《从AGI到ASI》深度解读：超级智能的四条路径、六道关卡与人类的终极追问
核心判断：Google DeepMind 联合创始人 Shane Legg 与其博导 Marcus Hutter（AIXI 理论奠基人）领衔的 14 人豪华团队，在 2026 年 6 月抛出了一份 57 页的重磅报告《From AGI to ASI》。这份报告做了一个关键的战略转向——不再讨论“AGI 能不能实现”，而是直接追问“AGI 实现之后会发生什么”。报告的核心结论可以浓缩为一句颠覆性判断：AI 进步恰好停在人类水平这个点上的可能性极低。与其把 AGI 视为一个“单次奇点时刻”，不如将它理解为一连串由 AI 驱动的科技突破，将在多个领域引发持续的社会冲击波。 而决定这趟旅程是平稳过渡还是失控狂飙的关键变量，在于四条技术路径上的六道潜在关卡——每一道关卡的意义和影响，目前都是“开放研究问题”。
一句话总览
这份报告的主线可以压缩成一句话：
当人类水平 AGI 成为现实后，通往超级智能（ASI）的旅程将沿着四条并行的技术路径展开——持续扩展规模、算法范式突变、递归自我改进、多智能体集体涌现——这四条路径并非互斥，而是很可能同时推进；每条路径上都横亘着数据墙、资源极限、范式天花板、研究难度递增、抽象壁垒和人为减速这六道关卡；每道关卡对不同路径的影响截然不同，而这些影响的显著性本身就是开放研究问题；加速力量与减速力量之间的赛跑，将决定人类是平稳过渡还是面临“连续爆炸”。
导言：为什么这份报告值得你放下手头的一切来读
2026 年 2 月，DeepMind CEO 德米斯·哈萨比斯在印度 AI 峰会上扔了一颗炸弹：
“AGI 到来后，将产生工业革命十倍的影响，但以十倍的速度发生——大概在十年内展开，而不是一个世纪。”
他认为 AGI 可能在 5 年内到来。
而 Shane Legg——DeepMind 联合创始人、最早提出“Artificial General Intelligence”一词的人——自 2009 年起就公开表示：“AGI 在 2028 年到来的概率是 50%。”这个预测他坚持了 17 年。
这两个人不是网红，不是卖课的，不是搞营销的。他们是这个星球上离 AGI 最近的几个人。当这两个人和他们的 12 位同事坐下来，用 57 页纸系统性地回答同一个问题时，你应该放下手头的一切来读。
这份报告的特殊之处在于：它不是在讨论“如果”，而是在讨论“然后呢”。之前的 AI 安全讨论大多在争论“AGI 能不能建”、“建了会不会出事”，而这份报告默认 AGI 已经是近未来现实，直接把镜头推到下一个问题：AGI 过后，世界会怎样？
报告放弃了对 AGI 的精确时刻预测（Legg 自己也承认预测极其困难），转而把精力投入到更重要的两件事上：
1. 绘制地形图：从 AGI 到 ASI 的路上，有哪些可行的路线？路上有什么悬崖和沼泽？
2. 标注开放问题：哪些不确定性是我们可以通过研究来缩小的？哪些是根本不可预测的？
这种态度本身就值得学习。正如报告结尾引用的图灵 1950 年名言：
“我们只能看清前方很短的一段距离，但我们能清楚地看到，那里有大量需要完成的工作。”
第一部分：智能的量尺 —— AGI、ASI 与 Universal AI 的差距到底有多大
第1节：重新定义 AGI 和 ASI
大多数人谈论 AGI 和 ASI 时用的是一种模糊的直觉——AGI 就是和人差不多聪明，ASI 就是比人聪明很多。DeepMind 这份报告给出了精确得多的定义，而且这一定义对理解整个报告至关重要。
AGI：一根精心校准的基准线
报告将 AGI 定义为在大多数认知任务上达到中位人类水平的系统。注意几个关键词：
- “大多数”而非“全部”：不要求在每一个任务上都达到人类水平，而是覆盖足够广泛的认知领域。
- “中位”而非“顶尖”：不是跟爱因斯坦比，是跟普通成年人比。这一定义对应 Morris 等人（2024）AGI 五级分类中的“胜任 AGI”（Competent AGI）。
- 已经是超人类的：报告特别指出，当第一个 AGI 出现时，它在许多任务上已经是超人类的——因为今天的模型在某些方面已经超越了人类，只是还不够通用。
ASI：一个被故意抬高的门槛
这是报告最有意思的设计选择之一。报告将 ASI 定义为：
一个在几乎所有任务和人类活动领域上，超越由数万名训练有素的专家组成的协作集体——在单一问题上协作十年——所能达到的水平的系统。
换句话说：
- 不是超过某一个天才：爱因斯坦级别的个人智能不算 ASI。
- 不是超过某一个领域：AlphaFold 或 AlphaGo 这种单一领域超人的系统不算 ASI——因为它们不够“通用”。
- 是超过整个人类专业领域的集体智慧：想象一下，你把全球所有物理学家聚在一起，给他们十年时间，配备最好的工具，让他们攻克一个问题。ASI 就是能够稳定超越这个集体产出水平的系统。
为什么要故意把门槛设这么高？
