为什么现在讨论 ASI 不再是科幻
过去十年，"构建人类水平的 AGI"从遥不可及的科幻变成了多家头部 AI 机构的明确十年目标。DeepMind 这篇 57 页报告的核心问题是：如果 AGI 真的实现了，之后会发生什么？
报告引用 Epoch AI 的估计：有效算力的年复合增长率约为 10×。这个数字来自三个因子的叠加——硬件效率每年提升约 1.5 倍（摩尔定律及其延伸），对计算硬件的投资每年增长约 2.5 倍，算法效率每年改善 3 到 6 倍。算法效率的提升尤其值得关注：它不是来自少数突破性发明（如 Transformer），而是大量微小改进的系统性累积。
三因子叠加意味着，即使不考虑任何范式转移或递归自改进效应，现有技术路线的 scaling 本身就可能把 AI 从人类水平推向超人类水平。这正是这篇报告的技术起点。
智能的连续体：AGI → ASI → UAI
报告的一个关键理论选择是使用 Legg-Hutter 智能量表作为框架基础。这个量表将"智能"定义为"智能体在所有可计算任务上的加权平均表现"（更简单的任务获得更高权重）。在这个框架下：
| 概念 | 定义 | 类比 |
|---|---|---|
| AGI | 大致等于人类中位水平的通用智能 | 一个能力中等的普通人类 |
| ASI | 在几乎所有领域超越大规模人类专家集体 | 一个超越整个研究所/公司的人类团队 |
| UAI | 理论上的通用智能极限（AIXI 框架），不可计算 | 上帝视角的全知全能 |
Legg-Hutter 智能量表的核心洞察在于：智能是一个连续谱。这意味着我们不需要精确定义 AGI 和 ASI 之间的边界线，只需要确认两者之间存在显著差距，就可以讨论从前者到后者的技术路径。这与 Shane Legg 本人 2007 年的博士论文一脉相承——这篇报告本质上是在回答：Legg-Hutter 理论框架在 2026 年的现实意义是什么。
值得注意的是，报告特别强调 ASI 的门槛很高——不是超越单个专家，而是超越大规模人类专家集体。单个 ASI 可能由数百万个并行运行的实例组成，就像今天的 LLM 一样。
数字智能的结构性优势
在讨论从 AGI 到 ASI 的路径之前，报告系统梳理了数字智能相对于生物智能的结构性优势。这些优势不是线性增长的，而是随算力增加呈非线性放大：
| 优势 | 说明 |
|---|---|
| 输入/输出带宽 | AI 可以以极高的速度摄取和产出信息。今天的 LLM 能在几秒内"读完"多本书，如果接上合适的传感器和执行器，意味着极高带宽的世界交互。 |
| 内部处理速度 | 通过增加算力，"思考"和"推理"可以被加速——要么加快串行计算（深度），要么增加并行计算（广度）。即使存在边际递减，这也是相对于生物智能的巨大优势。 |
| 工作记忆容量 | AI 的工作记忆大小和读写带宽远超人类。已经能"记住"大部分互联网内容的系统，显然还远未触及技术天花板。 |
| 载体独立性 | AI 系统可以从一台计算机迁移到另一台，甚至在运行时切换——升级到更强大或更高效的硬件，或在异构分布式硬件上运行不同部分。 |
| 无损复制 | 不仅能复制源代码（"DNA"），还能复制记忆状态（"一生经验"）。意味着可以任意备份、恢复、启动、暂停实例。 |
| 经验共享 | 数字输入输出流可以被存储、共享和回放，用于训练或微调。大规模的经验共享是生物智能做不到的。 |
但报告也列出了所有智能系统的根本限制：物理定律（光速、Landauer 原理、Bremermann 极限）、实时性约束（无法在有限时间内完成所有实验）、物理操作的非万能性、认知不确定性（不完整知识状态）、计算复杂性理论（P vs NP）、以及哥德尔不完备性。这些限制同时约束人类和 AI。
四条从 AGI 到 ASI 的技术路径
报告提出了四条可以并行推进的技术路径，这是整篇报告最核心的分析框架：
路径一：持续 Scaling（算力、模型、数据）
