如果通用人工智能（AGI）明天就实现了，人工智能的下一个发展阶段会是什么样？这个问题看似科幻，但Google DeepMind团队及其合作伙伴近期发布了一份专题报告，深入探讨了这一话题。
报告指出，AGI可能并非终点。AI并不会在接近人类水平时止步，而是会持续进化，最终超越顶尖人类专家团队，迈向所谓的超级人工智能（ASI）。这一判断本身就发人深省，因为它意味着我们可能需要重新审视“足够好了”的真正含义。
这里不妨回顾一下图灵在1950年写下的箴言：“我们只能看到前方很短的一段距离，但也能看到，那里还有大量工作有待完成。”放在今天来看，这句话依然切中要害。
报告梳理了AI从AGI过渡到ASI的四条潜在路径，也列出了可能出现的瓶颈，以及值得关注的未来研究方向。
研究团队坦言，由于预测ASI进展存在很大不确定性，目前不能排除AI在未来几年持续加速的可能性。这意味着，那种“将人类水平AGI引入社会后只会引发一次单一变革性跃迁”的图景，很可能并不准确。更现实的画面是，AI驱动的进步与突破会在科学技术的多个领域相继涌现，引发一连串变革性的社会变化。要应对这种局面，就需要启动一项具有全球视野的大规模跨学科工程。
AGI之后，什么是ASI？
在讨论AI如何继续变强之前，先理清几个关键概念。AGI（通用人工智能）是指一个在大多数认知任务上达到人类中位水平的通用智能系统，对应的是普通人的一般能力，而非顶尖专家。当然，第一代AGI可能已经在部分任务上超越人类，只是通用性还不够广。
ASI（超级人工智能）则完全不同，它不是在少数任务上表现突出，而是在几乎所有人类关心的领域都整体超越人类。这里的参照对象不是单个专家，而是大规模协调良好的专家团队。
还有UAI（通用人工智能的上界），代表机器智能的理论上限，由AIXI框架定义，目前只是理论上的最优智能体，现实中只能无限逼近。
从AGI走向ASI，研究团队给出了四条可能并行推进的路径。
路径一：持续扩展计算、模型与数据。这条路延续了过去十年AI进步的基本逻辑：更强的硬件、更大的训练规模、更高的算法效率、更大的模型和更多的数据。研究团队提到，近年的“有效算力”大致相当于每年增长10倍。AI的提升不仅来自单个模型变强，也可能来自更多实例、更快推理和更大规模协作带来的集体能力扩展。
路径二：算法持续演化，甚至出现新的范式转变。像更长上下文、持续学习、检索增强、工具使用、环境交互中的鲁棒决策、世界模型这些，都属于现有范式的延伸。而全新的架构、训练目标或学习机制，才是真正的范式转变。虽然无法预测下一次转变具体是什么，但团队认为这仍然是AGI之后AI持续进步的重要来源。
路径三：递归自我改进。更强的AI可以帮助研发下一代更强的AI，形成正反馈。这种机制体现在算法代码、硬件设计、数据生成与筛选以及分工效率的改进上。AlphaZero就是一个典型例子——先用搜索改进输出，再把结果蒸馏回模型。关键问题是，这种正反馈在现实中究竟能走多远。
路径四：多智能体协调与群体智能。这条路不关心单个模型有多强，而是关注大量AGI系统通过分工协作，形成超出单体上限的集体智能。自动化公司、研究组织、虚拟经济系统，都可能成为这种形态的载体。按照这条路径，ASI很可能不是单个极强模型，而是一个高度协调的AI集体。
需要强调一点，从AGI到ASI，并非算力越多越好。算力扩张确实重要，但很快会撞上资源天花板，必须依靠新的算法思路甚至新范式来突破。更值得注意的是，即便单个AGI只是接近人类水平，大量AGI一旦能高效分工合作，整体能力就可能全面超越人类。
真正的挑战在哪里？
除了四条路径，研究团队还归纳了六类可能影响AI继续变强的关键瓶颈。
1. 数据墙。高质量的人类生成数据是有限的。适合大规模预训练的人类文本数据，可能在本十年内就逼近上限。合成数据、模拟环境数据以及AI与现实世界交互产生的数据，能否及时补上缺口，目前还难以确定。
2. 经济和自然资源压力。如果AI进步继续主要依赖规模扩展，那么能源、芯片、数据中心、供应链和资本投入都必须同步跟进。这是现实的制约因素，但AI本身也可能通过提高经济产出、优化算法和硬件效率来缓解这些压力。
3. 现有神经网络范式可能不足。当前路线能否通向ASI？不能排除这种可能性，但团队提醒，在持续学习、稳定推理、交互式决策、不确定性表达，以及幻觉和提示注入等问题上，这个范式可能存在根本性局限。
4. 研究本身会越来越难。领域越成熟，取得进一步进展所需的投入就越高。AI能否通过自动化研究来抵消这种趋势？这还有待后续验证。
5. 抽象壁垒。如果今天的AI主要学习的是人类已有的概念和符号体系，它可能擅长重组已有知识，但未必能从原始世界中自主提炼新的概念原语。一个直观的例子：如果一个现代大模型只依赖前牛顿时代的知识训练，它几乎不可能靠自己推导出广义相对论或量子力学。
6. 监管、治理与社会反弹。监管门槛、许可制度、事件报告要求，以及事故引发的社会反应，都会影响AI能力扩展的节奏。这背后不光是技术问题，还涉及政策、制度、市场和公众的风险感知。
不足与未来发展方向
最后，研究团队提出了一个很现实的问题：如果AI已经超越人类，我们该如何继续评估它的能力？
现在很多基准测试都以人类水平为参照。一旦AI在考试、编程、数学、问答和专业测试上接近或超过顶尖人类，原有的评测指标就失去了意义。因此，未来需要建立面向后AGI时代的新评测与预测体系，包括多智能体竞争与合作任务、自动生成测试、通用压缩任务、经济生产率等间接指标，以及能持续更新、不会过早饱和的评估机制。
从内容上看，这份报告不是实验论文，而更像一份围绕后AGI时代的技术报告。研究团队建议，未来值得关注的方向包括：继续扩展现有AGI系统、探索新的AI范式、实现系统的递归式自我改进，以及通过大规模多智能体协作形成更强的整体能力。
说到底，ASI也并非全知全能的“魔法系统”。它同样受物理规律、计算复杂性、数据、资源、实验时间和现实反馈速度的约束。AI会沿着哪条路径推进、速度快慢如何，目前都高度不确定。未来，我们需要持续更新的基准、预测和研究机制，来降低判断中的不确定性。
