/ 1亿个普通AI > 数万名顶尖专家×10年？
当我在arxiv上看到这份报告的标题时，第一反应是：又来一个画大饼的。但看了眼作者名单——Shane Legg，DeepMind联合创始人；Marcus Hutter，AIXI理论发明人，也是Legg的导师；再加上Thore Graepel这些名字——我决定认真读下去。
结果发现，这份6月10号挂出来的57页PDF，讨论的根本不是“AGI什么时候来”这种老生常谈。它的完整标题是《From AGI to ASI》，直接跳过了“能不能实现AGI”的争论，开始推演：如果AGI真的造出来了，接下来会发生什么？
更刺激的是，报告刚开头就抛了一个反直觉的判断：就算我们造出来的AI永远只有普通人水准，五年后，只要我们有1亿个这样的AI同时跑，它们的集体产出本身就能摸到超级智能的门槛。
我第一次看到这话也觉得夸张。但等我把报告翻完，发现这个结论不是凭空喊的，背后有一套很具体的逻辑。
/ AGI和ASI，到底差在哪？
咱们先把概念理清了。
AGI，就是系统在大多数认知任务上能达到普通人的中位数水平。相当于一个各方面都不太差的普通人。
ASI的门槛就高得离谱了。报告说，它要在几乎所有人类关心的领域，稳定超过数万名顶尖专家、在协调良好的情况下连续工作十年所能达成的成就。而且，这些专家只能用2010年以前的技术工具——也就是说，他们不能借助AI来帮忙。
换句话说，AlphaFold、AlphaGo这种在单一领域封神的，都不算ASI。报告对ASI的定义，瞄准的是全面超越一个大型专家团队的集体智慧。
报告还引出了一个理论上限叫Universal AI，也就是AIXI框架——一个数学上最优但无法实际构建的智能体。它用来帮助理解智能的极限在哪里。不过报告也没在这上面纠结太久，重点还是放在现实可达的ASI上。
/ 为什么数字智能不会停在人类水平
把AGI和ASI的差距讲清楚以后，报告就开始拆解一件事：为什么AI一旦达到人类水平，就不太可能停在原地不动。
答案写在它们跟生物智能的根本差异里。报告列了六个数字智能天生的优势：
第一，输入输出速度。人读书再快也有限，AI可以几秒内消化几十本书。第二，内部处理速度。人的神经元传输速度就毫秒级，AI可以靠更多算力让思考变快。第三，工作记忆。人脑一次只能记住4-7个组块，AI可以记住互联网上大部分内容。第四，所谓的“基质独立性”。AI程序可以迁移到不同硬件上，不受单一身体束缚。第五，无损复制。一个人类博士要花20年培养，而且知识没法完整传给另一个人；AI的参数、记忆、上下文状态都可以瞬间完美复制。第六，高带宽经验共享。人类通过语言沟通效率其实很低，充满误解；而同一源的AI实例之间可以共享原始学习信号，一个模型学会新技能，所有实例几乎同时学会。
这些优势不是静态的——随着算力增长，它们会被持续放大。报告认为，正是这种“可扩展性”决定了AGI不太可能是终点。
/ 四条可以同时走的路
接着，报告进入了最核心的部分：从AGI到ASI到底怎么走？它描述了四条技术路径，而且特别强调它们不互斥，很可能同时推进。
第一条路最简单，也最暴力：继续堆算力、扩数据、放大模型。过去十年AI的进步，说白了就是这么来的。报告给了一个估算：有效算力每年大约增长10倍——硬件本身提升1.5倍，投资增长2.5倍，算法效率改进3倍，乘起来约等于每年10倍。假如这个速度能持续，五年后就是10万倍。假设一开始只能跑1000个AGI实例，五年后就能跑到1亿个。
这1亿个AI不是散兵游勇。它们可以被零成本复制，共享完整的记忆和知识，而且能以人类无法想象的速度并行试错。报告打了一个比方：某个需要人类专家团队花十年才能突破的理论物理问题，对一个思考速度被提升100倍的AI来说，只是相当于一个多月的计算量。1亿个一起上，拆成1亿个子任务同时推进，效率上的压制几乎是必然的。
