DeepMind发布《从AGI到ASI》路线图 揭示通往超级智能的六大障碍

论文概览

DeepMind团队在2026年6月公开了一篇长达60页的技术报告《From AGI to ASI》，作者包括人工智能先驱Hutter、Legg以及Genewein。报告旨在绘制从**通用人工智能（AGI）迈向超级智能（ASI）**的完整路径，并指出实现过程中的关键障碍与资源需求。

“AGI是指在大多数认知任务上达到人类平均水平的系统；ASI则是能够在几乎所有领域超越大规模人类专家组合的系统。”

三层次模型

• AGI：在多数认知任务上表现相当于普通人类。
• ASI：击败成千上万、跨学科、协同工作十年以上的专家团队。
• 通用AI / AIXI：理论上不可计算的上限，仅能从下方逼近。

实现路径

1. 算力、模型与数据的规模化：沿用过去突破的经验曲线，继续扩大训练算力与数据量。
2. 算法范式突破：超越现有Transformer‑预训练框架，探索全新架构与学习方式。
3. 递归自我改进：AI加速AI研究，实现循环提升。
4. 多Agent协同：通过大规模AGI代理的协作形成类AI经济体，产生集体智能。
5. 能源与硬件供给：软硬件的同步升级是实现路径的基石。

六大潜在瓶颈

1. 数据壁垒：高质量训练数据可能出现枯竭。
2. 资源约束：能源、稀土、芯片等基础设施的供应不确定。
3. 神经范式上限：当前模型体系或难以突破至AGI层级。
4. 研究难度递增：突破性创新的边际成本呈指数上升。
5. 抽象壁垒：模型可能难以自行发现人类未构建的全新概念。
6. 有意放慢：监管、事故或公众反弹可能导致研发节奏受阻。

业界影响

该报告并非对未来的确定预测，而是对可行路径、风险点以及后AGI世界可能出现的经济社会结构进行系统性梳理。对大模型公司、算力供应商以及能源企业而言，报告提供了明确的投资与研发方向指引；对政策制定者而言，则突显了监管与安全预案的迫切性。整体来看，DeepMind的这份路线图可能成为业界在争夺AGI赛道时的“路线标尺”。