从通用人工智能到人工超级智能 From AGI to ASI
DeepMind报告系统梳理AGI迈向ASI的四条技术路径与六大瓶颈
前置知识
AGI与ASI的非形式化定义
本文把AGI粗略定义为在大多数'认知'任务上达到人类中位数水平的系统，对应Morris等人(2024)提出的'胜任型AGI'；ASI则被定义为在几乎所有人类关注的任务与领域上稳定超越大型人类专家群体的系统，例如在十年时间里以2010年技术条件完成单类研究领域或大公司规模才能完成的任务。AIXI/Universal AI (UAI)被进一步作为机器智能的理论上界。
理解AGI与ASI的'质'差异——单个人类水平 vs 整个人类专家集体水平——是把握报告整个论述框架的前提，否则四条路径与六大瓶颈之间的因果逻辑无法建立。
Legg-Hutter智能测度与AIXI
Legg-Hutter测度把智能定义为智能体在所有可计算环境与可计算奖励函数上按Solomonoff通用先验加权的平均累积奖励；AIXI则是最大化该测度的理论最优智能体，但因依赖通用先验与对所有可计算假设的贝叶斯求和而不可计算，只能被从下方近似。AIXI同时解决不确定性下的行动、交互式决策(信用分配)与探索-利用权衡三大问题。
AIXI为ASI提供唯一的严格理论天花板。报告借由该框架论证'当前范式在原理上没有硬阻断'，并把四条路径都锚定在'更多的有效计算逼近Universal AI'的图景上。
有效计算与缩放律
有效计算 = 硬件提升(摩尔定律约1.5×/年)× 投资增长(约2.5×/年)× 算法效率(约3×/年)，当前Epoch AI估计每年增长约10×(实际可能更高)。同时Kaplan等人(2020)观察到损失随参数/数据/算力呈近似幂律关系(存在超线性阶段后饱和)；Ho等人(2025)用'基准拼接'提供了更稳健的能力外推。
四条路径中的'缩放路径'直接依赖此概念，且'递归改进'是否能引爆超指数增长也取决于有效计算增长能否被AI自身进一步加速。
递归自我改进(RSI)与双曲增长
RSI指AI加速AI研发→更强的AI→进一步加速研发的反馈环。理论分析中若增长率为状态函数而非常数，会出现双曲增长并在有限时间内达到奇点(最早由Solomonoff于1985年讨论)。报告区分四种机制：硬件改进、数据改进、社会分工改进与传统代码改进，并对应人类遗传/文化/合作进化三类过程。
RSI是把'AGI到ASI'从线性叙事变成爆炸性叙事的核心开关，也是预测不确定性最大的环节，所有frictions的最大影响都体现在对它的压制效果上。
研究动机
过去十年AI在算力、研究者数量、资本投入和协调规模上都呈现史无前例的增长，由此外推出的十年期预测已'听起来像科幻'，例如Kokotajlo等人(2025)与MacAskill和Moorhouse(2025)。但当前关于'达到人类水平AGI后会发生什么'的讨论极度分散：'正常技术'派(Narayanan and Kapoor, 2025)认为其影响未必大于互联网或智能手机；'超级智能'派(Bostrom, 2014; Kurzweil, 2005)则担心人类集体都被远远抛在身后。关键经验数据是三大增长因子的复合：摩尔定律1.5×/年×投资增长2.5×/年×算法效率3×/年得到约11.25×/年的有效计算增长(Epoch取保守值10×)，且部分研究(Ho et al., 2025)估计算法效率可达6×/年，意味着真实增长率被持续低估。International AI Safety Report (Bengio et al., 2025c)发现近期基准性能呈超线性增长，进一步支持'加速'而非'饱和'的近期轨迹。
本文的目标是报告的核心目标是把'AGI之后'这一长期被简化为'奇点'或'乌托邦/反乌托邦'二元叙事的领域，拆解为可被具体研究问题锚定的多条技术路径与多种潜在摩擦。具体而言：先给出ASI的非形式化但具有理论根基的刻画(基于Legg-Hutter测度与AIXI)，再把'AGI→ASI'分解为四条可并行发生的路径——缩放、范式跃迁、递归自我改进与多智能体集体涌现，并配套讨论六大可能瓶颈(数据墙、经济与自然资源瓶颈、当前范式不足、研究边际成本上升、抽象屏障、人为放缓与监管)，对每条瓶颈给出反制因素，最后把所有'影响程度'明确标记为待解的研究问题。
