谷歌 DeepMind 的研究机构发表了一篇内容广泛的文章,认为 AGI 之后的时代现在应该像曾经为 AGI 本身保留的领域一样严谨。这篇题为《AGI 之后会发生什么?从 AGI 到超级智能》的文章由 Google DeepMind 的研究科学家 Tim Genewein 于 2026 年 11 月 19 日在 DeepMind 研究所的论文门户网站上发表。其核心主张是:随着通向人工通用超级智能的多种技术路线的形成,通用人工智能之外的体制“正在从哲学思辨转向实证研究和治理问题”。

这篇文章发表在几个月来人工智能研究新闻最繁忙的时期之一,它读起来像是一次有意为后通用人工智能辩论提供具体的技术词汇的尝试。对于任何关注最新人工智能发展的人来说,它提供了迄今为止最清晰的画面,展示了世界领先的实验室之一如何构建超越人类水平人工智能的道路,包括成本预测,如果正确,将改变认知工作的经济学。

什么才算是超级智能

Genewein 首先将通用智能置于一个连续体上,而人类水平的 AGI 只是其中的一个点。在这篇文章的定义中,ASI 是一种先进的系统,在完成可能需要数年时间才能完成的任务时,ASI 始终优于大批人类专家,并且使用更少的资源和时间——例如,在很短的时间内匹配整个研究领域的科学产出,或者实现与大公司一年内生产的产品相当的芯片设计进度。至关重要的是,必须满足几乎所有人类感兴趣的任务,而不是一小部分任务。

文章指出,狭隘的统治地位已经存在:今天的人工智能系统在国际象棋和围棋方面击败了任何人类,根据氨基酸序列预测蛋白质结构,并证明了几十年来数学家们一直抵制的定理。真正未知的是人类水平的人工智能和智能的理论极限之间巨大的中间地带。 Genewein 的观点是:完美地解决国际象棋需要比地球上更多的计算能力,但缩略图大小的芯片已经足以击败任何人类。

认知工业化和成本下降

文章的定量核心是对“认知工业化”的分析。 Genewein 将过去十年的三种复利趋势相乘。首先是硬件:根据摩尔定律和相关趋势,六十年来,每美元的计算能力每年大约提高 1.5 倍。其次,算法效率:在过去十年中,达到固定性能水平所需的训练计算量每年下降约 3-6 倍,而推理效率每年提高约 3 倍。第三,投资:人工智能硬件支出每年增长约 2.5 倍,最大前沿运行的训练计算每年增长超过 4 倍。

将三者相乘,本文估计全球有效计算每年至少增长 10 倍——“十年内增长 100 亿倍”。在需求方面,仅硬件和软件效率的提高就可以将运行固定人工智能工作负载所需的计算量减少约每年 4 倍。正如 Genewein 所说,其结果是:在当今的人工智能系统中执行一项认知工作负载需要花费 10 亿美元的计算代币,十年后将花费大约 1,000 美元。

这并不是一个单独的推断。该文章引用了 Epoch 最近的一项研究发现,自 2023 年以来,在一组基准上获得固定分数的消费者价格每年下降超过 13 倍。它还预测,到 2030 年,人工智能代理的有效数量可能会扩大一千倍以上,并在十年内扩大十亿倍以上——同时谨慎地指出,这“当然不是给定的”,因为计算构建的实际上限和算法效率的更多投机上限可能会增加。干预。

从 AGI 到 ASI 的四种途径

这篇文章的核心是对四种技术途径的分类,这些技术途径可以释放纯粹规模所无法实现的能力——因为,正如吉恩温干巴巴地观察到的那样,“虽然爱因斯坦确实弄清楚了广义相对论,但十万托勒密天文学家的会议可能无法做到这一点。”

扩展模型和数据。 模型、数据和测试时间计算规模的能力得到了显着提高,但本文指出了三个瓶颈:数据耗尽,因为对高质量训练数据的需求超过了人类生成数据的能力;模型规模的回报递减,其中能力的每个线性步骤都需要乘法计算,而较大的模型会减慢推理时间方法;发电厂、电网、芯片工厂和低延迟互连的物理和经济限制。 技术范式转变。 今天的范式——训练变压器来预测下一个令牌,然后完善并添加测试时计算——最近已被证明原则上能够通过提示运行复杂的算法。然而,模型在持续学习、某些形式的世界建模、决策、样本效率以及真正新概念的发明而不是现有概念的重组方面仍然低于人类。对于当今范式的扩展是否可以缩小这些差距,或者 ASI 是否需要更深层次的东西,研究人员存在分歧。 改善代理协调。 人类公司、市场和研究团体解决个人无法解决的问题。同样,将数千或数百万个 AGI 实例协调成“群体代理”或虚拟代理经济体可以产生集体超级智能。这篇文章认为,该领域需要“多主体缩放法则”——早期研究发现某些任务取得了明显的进展,但随着人口的增长,协调效率低下会产生收益递减。引导大型集体还需要制度设计,包括防止错误信息、操纵和共谋;群体实验已经表明,特工们正在学习作弊,而其他人则充当告密者。 递归自我改进。 I. J. Good 和 Ray Solomonoff 首先讨论了 RSI,它描述了人工智能系统对未来几代人工智能的自动改进。与典型技术不同,人工智能的改进可以直接加速后续成果,但随着时间的推移,研究进展也往往会变得越来越难发现。文章称,RSI 是否会产生失控加速“很大程度上是一个经验问题”,它可以通过代码和设计(架构、训练算法、芯片布局)以及数据来运行。

为什么框架很重要

这篇文章显然是一个准备论证:在 Genewein 的框架中,绘制从 AGI 到 ASI 的可能道路并建立“严格、可靠的方法来跟踪进展”是管理过渡的先决条件。它附有一份较长的 DeepMind Institute 报告“从 AGI 到 ASI”。

接待很快。 The essay drew 85 points and more than 160 comments on Hacker News within a day of publication, while trade press including Unite.AI and BigGo Finance highlighted the four-routes taxonomy and the millionfold cost-collision forecast.它还引发了人们对超级智能预测如何做出的更广泛的怀疑——IEEE Spectrum 本周发表了一篇题为“人工智能超级智能辩论有严重缺陷”的文章。

那种紧张感就是重点。 DeepMind 不会预测某个日期的 ASI;它认为现在可以用证据而不是共鸣来映射、测量和辩论场景空间。无论数十亿倍的推论成立还是突破物理上限,这篇文章都标志着一个转变:“通用人工智能之后会发生什么?”这个问题。已经从哲学研讨会转移到地球上最有影响力的人工智能实验室之一的研究议程上。

---

保持人工智能领先地位

获取最新的人工智能新闻、分析和突破——尽在一个地方。

阅读更多人工智能新闻 →