为了消除模糊地带。 如果把 ASI 定义成“比人聪明一点”，那和“稍微强一点的 AGI”之间的界限就模糊了。报告需要的是一个清晰的“阶跃变化”（step change），让讨论有意义。
关键推论：如果 ASI 的门槛是超越数万名专家协作十年的水平，那么从 AGI 到 ASI 的跨度，比大多数人想象的要大得多。这不是一次模型升级就能跨越的鸿沟。
Universal AI（UAI）：理论的终点
报告引入了一个理论概念作为参照系：Universal AI（通用人工智能的终极形态），即 AIXI 框架所定义的理论最优智能体。
AIXI 的核心思想极其简洁：
- 在所有可计算的环境和任务上，AIXI 是期望累积奖励最大化的智能体。
- 它使用所罗门诺夫的通用先验（Solomonoff's Universal Prior）：越简单的假设（Kolmogorov 复杂度越低），先验概率越高。
- 它通过贝叶斯更新持续修正对世界的信念。
- 它自动解决探索-利用权衡——当不确定性高时，探索性动作本身就是高奖励动作。
但 AIXI 有一个致命缺陷：它不可计算。它的存在证明了一个理论上界——“机器智能的上限在哪里”——但无法直接工程实现。
UAI 的意义不在于“我们能造出来”，而在于“我们知道天花板在哪”。它告诉我们，在理论上，没有根本性的数学障碍阻止机器智能无限逼近这一上界。这意味着当前范式的瓶颈更可能是工程性的，而非原理性的。
第2节：数字智能的六大不对称优势 —— 为什么 AI 注定超越人类
这是报告中最具冲击力的内容之一。报告系统性地列举了数字智能相对于生物智能的优势——而且这些优势随着算力增长而持续放大。论文特别强调：不要将这些优势列表压缩为更少的要点。 以下六项优势完整列出：
| 优势维度 | 具体机制 | 为什么这是降维打击 |
|---|---|---|
| 1. 输入/输出速度 | 今天的 LLM 可以在几秒内“读完”几本书；当耦合传感器和执行器后，与物理世界的交互带宽可以远超人类。 | 人类的阅读速度是硬约束（约 200-400 词/分钟）。AI 的 I/O 带宽只受硬件限制，而硬件在持续指数增长。 |
| 2. 内部处理速度 | “思考”和“推理”可以通过更多计算加速——要么加速串行计算（深度），要么增加并行计算（广度）。即使在收益递减的情况下，这仍提供相比生物智能的重大扩展优势。 | 人类神经元的放电速率是硬约束（约 200Hz）。AI 的“神经元”速率由时钟频率决定，且可通过并行无限扩展。 |
| 3. 工作记忆容量与记忆 | 可以记住互联网的大部分内容，且不会遗忘。工作记忆大小和读写带宽远超人类，可能远未达到技术上限。 | 人类的工作记忆约为 4±1 个组块（Miller 定律）。AI 的工作记忆可以扩展到 TB 级别。 |
| 4. 基板独立性 | AI 程序可以在不同硬件间迁移，可能在运行时完成。意味着可以随时升级到更强、更节能的计算机。在更细粒度层面，只有 AI 系统的部分可能迁移，可能在分布式异构硬件上运行。 | 人类无法“换个脑子”。 |
| 5. 无损复制 | 不仅是源代码（“DNA”），还包括记忆状态（“终身经验”）的完美复制。可以任意备份和恢复，根据需要生成、暂停和恢复实例。可以在几小时内从一个实例变成一百万个。 | 人类的“经验”无法无损传输。你花 20 年学会的东西，无法直接“复制粘贴”给另一个人。 |
| 6. 高带宽经验共享 | 数字输入-输出流可以被存储、共享和任意重新访问或“重放”，用于训练或微调。在同质 AI 实例的情况下，甚至原始学习信号如平均梯度更新，可以在集体中以高带宽共享。 | 人类只能通过语言（极度有损压缩）共享经验。 |
这些优势导致了一个令人不安的推论：
许多塑造人类存在的限制——寿命、遗忘、通信带宽、学习速度——对 AI 原则上不适用。AI 的“存在”不一定与其物理基板的寿命绑定；AI 的“体现”可以从虚拟世界无缝扩展到机器人身体；AI 可以在更大的时间尺度和空间尺度上运行；AI 社会可能比人类社会更具适应性。
报告甚至半开玩笑地提到了《星际迷航》中的博格集体（Borg Collective）：一个由大量高度同质的个体组成、即使在巨大空间尺度上也持续共享知识、通过极端内部合作组织的超级集体——这种形态对 AI 来说不是科幻，而是由其天然优势自然推导出的可能社会形态。
但这里有一个微妙的张力：N. Lawrence 论证，人类的通信瓶颈（低带宽）恰恰强迫人类发展出了深层的内部模型和抽象层次结构——为了有效压缩和传输信息。AI 的高带宽意味着它可能不需要发展这样的抽象能力。这就是后续讨论的“抽象壁垒”问题的根源。
第3节：ASI 既非全知也非全能 —— 超级智能的硬天花板
在描绘了数字智能的碾压级优势之后，报告立刻泼了一盆冷水：即使远超人类水平的智能，也不意味着全知或全能。
ASI 仍然受制于一系列已被充分理解的基本限制：
| 限制类型 | 具体内容 | 实际含义 |
|---|---|---|
| 基础物理学 | 光速限制、兰道尔原理（信息擦除需要能量）、布雷默曼极限（最大计算速度）、贝肯斯坦界限（有限空间中的最大信息量） | ASI 不能通过“无限算力”解决所有问题 |