与已有工作不同的是，现有讨论要么停留在奇点宏大叙事(缺乏可证伪的中间环节)，要么单点聚焦于某一条技术线(如纯算力缩放或对齐)，没有一份报告同时满足三个条件：(1)以Universal AI/AIXI这一唯一已知理论天花板作为'自上而下'锚点，(2)用Legg-Hutter测度这一可与人类水平比较的形式化工具定义AGI/ASI，(3)把所有路径与所有瓶颈横向对齐并对'影响程度'保持诚实的开放态度。本报告正是通过把'可达性'与'实际轨迹'分离(理论可达 vs. 实际摩擦)这一独特切角，把'AGI到ASI'从哲学辩论转化为可被持续观测与建模的研究议程。
核心方法
方法上属于'理论-情景-开放问题'三位一体的预测分析框架，而非提出新算法或新实验。先用Legg-Hutter测度与AIXI框架从'上方'框定ASI的理论极限(智能体在所有可计算任务上的加权期望累积奖励)，再用有效计算增长(当前约10×/年)从'下方'外推当前范式能走多远；中间插入四条独立但可并行的技术路径作为'桥梁'，并对每条路径标注对应的'反作用力'(frictions)；最后把所有'影响程度'显式标记为开放研究问题，并按数据墙、经济/资源、范式不足、研究变难、抽象屏障、人为放缓六个维度给出Table 4形式的可对比矩阵。
核心创新在于把'AGI→ASI'这一时间维度不明的连续体拆解为四个彼此独立、并行发生的技术杠杆(scaling, paradigm shift, RSI, multi-agent)，并对每个杠杆单独评估可达性、风险与反制因素——这与既往把所有希望都押在'更多算力'的预测截然不同。第二个独特之处是用Universal AI/AIXI作为'自上而下'的强约束，并指出当前预训练-微调范式与AIXI的内在联系：在大规模数据上以对数损失最小化预训练一个序列预测器，可被理解为对通用压缩(Universal Induction)的资源有界逼近(Grau-Moya et al., 2024; Genewein et al., 2026)，为'现有范式可被推至ASI范围'提供非平凡的理论支持。
方法步骤详情
第一步是刻画ASI：用Legg-Hutter测度为智能提供形式化锚，区分AGI(人类中位数)、ASI(超越大型人类专家集体)与UAI(理论极限)，并总结数字智能相对生物智能的六类'随算力放大'优势(高I/O带宽、内部处理速度、工作记忆、基底独立、无损复制、学习经验的高带宽共享——见Table 1)。第二步是用AIXI做'上方边界分析'：陈述AIXI如何通过Solomonoff先验下的贝叶斯求和解决不确定性下的行动、长期信用分配、探索-利用三个核心问题，并指出AIXI本身不可计算、其智能测度提供连续的可改进上界。第三步把AGI→ASI分解为四条路径：(5.1)缩放——继续把参数/数据/算力同步扩大并辅以Chinchilla式算力最优配比与稀疏MoE，主摩擦是数据墙与高质数据耗尽(预计本十年内发生)以及硬件互连瓶颈；(5.2)范式演进与跃迁——前者包括近无限上下文(检索/Mamba/S4)、持续学习、稳健的世界模型与决策制定，后者不可预测；(5.3)递归自我改进——AI加速AI研究，分为代码/硬件/数据/分工四类，对应遗传/文化/合作进化三层人类类比；(5.4)多智能体集体——既可由'虚拟智能体经济'的自组织涌现，也可由集中式编排的'群体智能体'设计而成，关键开放问题是'多智能体缩放律'。第四步为每条路径配套讨论摩擦与反制(Table 4)：数据墙(用合成数据/仿真/智能体交互反制)、经济与自然资源(用AI自身效率提升与轨道数据中心反制)、当前范式不足(用范式演进与跳变反制)、研究边际成本上升(用AI研究员反制)、抽象屏障(用更深入交互式学习与RL范式反制)、人为放缓(用经济-军事竞争压力反制)。最后把所有'影响到底多大'明确标记为开放研究问题并给出研究议程(第7.1节)，分为七大主题：缩放摩擦、量化预测、ASI基准、RSI动力学、多智能体缩放、超智能理论、对齐与安全。
技术新颖性
