2026年6月10日，谷歌DeepMind發布《從通用人工智能到超級人工智能》（From AGI to ASI）報告。與多數討論聚焦于AGI何時到來不同，這份報告預設AGI已經實現。從算力增速切入，報告指出有效算力年增約十倍的趨勢意味著，即使在單個模型能力不再提升的條件下，一億個通用智能協同工作本身即可構成超級智能。在此基礎上，報告深入討論數字智能的六大先天優勢、從AGI到ASI的四條技術演進路徑、六大壁壘等關鍵問題，以深度推演人工智能的發展路線。

一、算力增速與智能進化：量變終成質變

過去十年，人工智能的進步速度遠超多數人的預期。有效算力的增長來自三個因素的疊加：硬件性價比持續六十年提升，年增約1.5倍；投資規模擴張，年增約2.5倍；算法效率改進，即達到同等性能所需算力持續下降，年增約3倍。近期研究認為算法效率增速或高達每年6倍。三者相乘，有效算力年增約十倍，且僅屬保守估計的下限。

如果增速維持，五年后有效算力將是今天的十萬倍。假設AGI剛誕生時成本極高，全球只能運行1000個AGI：按年增十倍計算，一年后即1萬個，五年后達1億個AGI；或者換一種方式，讓100萬個AGI的思考速度加快100倍。一億個共享經驗、高速思考、瞬間同步的AGI集群，本身即構成ASI，即使單個模型的能力永遠停在人類水平。

這一推演的底層邏輯是：要讓進步恰好停在人類水平，需有多重條件同時不成立。要么在到達AGI之前就被卡住，要么會走得相對順利，停在中間是概率最低的情形。但即使進展繼續，ASI的出現也更可能是一個漸進累積的過程，而非瞬間的過程。圖靈在1950年寫道：“我們只能看清前方很短的距離，但可以看到那里有大量工作有待完成。”

二、數字智能vs生物智能

數字智能相較生物智能有六大先天優勢。隨著有效算力增長，這些優勢持續擴大，且人工智能的獲益幅度遠超人類。

其一，輸入輸出速度。大語言模型可數秒內讀完數本書籍，遠超人類的閱讀帶寬。其二，內部處理速度。電子信號近光速傳播，串行深度與并行廣度均可無限擴展；人類神經元僅約100米每秒，受限于生物組織的傳導速度且無法任意擴容。其三，工作記憶容量。可擴展至整個互聯網級別，同時考量數百萬變量交互，而人類僅容納4至7個組塊。其四，基底獨立性。可在硬件間無縫遷移、分布式部署，不會衰老死亡。其五，無損復制。不僅復制源代碼，還可完整復制記憶狀態，培養一個博士需二十年，復制一個人工智能只需瞬間。其六，高帶寬經驗共享。同構實例間可直接共享原始學習信號，毫秒級同步認知進化，而非像人類依賴語言低帶寬瓶頸。

六項優勢疊加，意味著人工智能的文化進化速度可達人類社會的指數倍。勞倫斯（Neil Lawrence）的具身因子論點對此提出了一個反論：人類低帶寬通信反而迫使形成深層抽象模型和抽象層級，高帶寬數字智能可能因無需壓縮而錯失這一能力。不過，用人類數據訓練大模型在某種程度上彌補了這點。

三、從AGI到ASI的四條路徑

從AGI到ASI，有四條可能的技術演進路徑。這四條路徑并不互斥，可能同時推進、相互疊加。

表1 從AGI到ASI的四條路徑及其核心不確定性

路徑一：持續規模化

繼續擴大算力、模型和數據。這就是前述思想實驗的邏輯：純量變引發質變——更多的實例、更快的思考和更長的推理鏈本身，就能解鎖看似需要架構突破的能力。這條路徑的最大不確定性在于，算力增長如何轉化為能力提升，是否存在邊際收益遞減。

路徑二：算法范式轉變

當前預訓練大模型加微調加推理時擴展的技術范式可能觸達能力上限。突破方向包括持續學習、無限工作記憶的線性時間架構、脈沖神經網絡、神經形態硬件、強化學習預訓練加顯式世界模型、擴散語言模型和神經符號混合系統等。但真正的范式轉變不可預測：它可能帶來突破性新范式，成為加速器，也可能在現有范式遲遲找不到替代方案時，成為減速帶。

路徑三：遞歸自我改進

人工智能參與人工智能研發，形成正反饋。具體包括四種機制：基因型改進，修改自身代碼和架構，如人工智能輔助芯片設計和神經架構搜索；文化型改進，自我博弈生成訓練數據，在思考型模型中已初步發生；社會型改進，專業化分工提升集體效率；硬件型改進，人工智能設計更優芯片，受限于物理制造周期但設計迭代遠快于人類工程師。理論上可能產生超指數增長，在有限時間內趨向奇點，但真實系統中摩擦因素通常會在到達奇點前壓低增長率，形成S型曲線。

路徑四：多智能體協作涌現

ASI可能不是單個超級大腦，而是數以百萬計AGI的智能體組成的高度協調的數字生態系統。具體有三種組織形式。設計型，指全自動化公司或研究機構，多個AGI實例按預定義的層級與協議構成有凝聚力的集體決策單元，稱為群體智能體。市場型，指虛擬智能體經濟，通過價格信號和競標機制在實例間分配任務與資源。自組織型，指進化壓力驅動下的分布式結構，通過競爭、合作和選擇涌現復雜組織形態。三種形式之外，報告還討論了博格集合體（Borg Collective）式的超大規模同質化集體。這些組織形式的共同前提是通信帶寬的質變：AGI實例之間可直接同步原始經驗，一個實例的突破毫秒級更新至所有分身。