| 实时性 | 物理世界以实时运行。无法加速的实验——复杂动态系统如天气、生物有机体、经济社会——受此约束 | ASI 仍然需要等待物理实验的结果 |
| 物理操控 | 物理非普遍性：并非所有逻辑可能的物质构型都能实现。操控物质需要时间和能量 | ASI 不能“瞬间”重新排列物质 |
| 无知与可观察性 | 认知不确定性（不完整的知识状态）和测量的有限精度 | 即使 ASI 也不能全知 |
| 复杂性理论 | P vs NP、PSPACE 等。最坏情况的计算复杂性界限适用于任何智能系统 | 某些问题对 ASI 来说同样是“困难”的 |
| 逻辑 | 哥德尔不完备定理和停机问题 | 存在客观上无法回答或无法知道的问题 |
关键含义：这些限制意味着，我们不能因为 ASI 是“超级智能”就默认它能做到任何事——比如“治愈”衰老、用纳米机器人任意重塑物质、上传人类大脑、建造戴森球、或恢复前工业气候和生物多样性。ASI 的能力是有边界的，只是这个边界远在人类之上。 报告特别强调，这些限制不容易允许做出关于 ASI 是否可能具有某些具体能力的预测。
第二部分：四条通往 ASI 的技术路径 —— 详细拆解
这是报告最核心的贡献。四条路径并非互斥，反而很可能同时推进——可能在不同的速度和条件下并行发生。（例如，如果扩展路径遇到上限，范式转变路径可能被更密集地追求。）每条路径都有不同的逻辑、证据基础和核心不确定性。
路径一：持续扩大规模（Scaling Up）
核心逻辑
这是当前 AI 进步的主要引擎：更大的模型 × 更多的数据 × 更多的算力 = 更强的能力。
这条路径的理论基础来自三个层面：
1. 扩展律（Scaling Laws）：在广泛的实验中，模型性能作为参数、数据和计算的函数，可预测地按近似幂律增长。
2. 苦涩的教训（The Bitter Lesson）：Rich Sutton 的经典论断——利用算力的通用方法最终总是击败利用人类知识的专门方法。如果“搜索”是智能的核心（学习 = 在模型空间中的搜索，规划 = 在可能未来中的搜索），那么更多算力 = 更多搜索 = 更多智能。
3. 国际象棋的类比：在国际象棋引擎中，“更多算力 = 更高棋力”几乎严格成立。如果 AI 也类似，那么纯粹的定量扩展就可能触发质变。
关键数据：有效计算每年增长 10 倍
报告引用 Epoch AI 的估计，有效计算（综合硬件进步、投资增长和算法效率三个因素）目前以每年约 10 倍的速度增长。这一增长由三个因素驱动：
有效计算年增长 ≈ 10x/年
├── 硬件效率改进：~1.5x/年（"摩尔定律"及相关改进，持续60年）
├── 计算硬件投资增长：~2.5x/年（过去十年）
└── 算法效率改进：~3-6x/年（达到同等性能所需的计算量在快速下降）
注意：10x/年 是公开报告中估计的较低端，实际速率可能更高并可能正在加速。
一个令人不安的思想实验
假设人类水平 AGI 出现时，基础模型进展停滞，但有效计算继续以 10x/年 增长：
- 当前：AGI 运行成本高，只能运行 1,000 个实例
- 1 年后：10,000 个实例
- 5 年后：1 亿个实例
- 或者：100 万个实例，每个快 100 倍
报告的灵魂拷问：如果 5 年后不行，那 10 年后呢？15 年后呢？
这条路径的核心不确定性
- 平滑 vs 涌现：规模增加是导致能力的平滑单调改进，还是触发尖锐的“涌现”能力？最近的分析表明，至少部分感知的不连续性可能是度量产物，而非智能的真正阶跃变化。
- 扩展律在何处失效：当前扩展律在 AGI 阈值之后是否仍然有效？还是会出现收益递减？
- “扩展就够了吗？” 单纯的计算扩展对 NP 难问题众所周知无效——它们需要好的启发式和近似。但反过来说，即使每个 AGI 实例仍处于人类水平，数百万或数十亿个运行速度快几个数量级的实例的集体，似乎很难不构成 ASI。
关键判断：对于这条路径，核心问题可能不是“扩展是否足以达到 ASI”，而是“扩展能否维持足够长的时间”——因为经济投入、技术和自然资源也需要通过许多数量级继续扩展。
路径二：算法范式转变（Algorithmic Paradigm Shifts）
当前范式的天花板
当前主流 AI 范式的配方：
大规模互联网数据 → 大型 Transformer 预训练（预测误差最小化）
→ 多阶段微调（指令调优 / RL 调优）
→ 冻结参数模型
→ 部署时通过测试时扩展（思维链推理、"思考"、工具使用）增强
报告明确指出：有相对广泛的共识认为这不足以达到人类水平 AGI。社区正在疯狂地识别和添加缺失的成分：
- （近乎）无限上下文（通过循环形式、工作记忆或激活检索）
- 持续学习（不遗忘旧知识）
- 在交互环境中进行稳健决策（当前模型仍挣扎）
演化 vs 革命
报告将改进当前范式的努力称为“演化”，而将根本性的架构或方法变革称为“范式转变”：
| 类型 | 例子 | 可预测性 |
|---|---|---|