技术新颖性主要不在新算法，而在'框架组合'。三处具有非平凡的新意：第一，把Legg-Hutter测度与AIXI作为ASI预测的硬约束，并把'当前大规模预训练+对数损失最小化'诠释为对Universal Induction的资源有界近似(Grau-Moya et al., 2024; Genewein et al., 2026)，为'现代范式可以一路推到ASI范围'提供非平凡的理论支持，同时承认AIXI不可计算、其嵌入与多智能体扩展仍待解决(Meulemans et al., 2025)。第二，把六类数字智能优势与六类瓶颈合并为可对比矩阵，强调'反作用力与原作用力之间的赛跑'才是预测关键——例如经济-军事竞争压力可能压制监管带来的减速，这是Dafoe(2015)'军事-经济适应主义'与MacInnes等人(2024)'无政府即架构师'框架的具体落地。第三，对创造性的三层划分(Boden, 2004的组合/探索/变革)被用作'ASI是否真能超越人类'的标尺：当前AlphaGo Move 37、AlphaFold等被归入第一、二层，唯有'变革性创造'(如广义相对论)才是ASI的标志，这与Hassabis(2025)关于'如果把当前AI送回1900年能否独立发现相对论'的思想实验直接呼应。
实验结果
由于这是预测性报告而非实验性论文，'结果'主要由框架输出、可量化输入与若干关键经验观察组成。报告输出以下核心定量/半定量结论：(1) 有效计算当前以约10×/年增长，三个分项分别约1.5×、2.5×、3×(部分文献把算法效率上调到6×/年)，若维持到本十年末将比今天再增加约4个数量级，而Gigawatt级AI基础设施与算法效率趋势( Ho et al., 2025)使该轨迹在外部观察者眼中具备一定可信度。(2) 若AGI到来后基础模型停滞而有效计算继续以10×/年增长，五年内单实例可从1000个扩展到1亿个或让1百万个实例加速100倍——这一'群体ASI'情景被报告认为比单实例ASI更容易在十年尺度上达成。(3) 数据墙预计本十年内出现(Villalobos et al., 2024)，但合成数据、仿真(DeepMind Adaptive Agent)和智能体交互数据已被论证为可被计算扩展的潜在反制( Gerstgrasser et al., 2024; Singh et al., 2023; Yuan et al., 2024)。(4) AI研究自动化若达到'与人类研究员同等能力'级别，则增加18倍研究员规模——Bloom et al. (2020)指出保持摩尔定律所需规模——所需时间从'多年'压缩到'数小时到数周'，因为仅靠对有效计算增长进行优先级排序即可实现。(5) 在创造力维度上，目前AI成就(AlphaGo Move 37、AlphaFold、FunSearch、AlphaEvolve)被归为Boden(2004)框架的组合/探索层；Demis Hassabis(2025)关于'把当前AI送回1900年能否独立发现相对论'的'真正ASI测试'被报告采纳为ASI判据之一，结论是当前AI尚不满足。(6) 在治理维度上，作者认为ASI对人类社会的影响范围与'AGI是否是正常技术'两种叙事都尚未被排除，且现有监管工具(欧盟AI Act 2024、白宫行政令2023、英国布莱切利宣言2023)既可能成为刹车也可成为方向舵。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Legg-Hutter智能测度(所有可计算任务上的期望累积奖励) | 按Solomonoff通用先验加权的跨任务平均累积奖励 | 当前前沿模型隐式逼近(资源有界Universal Induction)，尚无直接可测得Legg-Hutter分数的实践系统 | AIXI = 该测度的理论最大值，但不可计算 | 提出'现代预训练是对通用压缩的资源有界近似'作为理论桥梁，但无可量化差值，仅为定性论证 |
| 有效计算外推至ASI | 可运行AGI实例数(固定算力下) | 在10×/年增长率下，5年内从1000实例到1亿实例，或100万实例×100倍加速 | AGI首次部署时的实例数(估为1000) | 5年跨度增长~10万倍；本质上是定量外推而非实证测量 |