最"无聊"但最可预测的路径。硬件效率 × 投资增长 × 算法效率的复合效应可能足以把 AI 从 AGI 推向 ASI。这也是四条路径中唯一允许用历史数据拟合预测模型的——其他三条没有先例可循。
主要不确定性：规模增长如何转化为真正的通用能力提升？会出现跳跃性的"涌现能力"，还是边际递减？
路径二：算法范式转移
当前主流范式（大预训练 Transformer + log-loss 最小化 + RL 微调 + 简单的测试期 scaling）可能被新范式取代。报告列举了多个潜在方向：世界模型（如 JEPA、RLM）、神经符号系统、程序搜索、元学习等。历史上的经验表明，每隔一段时间就会出现范式级变革。
主要不确定性：范式转移的时机和方向完全不可预测，且新范式本身可能引入新的瓶颈。
路径三：递归自改进（Recursive Self-Improvement）
AI 系统参与自身的研发——发现更好的算法、设计更优的架构、优化训练流程，这些改进又让 AI 更擅长改进自身，形成正反馈循环。如果循环足够快且足够有效，就可能产生"智能爆炸"。但这条路径没有历史先例来校准其动态。
主要不确定性：递归改进的动态曲线完全未知——可能是超指数级增长（爆炸），也可能很快边际递减（渐近），或介于两者之间。
路径四：多智能体涌现（Group Agent Formation）
数百万个 AGI 实例通过市场机制、分工协作、自组织等方式形成超越个体的集体智慧。报告认为这可能是最被低估的一条路径——即使单个模型的能力停滞在 AGI 水平，足够大规模、良好组织的协作也可能突破人类集体智慧的天花板。
主要不确定性：涌现现象在复杂动力学系统中研究不足；集体智慧如何随种群规模、算力预算、组织形式 scaling 尚不清楚。
摩擦力与瓶颈：什么可能阻止 ASI
报告的另一个核心贡献是系统列举了可能阻碍 ASI 到达的摩擦力，以及对应的反摩擦力因素。关键在于：每个瓶颈都不是绝对的——都有可能被技术或经济力量克服。
关键开放研究问题
报告在最后列出了 7 大类关键研究问题，这里列出与工程师和研究实践最相关的几个方向：
1. 多智能体智能 scaling 定律：集体智慧如何随种群规模、算力预算、组织形式增长？这是目前最缺乏实证研究的方向。如果你在做 multi-agent 系统，这就是在做 ASI 的基础设施。
2. 递归自改进的动态建模：没有历史先例的情况下，如何建模 AI 加速 AI 研究的正反馈动态？需要新颖的理论框架和早期实证研究。
3. 后 AGI 时代的 benchmarking：今天的评测体系在 AGI 之后会失效。如何在后 AGI 世界中继续有效评估 AI 进度？这不仅是技术问题，也是治理基础。
4. AI 辅助科研的 epistemic 规范：如果科学研究被自动化，知识的共识建立机制需要怎样适应海量科研产出？
5. 超人类 AI 的对齐：ASI 是更容易还是更难对齐？规模更大的智能是否意味着更复杂的价值对齐问题？
评价：这份报告意味着什么
这不是一篇实验论文——它没有提出新算法、没有跑实验、没有 state-of-the-art 结果。它是一份 landscape mapping 报告，价值在于框架而非结论。
从方法论角度看，报告最值得称道的是它的"对偶分析"风格——每个瓶颈都配一个反摩擦力因素，不预设乐观或悲观立场，而是系统地呈现不确定性。这让报告避免了科幻式的预言（"ASI 将在 YYYY 年到来"），也避免了过度保守的否定（"我们永远不会达到 AGI"）。
从实践角度看，报告传递了一个明确的信号：多智能体架构可能是当前最值得投入的研究方向之一。即使单个模型的能力增长放缓，大规模协作可能是突破人类集体智慧天花板的关键路径。对于在做 AI 系统设计的工程师而言，这可能是最有前瞻性的启示。
最后，报告结尾引用了 Turing 1950 年的原话："We can only see a short distance ahead, but we can see plenty there that needs to be done." 在 AGI 即将到来的 2026 年，这句话比 76 年前更有分量。