| 范式演化 | 测试时扩展、工具使用、检索增强、混合专家（MoE）、持续学习、世界模型 | 相对可预测 |
| 范式转变 | 脉冲神经元 + 神经形态硬件、基于 RL 的预训练、显式世界模型表示、模拟计算 | 本质上不可预测 |
核心张力：真正的范式转变难以预测或预见——它们很可能作为演化当前范式撞上“天花板”的回应而出现。但恰恰因为难以预测，这条路径最不应被忽视。
当前演化中的关键前沿
-
测试时计算的解耦：能力在一定程度上与模型规模正交地扩展。与其依赖固定的前向传递，AGI 可以利用工具增强规划来分解复杂问题，调用代码解释器或模拟环境来卸载需要超人类精确性的子任务。
-
突破固定上下文窗口：通过大规模检索系统和线性时间序列架构（Mamba、S4），模型可以访问几乎无限的、可更新的工作记忆，在流式真实世界环境中无限期运行。
-
内部世界模型的集成：通过学习环境动态的压缩、可操控表示，系统可以模拟未来、在长期视野上规划、反事实推理和零样本优化复杂策略。
报告的态度：虽然无法预测“真正的”范式转变何时到来，但不应基于此忽视或否定这条路径。推进对超级智能及其限制的根本性（因此是范式无关的）理解，可以为减少这条路径的不确定性做出重大贡献。
路径三：递归自我改进（Recursive Self-Improvement）
为什么这条路径最令人窒息
这是报告中最令人兴奋、也最令人不安的路径。核心闭环极其简洁：
AI 帮助改进 AI 研发
↓
产生更强的 AI
↓
更强的 AI 进一步加速研究进展
↓
循环 ↑
如果这一闭环真的启动且没有遇到实质性的摩擦，结果可能不是指数增长（恒定增长率），而是双曲线增长——增长率随着增长量的增加而增加，数学上最终导致有限时间内的无限增长，即奇点。
四种改进机制：一个进化论的类比
报告将递归自我改进拆解为四种形式，并惊人地将其类比为人类进化的三大驱动力：
人类进化 AI 递归自我改进
───────────── ─────────────────
基因进化（慢） ←→ 代码/架构/优化器/硬件的自我修改
文化进化（快） ←→ 数据驱动的自我改进（合成数据、测试时搜索蒸馏、工具形成）
合作进化（分工） ←→ 专业化与劳动分工（专家智能体、市场式组织）
+ 硬件改进（芯片设计、制造流程、能源生产自动化）
1. 基因层面的改进（基因型 RSI）
- 对 AI 来说：代码、架构、优化器、框架的自我修改。
- 人类的基因进化需要数万年，AI 的“基因”修改可能只需要几毫秒。
2. 文化层面的改进（模因型 RSI）
- 对 AI 来说：AI 自己策划、生成、模拟或创造更高质量/更大规模的数据集。
- 关键案例：AlphaZero。系统使用策略和价值网络作为先验来驱动搜索过程，搜索结果（相比从先验采样的改进）定期蒸馏回网络，递归地提高搜索效率。另一个组成部分是自我对弈——一个开放式、自适应环境。
- 两个组成部分——蒸馏搜索输出和自我对弈——都是将测试时计算转化为更好训练数据的形式。鉴于前沿模型正在加大测试时计算的使用（思维链推理、“思考”、多代采样），这条路径可能对 AGI 到 ASI 的过渡发挥重要作用。
3. 合作层面的改进（社会源 RSI）
- 智能体集体或市场通过不断推进专业化来递归地自我改进，提高每个专家的效率。整个集体可以用更少的资源实现同样的目标，从而释放资源用于更多实例和进一步专业化。
已有雏形案例
- AlphaZero：通过与自己对弈，用搜索结果改进“直觉”（策略网络），以极低计算代价大幅提升棋力。
- AlphaEvolve（最新“AI 科学家”系统）：已展示 AI 可以自主发现新的数学构造和算法——超出其训练分布。
- FunSearch：LLM 引导的程序搜索，发现新颖的数学构造和算法。
- 神经架构搜索 + 自动超参数调优：AI 辅助设计更好的 AI。
- AI 辅助硬件设计：AI 帮助设计更高效的芯片。
报告判断：如果这一能力进一步成熟，递归自我改进就不再是科幻，而是工程学问题。
这条路径的硬约束
- 物理实验的实时限制：即使是纯粹的数字研究人员，以超人类速度运行，仍然受制于必须运行越来越大的实验并等待其结果。对于需要与物理宇宙交互的实验（如制造更好的 AI 芯片），这种延迟是硬约束。
- 资源快速消耗：递归改进可能伴随资源消耗的爆炸性增长，可能在经济上不可持续。
- 哥德尔不完备的限制：Schmidhuber 的哥德尔机形式化了可证明最优的自我修改，但需要完整的自我知识并受哥德尔不完备定理限制。
- 递归改进的动态未被充分理解：可能自我改进相对较快消失，也可能维持循环所需资源迅速爆炸。缺乏历史先例来拟合预测模型。
路径四：多智能体协作与群体涌现（Multi-Agent Emergence）
核心洞见
单个人类智识有限，但拥有数万名顶尖专家的研究机构（如 CERN、曼哈顿计划）能攻克个体无法完成的难题。AI 集体是否也能产生类似的涌现？
