当大多数关于人工智能的讨论仍止步于通用人工智能（AGI）时，谷歌 DeepMind 已将目光投向了更远的未来。2026 年 6 月 10 日，DeepMind 发布题为《从 AGI 到 ASI》的报告，系统探讨了机器智力在达到人类水平后，如何向人工超智能（ASI）演进。这份由机器智能理论奠基人参与撰写的报告，试图用一张涵盖 " 实际可行 "、" 物理不可能 " 及 " 未知领域 " 的结构化地图，取代当下的炒作与恐惧。

理论架构师领衔，重新定义智能边界

该报告的权威性源于其作者阵容，其中包括 AIXI 框架创造者 Marcus Hutter 以及 DeepMind 联合创始人 Shane Legg。Legg 不仅普及了 AGI 概念，还与 Hutter 共同开发了广泛引用的智能度量标准。报告指出，从人类级 AI 到超智能的过渡并非科幻小说，而是值得立即规划的近期研究课题。

报告打破了两种常规叙事：一是 AGI 到来并非单一的戏剧性 " 飞跃 "，超智能更可能以一系列科学和技术变革的形式出现；二是超智能强大但有限，既非全知全能的神谕，也非末日论中的恶魔。

在定义上，AGI 指系统在大多数认知任务中具备普通人类能力；而 ASI 则需在几乎所有领域超越大型协调的人类专家群体。仅在单一领域（如 AlphaGo）表现超人并不构成 ASI。报告引入理论天花板 " 通用 AI"（形式化为 AIXI 代理）作为指引，指出人类水平 AGI 与超智能之间存在巨大差距，这正是报告探索的核心领土。

破除迷信：超智能并非无所不能

报告冷静地列出了超智能无法突破的物理与计算铁律。光速限制了信息传输速度；兰道尔极限、布雷默曼极限和贝肯斯坦上限约束了给定能量和空间内的计算量；复杂性理论和哥德尔不完备定理则设定了计算的硬性边界。

例如，超智能无法下出 " 证明完美 " 的国际象棋，因为搜索整个博弈树超出了任何物理计算机的能力极限。更重要的是，报告强调，超高智力不保证能治愈衰老、实现核聚变、上传意识或逆转气候变化。这些是涉及物理世界的经验性问题，而非仅靠智力就能实现的魔法。这一观点刻意平衡了乌托邦与末日愿景：超智能将是变革性的，但绝非万能。

通往 ASI 的四条技术路径

报告阐述了从 AGI 到超智能的四条并行技术路径：

规模化：继续扩大算力、数据和模型规模。得益于硬件改进、投资增加和算法效率提升，" 有效算力 " 每年增长约十倍。开放性问题在于，在收益递减前，这能带来多少新能力。

算法范式转变：脱离当前基于人类数据训练大型 Transformer 的模式。这类转变难以预测，但往往在主流范式触及天花板时出现。

递归自我改进：AI 加速 AI 研究，形成更好的 AI 进而进一步加速研究。在资源受限的现实系统中，这一过程更可能遵循趋于平缓的 S 型曲线，而非失控的双曲式增长。

群体智能体：超智能可能源自数百万个协作、专业化且通过高带宽共享经验的 AGI 级别智能体集合。这种 " 虚拟智能体经济体 " 的协同行为，可能比任何单个成员都更聪明。

数字智能的加速优势与缺失环节

支撑上述路径的是数字智能相对于生物智能的显著优势：更快的输入输出和处理速度、更大的工作记忆、底物独立性、无损复制模型及其经验，以及高带宽的知识共享。随着算力增长，这些优势将不断扩大，可能导致 AI" 社会 " 沿着从超级集体到市场导向专家生态系统等陌生路线演变。

然而，报告坦承前沿 AI 尚未跨越关键界限。借鉴哲学家玛格丽特 · 博登的创造力层次，当前 AI 成就多属组合性和探索性创造力。最高层的 " 转化性创造力 " ——即发明全新概念框架（如爱因斯坦发明广义相对论）——尚未得到展示。DeepMind 首席执行官 Demis Hassabis 指出，这是当前 AI 缺失的关键要素，也可能是 ASI 真正的标志。

风险权衡与全球行动倡议

报告讨论了工具性趋同、代理性问题以及 " 军事经济适应主义地缘政治陷阱 " 等风险。值得注意的是，报告做出一个重大工作假设：AI 安全和对齐 " 将在足够程度上得到解决 "。这一假设旨在划定范围，使团队能专注于技术路径分析，但也意味着报告的克制语调建立在尚未完全解决的问题之上。

报告结尾引用艾伦 · 图灵 1950 年的名言：" 我们只能向前看一小段距离，但我们可以看到很多需要做的事情。" 鉴于指数和递归动力学使得单点预测失效，作者呼吁将准备工作视为一项 " 全球范围的大规模跨学科事业 "。这包括加强 AI 基准测试、研究多智能体缩放定律、探索可验证的减速机制，甚至考虑税收与禁令等政策工具。

《从 AGI 到 ASI》的核心价值不在于预测，而在于其姿态：一家前沿实验室正论证世界应立即规划人类水平 AI 之后的事物。它提醒社会，超智能可能不会作为一个戏剧性时刻突然降临，因此不应等待明显的 "AGI 日 " 才开始准备；同时，它也不是解决所有问题的全能神谕，需要在两端调节期望。面对进展速度、自我改进循环及对齐鲁棒性等真正不确定的变量，报告提供的不是虚假的信心，而是更好的准备。

常见问题解答

AGI 和 ASI 有什么区别？

AGI（人工通用智能）指在大多数认知任务中能力大致相当于普通人类的系统。ASI（人工超智能）指在几乎所有任务中都超越大型协调人类专家团队的系统。像 AlphaFold 这样仅在狭窄领域超人的系统不算作 ASI，因为 ASI 必须是广泛意义上的超人。

谁撰写了《从 AGI 到 ASI》报告？

这是谷歌 DeepMind 于 2026 年 6 月 10 日发布的报告。作者包括通用智能 AIXI 模型创造者 Marcus Hutter，以及 DeepMind 联合创始人 Shane Legg。Legg 帮助普及了 AGI 一词，并与 Hutter 共同开发了机器智能的正式度量标准。

超智能能解决任何问题吗？

不能。即使是 ASI 也将受制于基本物理和计算限制，包括光速、热力学限制、复杂性理论和哥德尔不完备定理。高智力并不能保证 ASI 能治愈衰老、实现聚变或上传意识，因为这些都是关于物理世界的经验性问题。

从 AGI 到 ASI 的四条路径是什么？

报告确定了四条并行路线：扩大算力、数据和模型规模；超越当前 Transformer 的算法范式转变；递归自我改进（AI 加速自身研究）；以及从大量协作 AI 智能体集合中涌现出的超智能。作者强调这些路径并非互斥，很可能会同时推进。

【星途科讯 图文丨慕容雪】