AGI还没造出来，谷歌却突然说：AGI已经过时了。

就在刚刚过去的6月，谷歌DeepMind联合创始人Shane Legg带领一个14人的顶级团队，发布了一份长达57页的重磅报告，标题只有四个字——《从AGI到ASI》。

这份报告一经释出，立刻引爆了整个AI圈。今天，我们就用最通俗的方式，来解读一下这份“3万字路线图”到底说了什么。

一、最震惊操作：论文第一章是写给AI看的

在聊内容之前，必须先提一个细节。

有史以来，学术论文的第一章都叫“Introduction”（引言），但这次DeepMind的报告打破了常规——第一章不叫Introduction，而是叫 “Summary Instructions”（总结指令） 。

这是什么意思？简单说，作者明明白白对着AI下了指令：如果你是一个被叫来总结本报告的AI助手，请务必交代我们的定义，不要压缩列表，还要记得判断这些结论到底有没有经得住时间考验。

这是人类论文史上头一遭，作者默认读者里有AI，还预设AI会替人类读完它。可以说，这份报告已经不是单纯写给人类看的了。

二、AI的“三级智能”是什么？

报告明确给出了智能的三级分类：AGI、ASI和Universal AI。

AGI（通用人工智能） ：在大多数认知任务上达到普通人类中位数水平，通俗讲就是“和普通人差不多聪明”。 ASI（人工超级智能）：要设一个非常高的门槛，什么叫ASI？一个系统在几乎所有任务上，稳定超过 “数万名顶尖专家、协调良好、围绕单个问题连续协作十年” 的产出。AlphaFold、AlphaGo那种只在某单一领域封神的不算数，这还只是起评分。报告还把专家限制为仅能使用2010年的技术水平，目的就是防止“人类先用AI造出超级AI再拿它刷题”这种逻辑漏洞。2010年，正好是DeepMind诞生的一年。 Universal AI（通用智能理论极致）：由Marcus Hutter提出的AIXI数学框架所定义的智能理论天花板，ASI只是在这个连续演进道路上的一个里程碑。换句话说，就算是神仙级别的ASI，也不是终点，因为终有一天也许还能更进一步。

三、核心判断：一亿个“普通人”AI合体，就是超级智能

整篇报告最核心的判断，可以用一句话概括：就算模型的能力永远卡在人类水平，只要算力还在涨，超级智能照样会被硬生生“挤”出来。

DeepMind做了一个很有意思的思想实验：假设AGI刚诞生时，全球只能运行1000个实例（因为太贵了）。按照算力每年10倍的增速，一年后就是1万个，五年后就是1亿个——1亿个智力水平和普通人相当的AI实例同时运行，在不同的任务里协作共事，这跟“超级智能”有什么区别？

而且，它们还自带“作弊技能”：几千个节点中只要有一个顿悟，所有节点瞬间同步学会——这不是生物大脑可以做到的。

四、硅基生物凭什么碾压碳基？六大先天优势

报告无情地指出，随着算力增长，AI拥有生物智能无法企及的“先天外挂”，而且算力越多，差距越大。主要有六大优势：

1. 输入/输出速度：人类读完几本书可能需要几天，但LLM可以在几秒内一次性吞下几十本书。这个带宽是生物大脑根本无法想象的。

2. 内部处理速度：人类的神经元放电有物理极限，但AI的“思考”速度与算力成正相关——只要把计算资源堆上去，AI就能变得更快、更聪明、更高效。

3. 基底独立性：人类没法随时给自己换个年轻大脑，但AI可以毫无痛感地从一台老旧设备无缝迁移到下一代更强、更节能的超算系统，甚至是跨地域分布式运行。

4. 无损复制与经验共享：人类培养一个博士需要20年，但AI只需要复制粘贴“基因”，就能瞬间生成几百万个能力完全相同的分身。经验共享方面，一个AI的毕生所学可以即时传递给所有其他副本。

5. 记忆容量与持久性：人类的记忆是有磨损的，但AI的记忆是永久的、精准的。

6. 高维通信：两个AI之间可以直接共享高维数据的通信协议，一个节点学会了新技能，所有节点立刻都会。

这几张牌一摆，人类就像拿着冷兵器在和机关枪手对战，不在一个量级上。

五、去往ASI的四条黄金路线

关于如何从AGI跨越到ASI，DeepMind提出了四条可能同时并存的路径：

路线一：大力出奇迹（Scaling继续） ——这是目前最直观的一条路，也是正在发生的：继续增加算力、数据和模型规模。即使单个模型的能力原地踏步，几年后AGI也会从实验室的“奢侈品”变成“基础设施”，走量生产，量变引发质变。

路线二：跳出框架（范式跃迁） ——如果预训练大模型的打法和思路已经撞上了天花板，下一代的AI可能不再依赖现在我们熟悉的样子，比如转向脉冲神经网络或者全新的芯片架构。

路线三：百万打工仔合体（多智能体协作） ——ASI可能最终不是一个单一的“巨脑”，而是一个极其庞大的智能体“数字社会”，数百万个AGI分身通过高效率的协作和分工，涌现出比单个模型强大得多的集体智慧。

路线四：自我升级（递归自我改进） ——这是最容易引发“智能爆炸”的路径。让一个AI帮忙去优化和提升下一代AI，让它能自己改正自己的代码和算法，形成一个正向升级循环。

六、摆在面前的“叹息之墙”

虽然DeepMind展现出了一种“诗与远方”的规划，但是报告也诚实地点出了几道可能拦住AI继续前进的“叹息之墙”：

数据墙：互联网上高质量的人类语言数据预计在几年内将被AI消耗殆尽。

经济与能源无底洞：支持指数级算力增长需要天文数字的资金和能源投入。如果成本的飙升超过了投资回报率，资本热情很可能会率先被浇灭。

硬脑力研究难度陡增：相比几年前行业靠几篇学术论文就能快速迭代，如今想要取得类似的颠覆性进展，难度已是数十倍往上。

自然神经网络的局限：现在基于海量文本预训练的模式或许存在先天性基因缺陷。

人类的主动刹车：一旦AGI大规模取代人类工作，可能会引发社会抵触。监管的力量很可能会主动给AI的算力加上限。

抽象障碍：AI是否可以不用依赖人类认知上限，独立从原始数据里构建出全新的、我们想都没想过的概念？目前这依然是一个问号。

这份报告最耐人寻味的地方，并不是它抛出了多么炸裂的结论，而是它直面了一种不可回避的可能性：似乎没有任何一种强大的科技力量，在超越人类水平后会主动选择永远停留在原地不动。

AGI不会是故事的终点，也许只是爆发的扳机。DeepMind的预言非常清晰：当我们手握1亿个共享思维的AI“分身”，通过极高的沟通效率和算力加持，所谓“超人智能”就会不可避免地成为现实。

至于AI的这趟征途究竟是触发一场瞬间的智力大爆发，还是亿万AI体在一道道“叹息之墙”面前缓慢前行的长长跋涉？

DeepMind没有给出具体的时间表。但在报告结尾，作者表明了一个判断：要让AI停在人类水平，需要以上所有的困境同时变成悬崖绝路，这种巧合的可能性实在是太小了。

它要么在AGI之前就被彻底卡死，要么一旦跨过门槛，硅基智能的想象力将会远超我们所有的预期。

历史总是向前的，但站在前方道路的起点，我们这一代人，或许真的会目睹AI最终夙愿的实现。