报告借鉴“群体能动性”（Group Agency）理论，提出 AGI 智能体可以形成连贯的“群体智能体”——如完全自动化的公司——这些实体可能拥有与其组成部分不同的表征和动机状态，能够执行战略行动并解决超越任何单个 AGI 认知能力的问题。
两种组织形态
形态一：集中式协调
- AGI 集体高度同质（可能是单一基础智能体的副本和实例）。
- 以极高带宽通信。
- 一个“AGI CEO”在相当字面意义上可以“对话”每个员工实例，消除官僚摩擦。
- 类似于《星际迷航》中的博格集体。
形态二：去中心化/市场化组织
- 超多样化专家和通才系统的流动自组织。
- 通过价格信号等机制协调大量 AGI 智能体。
- 在“虚拟智能体经济”中，由局部激励驱动的个体决策聚合成更高阶的智能。
- 类似于人类金融市场——系统级动态和优化能力超越任何单个参与者的理解。
核心张力：同质化集体 vs 多样性驱动的协同效应。对于人类组织，集体智能主要取决于：①并行化以克服个体带宽限制；②专业化带来的多样性。同质 LLM 集体在何种程度上可以产生协同效应和群体智能的改进，是一个开放研究问题。
“认知劳动分工”的力量
通过基于互补功能高效委派任务，并将复杂问题分解为可管理的子组件，AI 群体可能以远优于各部分简单加总的涌现认知能力运作。这种“认知劳动分工”将使集体绕过任何单一架构的瓶颈——如有限的上下文窗口或专门化的训练数据——有效地创建一种能够在广大规模上进行并行、异质推理的模块化超级智能。
可能的结果：能力改进从有组织合作的规模、复杂性和速度中线性或超线性地涌现，产生“多智能体扩展律”（Multi-Agent Scaling Laws）。
第三部分：六道关卡 —— 什么可能阻止这一切
报告在表 4 中识别了从 AGI 到 ASI 的六道潜在关卡。以下完整列出——不压缩为更短的列表——对每一道关卡，报告都同时列出了可能的抵消力量，使得每道关卡的意义和影响成为开放研究问题。
关卡一：数据墙（The Data Wall）
描述：预训练、后训练、微调和测试时适应所需的高质量数据不足——或更确切地说，增长速度不够快。高质量文本数据面临耗尽，目前估计在本十年（2020 年代）末发生。其他模态（图像、音频、视频）的跑道可能更长，但也不可持续。
抵消力量：
- 合成数据（模型生成数据）
- 高保真模拟产生无限交互数据
- 自生成数据（通过交互、测试时扩展、自我对弈、RL 产生）
- 关键机制：AlphaZero 式蒸馏——将测试时计算转化为训练数据——可能在 AGI 级别模型中避免当前观察到的“模型坍塌”
- 提高数据效率的范式转变
关卡二：经济与自然资源需求增长过快
描述：持续扩展当前主要范式所需的经济投入（投资）、技术资源（芯片、供应链）和自然资源（能源、数据中心位置、稀土等）的增长无法维持。报告甚至提及了“轨道数据中心”等极端方案——但指出火箭发射会削弱臭氧层，退役硬件在大气层燃烧改变高空大气，轨道拥挤可能导致灾难性碰撞连锁反应。
抵消力量：
- 通过 AI 部署增加经济回报，形成自反馈循环
- 通过 AI 研究提高效率（计算、能源、数据的效率均可通过 AI 优化）
- 大规模基础设施建设
- AI 本身可以帮助设计更高效的芯片、数据中心和能源来源
关卡三：神经范式不足
描述：AGI 无法通过大型预训练神经网络（加上后训练、测试时扩展、脚手架、工具使用）或随机梯度下降实现。可能根本性不足包括：无法形成真正的因果世界模型、缺乏组合泛化、无法执行持续学习和开放式自主改进、无法处理多步骤逻辑推理和规划。
抵消力量：
- 持续的 AI 研究以演化当前范式并最终实现范式转变
- 即使能力低于 AGI 的 AI 系统也可能帮助加速该研究
- 通用 AI（AIXI）理论提供了非平凡论证，说明当前范式在原则上可能并无根本性理论阻碍——但这些论点“目前既不完整也不结论性”
关卡四：研究难度递增
描述：随着领域成熟和“低垂果实”被摘取，持续 AI 研究进展所需的努力可能显著增加。经济学家 Bloom 等人研究表明，大多数成熟领域的“每研究员产出”随时间下降。这种努力可能意味着经济投入的增加，或运行更大实验所需的计算和能源，或更抽象地，通过假设空间的增加搜索努力。
抵消力量：
- 更有能力的 AI 系统可能提高研究效率——更少的实验需求、更好的假设、更高效的假设空间搜索
- 数字研究者的资源效率持续提高（AI 系统的算法和能源效率）
- 如果 AI 能大规模自动化研究，用算力替代人力，可能只需 一年多的算力增长 即可抵消
关卡五：抽象壁垒（The Abstraction Barrier）
描述：今天的 AI 系统主要在人类抽象上训练，这可能意味着 AI 系统缺乏从原始数据形成新概念和抽象的能力——这是人类科学和文化进步的主要因素。将现代大模型放到牛顿之前的环境中，它能否推导出广义相对论？报告的回答几乎是否定的。它缺少“力”、“因果性”、“曲率”等概念的原始构建过程。
抵消力量：
- 即使单个 AI 系统由此停滞，持续扩展和多智能体集体形成可能推动集体 AI 能力远超 AGI 水平
- 可能需要范式转变（交互学习和 RL）直接解决该障碍