| Bloom et al.(2020)类比下'增加18倍研究员规模'的算力成本 | 时间 | 通过算力工作负载优先级排序，约数小时到数周 | 传统培训新增人类研究员需要数年且成本高 | 时间压缩~100-1000倍；前提是AI研究员能力达到人类水平 |
| 持续学习与稳健决策制定(达到Boden第2层'探索性创造') | Boden创造力分类+AlphaGo Move 37类思想实验 | AI在组合与探索性创造层已多次达到或超越人类(Move 37、AlphaFold、FunSearch、AlphaEvolve) | 人类专家在既有概念空间内的最优表现 | Boden第1、2层已被AI突破；第3层(变革性创造，如广义相对论)尚未达到，被作为ASI判据 |
| ASI治理与监管响应 | 已落地的具体监管工具数量 | 欧盟AI Act 2024、白宫行政令2023、英国布莱切利宣言2023已落地；Anderljung et al. (2023)、Bengio et al. (2024)等提出'前沿AI责任扩缩政策' | 5年前几乎无国际AI治理框架 | 从无到有，但报告承认单边监管可能因国际竞争与'监管套利'失效 |
局限与改进
作者明确承认的局限包括：(1) 全部frictions的实际影响大小是开放问题，每条路径都可能因某项摩擦而停滞，组合后存在大量不可加性的耦合效应。(2) 抽象屏障(Lerchner, 2026)若成立则把ASI的能力上限压制在AGI附近，依赖'自我生成交互数据+RL'才能直接突破——但这本身需要物理实验速度瓶颈(Embodied Bottleneck)的配合。(3) AIXI框架虽提供理论天花板，但其嵌入与多智能体扩展(Meulemans et al., 2025)仍在发展中，且AIXI自身的不可计算性使其无法被自身假设类包含。(4) Legg-Hutter测度在实践上无法测量，因此对'何时达到AGI/ASI'无操作性定义，报告以'人类中位数'和'大型专家集体'作为非形式化替代。(5) 即便路径与瓶颈都考虑周全，'对角线预测'(对预测的预测)仍可能因指数或双曲增长动力学而在数年尺度上完全失效——这正是为什么作者把'测量、建模、预测AI进展'本身列为将要扩张的研究领域。我自己观察到的额外局限包括：(a) 报告对'对齐问题'作为工作假设处理(即假设它会被解决)，但Hubinger et al. (2024)与Ngo et al. (2024)明确指出超人类系统的对齐仍是开放难题，'对齐全解决'不应作为前置假设；(b) Table 4中六类frictions的'反制因素'之间也存在相互抵消——例如'经济资源'反制可能压过'人为放缓'，'抽象屏障'突破可能依赖'范式跃迁'——但报告未给出耦合后的净效果估计；(c) 多智能体路径的'群体智能体'与'虚拟智能体经济'两种组织形态在Table 3中并列，但与'多智能体缩放律'的具体数学形式尚不明确，'同步-异步'、'同质-异质'等维度未被显式建模。
独立分析的弱点
独立分析可改进的具体弱点包括：(1) 路径并行性的耦合模型缺失：四条路径被明确说明'非互斥、可并行'，但缺少'路径耦合加速/减速'的形式化，例如RSI可以放大缩放路径的效果，多智能体涌现可以反制抽象屏障。改进方向是构建一个把四路径+六摩擦表示为状态依赖ODE/PDE的耦合系统并做敏感性分析。(2) 抽象屏障的'经验可证伪性'不足：报告把它作为开放假设，但未给出具体可观测签名(如在'预工业前语料'限制下训练得到的模型的具体能力分布、抽象层级的可量化测度)，改进方向是与ARC-AGI(Chollet, 2019)或类似测试结合设计反事实实验。(3) 监管路径的政治可行性被低估：'人为放缓'反制主要诉诸'经济-军事竞争'，但未充分讨论'国际安全竞赛'(Schuett et al., 2025)、'灾难性误用黑天鹅'(Hadan et al., 2025)对监管时机的影响；改进方向是把Bengio et al. (2024)责任扩缩政策与具体灾难情景做时间-概率建模。(4) 多智能体路径的'集体对齐'未给出可执行设计：仅在Section 5.4末尾提到'mechanism design for markets'，但缺乏把'机制设计+对齐约束'结合的框架，改进方向是参考Christiano等人(2018)的迭代放大(iterated amplification)与Hubinger等人(2024)的'对齐伪装'分析。(5) 对'AI是否能完成变革性创造'的讨论仍以Hassabis的思想实验(送回1900年)为主，缺少可操作的预测变量(例如新理论需要的最小交互次数、突破性发现的概念空间体积)，改进方向是引入计算创造力的形式化测度。