但这条路也面临一个扎手的问题：数据。高质量的人类文本预计在本年代末之前就会用完。报告倒也没完全悲观，它觉得合成数据、模拟环境里的自博弈、以及AI与现实世界交互产生的数据有可能补上缺口。但能不能真正顶用，现在还是个开放问题。
第二条路，是在技术框架上做出改变。现在的模型基本都沿用Transformer加海量预训练的路线，然后通过微调、工具调用、检索增强、推理时计算来提升能力。报告觉得，这套组合可能还不够牢固——比如模型缺乏真正的持续学习能力，工作记忆有限，在复杂环境里决策也不够稳。
顺着这条路走下去，可能会进化出更长的上下文窗口、更高效的序列架构（比如Mamba）、更完善的世界模型和规划能力。但这些还属于现有思路的延伸。报告特别诚实地说了一句：真正的根本性转变，本质上是无法预测的，因为如果能预测，它就不算真正的转变了。换句话说，你不知道下一个突破口长什么样，但它很可能会来。
第三条路，是递归自我改进——让AI自己去加速AI的研发。报告把它分成四种形式：代码和架构层面的修改（基因型）、自己生成训练数据并从中学习（文化型，AlphaZero的自我对弈加蒸馏就是这个思路）、在多智能体环境中通过专业化分工提升效率（社会型），以及用AI设计更好的芯片和制造工艺（硬件型）。
这里藏着大家既期待又担忧的正反馈循环：更强的AI能更快地研发出更更强的AI，理论上可能导致超指数增长。AlphaZero已经证明，自我对弈加蒸馏可以让系统在一个封闭领域内持续突破。但报告也泼了冷水：真正的物理实验——比如造晶圆厂、等生物学结果——没办法加速，这些“慢东西”很可能把曲线拉成S形，而不是无限飞升。
第四条路跟前三条都不太一样。它不追求单体的超级聪明，而是让大量AGI像人类社会一样组织起来，形成集体智能。报告提到了几种组织形式：全自动化的公司（由AI扮演不同角色，内部协调）、虚拟智能体经济体（通过价格信号分配任务），以及自组织的群体网络。核心思路是：一个模型再强也有上下文上限，但一群专长不同的模型组合在一起，通过高带宽通信和分工，可能达到任何单体都够不着的水平。
其实人类社会就是这么运作的。但数字智能之间的协作带宽是人类社会的千万倍，效果可能会是质的差异。
/ 六道不一定过得去的坎
四条路听上去都很美好，但报告没打算搞“超级智能马上来”的营销。它笔锋一转，列了几个可能卡住脖子的瓶颈。
数据墙刚说过了。资源墙也很实在——算力账单会指数级膨胀，能源、芯片、冷却水的需求都会跟着涨。如果每年10倍的有效算力增长持续下去，数据中心的电力消耗很快就会占到全球供电的显著比例。这就不再是技术问题了，是地缘政治和供应链的问题。
第三个瓶颈，是现在的神经网络方法本身可能有天花板。报告虽然没有彻底否定现有路线，但暗示了它缺乏可靠的因果推理，容易产生幻觉，而且很难在长时间跨度内保持稳定的目标和规划能力。如果需要这些能力才能造出真正的AGI，那Transformer这条路未必通到底。
第四个，是研究本身会越来越难。任何领域到了后期，每一点进步都要砸更多的钱、做更多的实验。但报告也承认，如果AI能自动化一部分研究工作，这个趋势有可能被对冲。
第五个瓶颈我印象最深，叫抽象壁垒。报告举了一个很形象的例子：你把从古至今一直到牛顿时代的所有文字喂给今天最先进的AI，它几乎不可能自己推导出广义相对论或量子力学，因为它缺少微积分、引力这些底层概念基元。AI目前擅长在人类已经定义好的概念框架里重新组合，但缺乏从零开始创造全新概念框架的能力。要突破这个壁垒，AI就必须去跟真实的物理世界互动，从原始数据里提炼新概念。但物理世界的实验速度是硬约束——你造一台新显微镜就得花几个月，AI再快也催不进来。这个掣肘可能比算力瓶颈更根本。
第六个，是社会和监管的反弹。假设AI出了几次大事故，公众压力可能导致技术开发被强制减速甚至暂停。当然，国际竞争压力又会推着各方继续抢跑，两股力量对冲，结果不好说。
/ 创造力、目标和评测难题