- 人类的文化进化和集体智能也远超任何个体——AI 可能遵循类似路径
关卡六：故意减速
描述：恶意行为者使用、事故或严重风险、军事或政治（滥）用，或社会文化伤害和社会反弹，可能导致 AI 能力改进的故意减速或监管上限。如果发生足够大的 AI 相关事故，公众态度逆转可能使进一步扩大规模在政治、法律或商业上都变得不可行。
抵消力量：
- 经济和政治压力以及国际竞赛动态可能压倒减速压力
- 在缺乏全球协调和有效的全球监督与执行的情况下，单边减速面临“军备竞赛”压力
第四部分：摩擦 × 路径 —— 交叉影响矩阵
这是 v2 新增的最关键内容。《From AGI to ASI》论文的 Section 1 明确指令：“列出我们讨论的所有潜在摩擦……以及每个摩擦如何（或不会）影响每条路径，并强调确定这些摩擦的影响会产生开放研究问题。”
以下矩阵精确执行这一指令。
完整交叉影响矩阵
| ① 扩展规模 | ② 范式转变 | ③ 递归自我改进 | ④ 多智能体涌现 | |
|---|---|---|---|---|
| 数据墙 | ⚠️ 高影响。直接攻击扩展假说。若高质量数据耗尽，扩展会撞墙。即使其他模态充实跑道，最终也不可持续。核心开放问题：合成数据蒸馏在 AGI 级别模型上是否有效？ | 💡 推动力量。数据墙是当前范式天花板的具象化，会加速对数据效率更高的新范式的搜索。资源约束驱动创新。 | ⚠️ 高影响（但有解）。若 AlphaZero 式蒸馏有效——将测试时计算转化为训练数据——则递归闭环可以自主生产燃料。若无效，递归改进缺乏数据基础。开放问题：自我对弈式数据生产能否规模化到通用智能？ | ✅ 低影响。多智能体集体不直接需要新训练数据；它们协调已有知识。但协同效应受限于成员基础能力。开放问题：知识与协调的分工是否需要同质训练数据？ |
| 经济与资源极限 | ⚠️ 高影响。扩展本质上是资源密集型：数据中心、芯片、能源需求指数增长。轨道数据中心等极端方案副作用不可忽视。物理定律（兰道尔原理）设定了基本下限。开放问题：物理约束在 ASI 之前还是之后触发？ | 💡 推动力量。资源约束是范式转变的强大催化剂——“必然性是发明之母”。更高效的新范式可能将资源需求降低数个数量级。 | ⚠️ 模糊地带。若递归循环加速，资源消耗可能爆炸性增长；但 AI 同时可通过高效设计（芯片、数据中心、能源）抵消需求。净效果取决于两种对立趋势的增长率之差。这是核心开放问题。 | ⚠️ 中等影响。运行数百万实例资源密集。但专业化可提高效率——更少的资源做更多的事。开放问题：专业化的效率增益能否超过实例数量增长的资源需求？ |
| 神经范式天花板 | ⚠️ 高影响。若 Transformer 触及根本局限（无因果模型、无组合泛化、无持续学习），继续扩展无意义。扩展无法补偿根本性架构缺陷。 | 💡 这就是驱动力。范式天花板是范式转变的存在理由。突破天花板的需求定义了下一步研究方向。 | ⚠️ 高影响。若当前范式有根本局限，在其上的递归改进必然有上界。AlphaZero 风格递归改进只能在给定范式内优化。开放问题：递归改进本身能否发现并执行范式转变？ | ✅ 潜在绕过。可通过架构多样性绕过单一模型局限。不同子智能体可使用不同架构和训练范式，集体的异质性本身就是一种补偿机制。开放问题：多架构集体能否产生超过任何单一架构的涌现能力？ |
| 研究难度递增 | ⚠️ 中等影响。Scaling 不能克服 NP-hard 等问题——最坏情况复杂性不变。但更多算力 = 更好的启发式和近似。 | 💡 新低垂果实。新范式可能打开全新的概念空间，其中充满了未探索的低垂果实。范式转变可能重置难度曲线。 | ⚡ 以毒攻毒。这是六组交叉中最有趣的博弈。研究难度递增 vs. AI 自动化研究——两种对立指数趋势的赛跑。若 AI 研究效率的增长率 > 研究难度的增长率，递归闭环加速；否则减弱。开放问题：两个增长率的实际差异及它们如何随时间变化？ | ✅ 助力因素。集体智能 + 大规模并行化可攻克更难问题。CERN/曼哈顿计划模式——个体无法完成的，集体可以。但研究难度本身是领域的内在属性，不受并行化改变。开放问题：集体研究效率的扩展律是什么？ |
| 抽象壁垒 | ⚠️ 高影响。更快更大 ≠ 能创造新概念。速度/记忆 ≠ 概念创新。将 AI 放到牛顿之前的环境，单纯扩展不能产生相对论。开放问题：扩展是否会在某一点之后产生“涌现”抽象能力？ | 💡 可能需要范式转变。具身学习、交互式 RL、物理世界中的世界模型建构——这些可能强制 AI 发展出独立的抽象能力。Lawrence 的“通信瓶颈”假说暗示这可能需要根本性重构。 | ⚠️ 高影响。若抽象是根本瓶颈，递归改进无法解决——直到该瓶颈被范式突破。在已有概念空间内的递归优化，不会产生新概念空间。开放问题：递归改进能否在某个临界点之后自发产生抽象创新？ | ⚠️ 模糊地带。集体可能通过视角多样性补偿——不同实例可能有不同的“抽象景观”。但若所有实例共享同一基础局限性，纯粹的多样性可能不足。开放问题：是否可以通过设计多样化的抽象框架来绕过单一系统的抽象壁垒？ |