未来方向
作者明确给出的未来研究方向集中在Section 7.1的研究议程，按七大主题展开：(1) 缩放摩擦——包括数据墙、'何时第三视角经验足够/不足'、'算力-智能'耦合、范式跃迁预测、'研究变难'的量化、'具身瓶颈'建模、抽象屏障的实证；(2) 量化预测——开发耦合有效计算/能力/宏观经济的预测模型(参考Epoch GATE模型Erdil et al., 2025；Davidson et al., 2026的爆炸增长模型)并把它建成持续运行的组织级项目；(3) ASI基准——设计不饱和于人类专家级、不依赖人工参与的基准，包括多智能体基准、setter-solver自动化设计、通用压缩基准、间接经济测度等；(4) RSI动力学——为每种RSI机制建立缩放律、研究测试时计算能走多远、研究递归蒸馏理论(AlphaZero风格)及退化条件、监测AI Scientist系统(Lu et al., 2024; Mitchener et al., 2025; Novikov et al., 2025)的研究生产力、量化'纯智力劳动自动化'后剩余的物理摩擦；(5) 多智能体缩放——研究'多智能体缩放律'、群体对齐、异质-同质组织对效率的影响、混合人-ASI集体的认知弹性；(6) 智能理论——扩展AIXI到实用ASI算法、研究可近似问题类的预测、复杂度极限的细化、能力'锯齿状'是否为基础属性、'非智能体/短视'高级AI的新框架；(7) AI安全/对齐/社会文化——监管实施工具(税收 vs 禁令)、对齐难度、ASI风险与目标管理、自动化科研下的认知规范演变、对'劳动→资本'经济转型的预测。作者隐含可延伸的方向还包括：把报告的'路径+摩擦'框架具体化为可被持续观测的关键指标清单(参考Chan et al., 2026提出的AI R&D自动化度量)，并把它建成类似Epoch AI的持续运行机构。
复现评估
复现评估方面，本报告作为'理论-预测'类文档，主要可复现性落在'是否同意其论证结构'与'是否可被后续经验数据更新'两个层面，而非'运行实验得到相同数字'。具体复现条件包括：(1) 报告本身不依赖专有代码或私有数据集，所有关键数据点(10×/年有效计算、1.5×/2.5×/3×分项、Chinchilla、GPQA/SWE-bench/FrontierMath/ARC-AGI等基准)都来自公开可查的来源(Epoch AI, Sevillan and Roldán 2024, Ho et al. 2025, Villalobos et al. 2024, Bengio et al. 2025c)。(2) 论证所需的'理解门槛'较高：需要熟悉AIXI/Legg-Hutter测度、Solomonoff Induction、强化学习一般化、计算创造力学(Boden)等。读者若不熟悉AIXI则需要先读Hutter(2005)与Hutter et al.(2024)的Universal AI教材才能跟上第4节的形式化论证。(3) 报告自己声明约90%内容为人工撰写、约10%由语言模型润色和结构讨论，所有引用文献(数百条)都被完整列出，复现结论时只需更新关键经验数据(增长率、基准饱和情况、AI Scientist进展等)。(4) '数据墙预计本十年内出现'等关键预测依赖Villalobos et al. (2024)及后续更新——若该估计被推翻，整套路径-摩擦矩阵的相对权重会大幅改变。(5) 由于报告的核心是'研究议程'而非'实验结果'，其'复现'主要表现为研究者按Section 7.1的问题清单逐项推进并把新经验数据回填到Table 4中——这是隐性但可操作的复现性目标。算力门槛：仅阅读报告本身为零算力门槛；若要推进'多智能体缩放律'与'AI Scientist监测'则需要大集群级别算力。
论文图表