AI 可参与研发下一代更强 AI，形成正向增强循环。该机制可体现在算法优化与代码生成、专用硬件设计、高质量合成数据构造与筛选、乃至科研流程自动化与分工重构等多个层面。AlphaZero 中“搜索强化输出→蒸馏回模型”的迭代过程，即是雏形之一。更关键的问题在于：这种自我增强能否稳定扩展？其收敛边界又在何处？
路径四：多智能体协同与群体智能涌现
此路径聚焦于大量 AGI 实例通过专业化分工与动态协作，涌现出远超单体能力上限的集体智能。团队将自动化科研机构、AI 驱动的企业实体、虚拟经济生态等，均视为该路径的潜在落地形态。依此逻辑，ASI 或未必体现为一个“神级单体”，而更可能是高度自治、自适应、可扩展的 AI 协同网络。
团队亦提醒：AGI 向 ASI 演进，绝非单纯堆砌算力即可达成。算力扩张固然关键，但很快将遭遇物理资源与经济成本的硬约束；唯有同步推进算法创新，甚至催生新范式，才可能突破瓶颈。尤为值得重视的是：哪怕单个 AGI 仅略逊于人类平均水准，只要其规模化部署后能实现高效率协同，整体智能产出仍可能全面碾压人类集体。
真正的障碍究竟在何处？
在剖析四条路径之后，研究团队进一步识别出六类可能制约 AI 持续跃升的关键瓶颈：
1. 数据枯竭风险（Data Wall）
高质量人类生成文本数据总量有限。适用于大模型预训练的优质语料，或将在本十年内趋于耗尽。AI 自生成数据、高保真模拟环境数据、以及 AI 与物理世界实时交互产生的原生数据流，能否及时、足量、高质地填补缺口？团队未作断言，而将其列为首要不确定性来源。
2. 经济与自然资源承压
若进步仍高度依赖规模扩张，则能源消耗、先进制程芯片供给、数据中心基建、全球供应链韧性及巨额资本投入，都将构成现实制约。团队承认这是硬约束，但也指出：AI 自身亦可提升能源利用效率、优化硬件设计、加速新材料发现，从而部分对冲上述压力。
3. 当前神经网络范式存在固有局限
团队未否定现有路线通向 ASI 的可能性，但明确警示：在持续学习稳定性、复杂推理可靠性、开放环境决策鲁棒性、不确定性量化表达、幻觉抑制及抗提示注入攻击等方面，现行架构或面临本质性挑战。
4. 科研边际难度陡增
随着领域日趋成熟，每单位进展所需投入呈指数上升。AI 是否能通过全自动科研流水线（如自动提出假设、设计实验、分析结果）有效抵消这一趋势？尚无实证支撑，亟待系统验证。
5. 抽象概念的原生构建壁垒
团队推测：若当前 AI 主要习得人类已编码的概念体系与符号系统，它或擅长重组既有知识，却未必具备从原始感知中自主提炼全新“概念原语”的能力。举例而言，一个仅用前牛顿时代文献训练的大模型，几乎不可能仅凭这些输入独立推导出广义相对论或量子力学框架。
6. 监管框架、治理机制与社会接受度
许可审批门槛、强制性安全审计、事故强制披露制度，以及重大事件引发的公众信任滑坡与政策收紧，都将显著影响 AI 能力拓展节奏。这已不仅是技术命题，更是涉及法律、伦理、政治经济与大众心理的复合型挑战。
评估体系的重构迫在眉睫
报告最后直面一个尖锐现实：当 AI 能力普遍超越人类，我们拿什么来衡量它？
当下主流 benchmark 多以人类表现为标尺。一旦 AI 在标准化考试、编程挑战、数学证明、专业问答及领域知识测评中全面逼近甚至超越顶尖人类，原有评测体系便迅速失效。因此，亟需构建面向后 AGI 时代的新型评估范式，包括：多智能体博弈与协作任务、AI 自动生成并动态更新的测试集、通用信息压缩能力测验、经济价值创造效率等间接指标，以及具备自演化、抗饱和、可持续迭代特性的长效评估机制。
需说明的是，本报告并非实验性论文，而是一份聚焦“后 AGI 时代”技术演进全景的前瞻性综述。团队指出，未来重点方向应涵盖：现有 AGI 系统的能力纵深拓展、新一代 AI 范式的探索性验证、递归式自我改进系统的工程化实现、以及大规模多智能体协同架构的设计与验证。
最后，团队强调：ASI 并非无所不能的“万能魔法盒”。它依然受制于基本物理定律、计算复杂性理论边界、可用数据质量与规模、物质与能源资源上限、实验验证周期长度，以及现实世界反馈获取速度等多重刚性约束。AI 将沿哪条路径前行？速度几何？当前仍充满未知。唯有建立动态演进的基准体系、预测框架与研究基础设施，方能在高度不确定中锚定理性判断。
本文源自微信公众号 “学术头条”（ID：SciTouTiao），作者：学术头条，经 36氪授权发布。