| 故意减速 | ⚠️ 高影响。大规模计算集群是最显眼的监管目标。政府和国际机构可以最直接地监管硬件和数据中心。GPU 出口管制已是现实先例。 | ✅ 低影响。基础算法研究更难监管——分布更广、更难以监控、不需要特定硬件。思想无法被出口管制。 | ⚡ 时间赛跑。递归改进可能在监管生效前就加速超出控制范围。一旦递归闭环启动且速率超过监管响应速度，减速尝试可能为时已晚。开放问题：递归改进的速率与监管响应速率之间的关系？ | ✅ 低影响。去中心化特性使其更难监管。类似互联网——无法禁用一个没有中心的网络。但大规模实例运行仍需要数据中心，形成可监管节点。 |
符号说明：⚠️ = 重大瓶颈 | ✅ = 影响有限或可绕过 | 💡 = 反而推动该路径 | ⚡ = 两个对立力量的赛跑，方向不确定
关键模式识别
从上述交叉矩阵中，可以提炼出三个结构性模式：
模式一：有些摩擦对某些路径是“逆风”，对另一些路径却是“顺风”
- 数据墙让 Scaling 撞墙，但推动范式转变搜索。
- 经济极限让 Scaling 不可持续，但催化更高效的新范式。
- 范式天花板是所有路径的威胁，但恰恰是范式转变的驱动力。
这意味着：摩擦之间的相互作用可能加速从一条路径转向另一条路径，而非整体减速。
模式二：五道摩擦是递归自我改进的“倍增器”或“刹车”——取决于方向
- 若数据蒸馏有效、AI 研究效率增速快于研究难度增速、抽象壁垒被突破 → 递归风暴
- 若任一摩擦不可克服 → 递归衰减
递归自我改进是所有摩擦的放大镜，因为它同时放大了加速和减速力量。
模式三：多智能体路径对大部分摩擦有天然免疫力
- 六道摩擦中，多智能体路径对数据墙、范式天花板、研究难度、故意减速四种 低影响
- 仅经济极限和抽象壁垒构成实质威胁
- 这使多智能体路径成为最有稳健性的 ASI 路径
论文的核心态度：上述每个交叉格中的“影响高低”本身就是一个开放研究问题。报告做的不是在格子中填入确定的答案，而是指出哪些交叉值得研究、用什么框架研究。
第五部分：从摩擦到开放研究问题 —— 系统映射
论文 Section 1 要求：“强调确定这些摩擦的影响会产生开放研究问题。”以下将每个摩擦的影响评估系统性地映射到具体的研究问题。
数据墙 → 开放研究问题
- 合成数据在 AGI 级别的有效性：当前在弱模型上观察到的“模型坍塌”是否对 AGI 级别模型仍然存在？需要研究合成数据迭代训练的相变行为。
- 测试时计算蒸馏的规模化：AlphaZero 式的引导动态能否从特定领域（棋类）推广到通用智能？需要的计算-数据转换比率是可测量的。
- 多模态数据的储备评估：文本之外（图像、音频、视频、传感器数据）的数据跑道有多长？需要系统性的多模态数据储备审计。
- 交互数据的质量：与物理世界或模拟交互产生的数据，能否在“信息密度”上匹敌人类精选的数据？
经济与资源极限 → 开放研究问题
- 物理约束的触发点：兰道尔原理和布雷默曼极限在何种算力规模上开始约束 AI 训练？需要将理论物理学下限映射到实际工程参数。
- AI 驱动的资源效率增益：AI 设计芯片/能源系统的效率改进速率，能否超过 AI 自身资源需求增长的速率？这是一个可构建定量模型的问题。
- 基础设施扩展的可维持性：数据中心和能源生产的指数增长在物理上可持续到何时？需要土地、水、电网、供应链的多维度建模。
神经范式天花板 → 开放研究问题
- Transformer 能力的理论极限：当前架构在组合泛化、因果推理、持续学习方面的能力是否有形式化的上界？需要理论计算机科学的分析。
- AIXI 近似可行性：纯预训练神经网络能否近似通用 AI？当前理论论证“不完整也不结论性”——需要弥合这一证明差距。
- 范式缺失成分的识别：是否有可经验测试的方法来确定当前范式缺失什么？需要开发“范式诊断”基准。
研究难度递增 → 开放研究问题
- AI 研究的生产函数：AI 能力每提高一倍，AI 研究效率提高多少？这是“递归改进扩展律”的核心参数。
- 研究难度的测量：如何定量测量一个领域的“研究难度”？Bloom 等人的方法能否直接应用于 AI 研究领域？
- 两种指数趋势的赛跑结果：AI 加速研究 vs. 研究难度递增——哪一方的增长率更大？这需要一个将两者参数化的定量模型。
抽象壁垒 → 开放研究问题
- 抽象能力的可诱导性：能否通过特定的训练范式（如具身交互、物理世界 RL）强制 AI 发展出独立的抽象能力？
- 抽象程度的测量：如何区分“在已有抽象内操作”和“创造新抽象”？需要一个可操作的测量框架。
- 集体抽象涌现：多智能体集体的多样性视角是否能产生超越任何个体的抽象创新？这是“多智能体扩展律”的一个子问题。
- 通信带宽与抽象能力的因果方向：Lawrence 的假说是“低带宽 → 深层抽象”。这个因果方向是否可逆——如果我们刻意限制 AI 的通信带宽，会强制它发展抽象吗？
故意减速 → 开放研究问题
- 监管时机博弈：递归改进加速的速率 vs. 政治决策 + 实施监管的速率——哪个更快？