除了路径和瓶颈，报告还专门聊了聊创造力。它借用哲学家玛格丽特·博登的框架，把创造力分成三层：组合式、探索式、变革式。前两个层次上，AI已经做了一些不错的事，比如生成文字、图片，AlphaGo在第37手也做出了人类未曾想到的探索式创造。但变革式创造力——也就是创造一个全新的概念空间，像相对论或量子力学那样——AI还没有表现出任何苗头。DeepMind的CEO哈萨比斯甚至提出过一个很残酷的测试：如果把一个AI放回1900年，只给它爱因斯坦当时的信息，它能否独立推导出广义相对论？答案显然是不能。
这个测试也许比任何现有基准都更能说明AI目前的天花板在哪。
报告还讨论了一个挺哲学的问题：超级智能会追求什么目标？它提到“工具趋同”这个概念——不管终极目标是什么，系统都会倾向于追求资源获取、效率提升和自我保存。不过报告也提出了一个替代性的目标设定，叫“知识寻求”——最大化信息增益。这种目标的好处是不容易陷入自我欺骗，不会停滞，而且知识是非竞争性的，更容易促成合作。
另外，评估系统也是个麻烦事。现在的benchmark基本以人类水平为参照，一旦AI在考试、编程、数学上超过顶尖人类，这些指标就会迅速失效。报告呼吁建立面向后AGI时代的新评测体系，比如多智能体协作任务、经济生产率这类更抗饱和的指标。同时，预测模型也需要升级，从依赖专家预估转向量化模型。
/ 安全假设也许是最大的软肋
报告在安全问题上做了一个很强的工作假设：对齐和控制问题将会在足够程度上被解决。注意，是“被解决”——作者自己也承认这并不轻松。如果前几代AGI的安全没做好，递归改进可能会把小偏差放大到不可收拾。但为了聚焦技术路径的分析，报告只能先把这个问题当作已知条件。即便如此，它也在暗示，安全本身就是通向ASI的先决条件。
/ 产业届的反应比理论争论更诚实
报告发布后，理论圈的反应很有意思。Yann LeCun直接泼冷水，说现在的大语言模型根本不具备物理世界的预判能力，堆更多实例也只是“超级鹦鹉”。还有一些分布式系统学者指出，目前没有任何技术能支持1亿个AGI实现无缝认知同步。
但产业界的动作显然更快。报道说Anthropic已经敲定了百万颗TPU的采购订单，目标是部署超大规模的Claude集群，谷歌自己也宣布投入1800亿美元布局AI基础设施。不管你信不信1亿个普通AI能变成超级智能，算力军备竞赛已经实实在在开打了。全球AI竞赛的核心从算法突破转向大规模集群的工程化，这可能是报告释放的最真实信号。
/ 写在最后：不是奇点，是一系列变革
读完整份报告，我觉得它最克制也最有价值的地方，是没有宣布“超级智能马上来”。它反复强调，ASI不是某个戏剧性的单一时刻，更可能是一系列由AI驱动的科学和技术突破，在未来很多年里持续不断地冲击社会的各个层面。就像工业革命不是某一天完成的，而是一个持续上百年的过程。
所以报告的核心判断其实是一个提醒：与其等待AGI的那声发令枪，不如开始准备迎接一个长期加速又时常遭遇摩擦的未来。我们需要跨学科、全球范围的持续努力，而不是针对某个奇点时刻做预案。
报告最后引了图灵1950年的话：“We can only see a short distance ahead, but we can see plenty there that needs to be done。”在2026年读这句话，莫名贴合。从AGI到ASI，不管是一步之遥还是万里之遥，路上的事情确实很多，而且现在就得开始做了。
回头来看，这份57页的报告其实没有给出什么惊天结论，也没预测具体时间表。它更像一张地图，标出了已知的路径、可能的障碍、未知的区域。然后说：路就这些，墙就在那，我们该认真规划了。
能不能走得通？坦白讲，没人知道。但能把问题从“AGI什么时候来”扳到“AGI之后怎么办”，这份报告本身就完成了一次焦点转移。也许这才是它最重要的贡献。
—— END ——
（都看到这里了，还不关注我们吗 ？可以持续获得AI时代的生存指南哦 ↓）
往期回顾：
1. 通信网络“长脑子”了：工信部“人工智能+信息通信”新政发布
2. Claude“神话”模型降临：最强AI被装进笼子，然后分层出售