四、通向ASI的六大壁壘

其一，數據墻。高質量人類生成文本數據預計本年代末耗盡。合成數據若反復循環訓練可能導致模型坍塌（Model Collapse），逐漸遺忘長尾知識。破局方向包括仿真交互數據、強化學習主動探索和搜索增強等。數據墻對四條路徑的沖擊不對稱，多智能體和遞歸自我改進路徑可通過自我博弈和交互學習繞開對人類文本的依賴。

其二，經濟與資源約束。算力的指數增長需要芯片制造、能源供應、數據中心和資本的同步擴張。極端方案如軌道數據中心（orbital data centers）伴隨臭氧層損耗等新風險。核心不確定性在于，經濟回報能否在時間窗口內覆蓋持續擴張的投入，以及芯片供應鏈地緣集中度構成的單點故障風險。

其三，現有技術范式的上限。當前預訓練加后訓練加推理時擴展的技術棧存在深層缺陷：幻覺、無法處理認知不確定性、易受提示注入攻擊、因果推理不足、缺乏開放式自主規劃能力。這套范式可能根本不足以支撐持續學習和穩健因果推理，需要根本性突破。

其四，研究難度遞增。布魯姆等人的研究證實，成熟領域的創意越來越難找，每步突破需要指數級增加的投入。反制力量在于，如果人工智能能大規模自動化研究，僅需一年多算力增長即可抵消研究難度的指數級攀升。加速與減速之間有一場指數賽跑，勝負未分。

其五，抽象壁壘。勒希納指出，當前人工智能本質上是概念重組機，在人類已有抽象框架內工作，擅長重新組合已有概念，但可能缺乏從原始感知數據中自主構建全新抽象概念的能力。一個直觀的思想實驗：把一個大語言模型放到牛頓之前的科學環境中，提供當時的全部文字和觀測數據，它能推導出廣義相對論嗎？幾乎肯定不能，因為它缺少力、質量、引力、時空曲率這些概念的原初構建過程。如果人工智能不能從原始數據中獨立發明全新概念框架，其能力將被鎖定在人類認知積累的上限之內。跨越抽象壁壘可能需要直接與物理世界交互學習，這又引出具身瓶頸（Embodiment Bottleneck），物理實驗速度受限于現實實時性，化學反應、生物生長、氣候演化都不能被無限加速。但足夠大規模的并行探索和多樣性，可能在某種程度上繞過單體的局限。

其六，人為剎車。即使前五道壁壘全被突破，社會因素也可能主動降速：大規模就業替代引發的社會反彈和政治壓力，重大安全事故引發的公眾恐慌，各國監管上限和算力限制。但同時，經濟競爭和地緣政治競爭形成反向推力。在沒有有效全球協調機制的情況下，單邊減速面臨囚徒困境，一國的自律可能恰是另一國的機遇。

五、未來的研究議題

未來有待進一步研究的問題包括：有效算力各增長因子的上限估計；數據墻對四條路徑的差異化沖擊及合成數據安全替代的條件；遞歸自我改進的動態規律及其定量測量方法；多智能體系統的規模縮放規律與協調成本；抽象壁壘能否靠算力堆疊繞過，還是需要本質性的架構創新；超越人類水平后的能力評估基準設計；全球治理中單邊減速面臨的地緣政治制約；以及超級智能對人工智能安全研究本身的影響。其中三個議題值得重點關注。第一，規模即智能：一億個AGI就是ASI，這個邏輯將門檻從造出單個超級模型降到了讓足夠多人類水平模型高效協作，兩者在工程可行性上差異巨大。第二，抽象壁壘：人工智能是概念消費者而非概念生產者，可能是最深層次障礙。第三，務實方法論：不被不確定性困住，通過持續測量和頻繁修正來管理不確定性。

六、結語

從AGI到ASI的演進不存在單一既定的線性路徑，技術條件、資源供給、認知邊界與社會環境等多重因素交織作用，共同決定著智能能力提升的節奏與發展上限，整個過程始終伴隨顯著的不確定性。

厘清技術演進的核心規律、降低預判偏差，既需要在技術層面持續深化對智能本質與發展路徑的研究，也需要構建審慎完善的技術治理框架，通過常態化的跟蹤評估動態適配技術發展節奏。這是后AGI階段全球人工智能領域的核心研究議程，也是全行業與全社會需要共同面對的長期命題。

參考來源：Google DeepMind

參考題目：From AGI to ASI

參考鏈接：https://arxiv.org/abs/2606.12683

免責聲明：本文轉自“啟元洞見”。文章內容系原作者個人觀點，本公眾號編譯/轉載僅為分享、傳達不同觀點，如有任何異議，歡迎聯系我們！

轉自丨啟元洞見

作者丨啟元洞見

研究所簡介

國際技術經濟研究所（IITE）成立于1985年11月，是隸屬于國務院發展研究中心的非營利性研究機構，主要職能是研究我國經濟、科技社會發展中的重大政策性、戰略性、前瞻性問題，跟蹤和分析世界科技、經濟發展態勢，為中央和有關部委提供決策咨詢服務。“全球技術地圖”為國際技術經濟研究所官方微信賬號，致力于向公眾傳遞前沿技術資訊和科技創新洞見。

地址：北京市海淀區小南莊20號樓A座

電話：010-82635522

微信：iite_er