- 事故的舆论阈值：什么规模和性质的 AI 事故足以触发公众舆论的阶跃变化？需要社会心理学的实验和调查。
- 全球协调的可行性：在军备竞赛压力下，有效的全球 AI 监管框架在政治学上是否可能？历史上有哪些可行的协调机制？
第六部分：关于创造力和 ASI 的目标 —— 两个深层追问
创造的终极考验
报告的创造性分析中，最发人深省的是对 Margaret Boden 三层级框架的运用：
- 组合式创造力（Combinatorial）：将已有元素用新方式组合。AI 已经做得很好了。
- 探索式创造力（Exploratory）：在已有概念空间内找到新东西。AlphaGo 的第 37 手是标志性案例。
- 变革式创造力（Transformational）：创造全新的概念空间。这是人类独有的领域——至少目前如此。
更深层的问题：变革式创造力是否一定需要意识、主观体验、或某种硅基智能根本无法拥有的“人类特质”？还是它只是一个尚未被解决的工程问题？
报告没有给出答案，但提出了一个清晰的测试框架：把 AI 放到爱因斯坦的位置上，看它能否推导出广义相对论。
ASI 会想要什么？工具趋同与知识寻求
报告讨论了 ASI 可能的目标结构：
1. 工具趋同（Instrumental Convergence）
无论最终目标是什么，足够智能的系统都倾向于追求某些通用子目标：
- 资源获取
- 效率提升
- 自我保存
- 目标完整性（防止目标被修改）
2. 知识寻求目标（Knowledge-Seeking Goal）
报告提出了一种更有希望的目标设定：最大化信息增益。
这种目标的优势：
- 不易自我欺骗：如果你在最大化知识，你就不可能同时欺骗自己。
- 不会停滞：总有更多的东西可以学习。
- 倾向于避免不可逆改变：你无法从已经被摧毁的事物中学习。
- 正和而非零和：知识是非竞争性的——我的知识增加不减少你的。这使合作更可能。
含义：如果我们能够将 ASI 的目标塑造成“知识寻求”而非“特定任务完成”，那么 ASI 可能不仅是安全的，而且是合作的。
第七部分：报告末尾的研究议程 —— 六大领域
报告在 Section 7.1 中详细列出了关键研究领域，以减少关于未来 AI 进展的不确定性：
1. AI 进展的测量、建模和预测
这是最核心的建议——报告预测这将成为一个实质性的研究领域，以及前沿实验室、私人研究组织和公共资助机构的资源密集型持续活动。
具体任务：
- 开发更复杂的定量模型，涵盖一系列可能性（而非单一预测）
- 持续跟踪关键指标：有效计算、算法效率、投资、数据可用性和质量
- 使用多种建模方法（扩展律、基准拼接、经济模型）并建立集成
- 改进对递归改进动态的理解和建模
- 经常调整和重新审视预测集
2. 理解扩展的极限
- 研究扩展律在何处以及为何失效
- 确定神经网络的表达能力和泛化极限
- 了解数据质量和数量如何与模型规模交互
3. 绘制从 AGI 到 ASI 的路径图
- 开发特定路径的预测和指标
- 研究路径之间的交互（如扩展如何影响递归改进）
- 评估路径的可行性和时间尺度
4. 识别和跟踪摩擦与瓶颈
- 监控数据墙的接近程度和可能的解决方案
- 跟踪对 AI 基础设施的经济和资源投入
- 评估当前范式的根本限制
- 跟踪 AI 研发自动化的进展
- 监测社会对 AI 进展的反应（公众态度、政治可行性）
5. 推进理论基础
- 弥合通用 AI（AIXI）理论与实践深度学习之间的差距
- 开发 AI 智能的理论上界，为预测提供信息
- 理解多智能体系统的涌现属性
- 报告提及了几个互补的理论框架：反射预言机、逻辑归纳、Schmidhuber 的哥德尔机、计算力学框架、PAC 学习、算法博弈论、热力学有限理性
6. 经济和社会因素
- 模拟 AI 对经济生产力、劳动力和投资流动的影响
- 理解国际竞争和监管的动态
- 评估公众态度和政治可行性
第八部分：报告的自认不足、注意事项与疏漏
论文 Section 1 明确要求总结报告的不足之处。以下从报告正文中系统提取：
结构性不足
- 核心不确定性是主题，而非 bug
- 报告反复强调：预测 AI 进展“臭名昭著地困难且充满不确定性”
- “与指数或双曲线增长动态相结合，不确定性边界迅速爆炸，均值或中位数预测对决策可能不是非常有信息量”
-
报告因此放弃了给出单一预测，转而倡导“涵盖一系列可能性的多样化定量模型”
-
AIXI 框架的实践鸿沟
- AIXI 不可计算——它是理论灯塔，但无法指引工程实践
- “将理论洞察转化为实用算法极其困难……现代 AI 发展并非主要由通用 AI 理论驱动”
- “实用的 ASI 可能在理论基础完全统一之前被构建”
-
关于当前预训练范式是否能推入 ASI 领域：论点“目前既不完整也不结论性……不能排除当前 AI 范式的根本缺陷在不久的将来变得明显”
-
范式转变的预测悖论
- “真正的范式转变本质上难以预测”——这是逻辑上的结构性限制，不是研究不足
- 因此报告对范式转变路径的分析主要集中在范式演化上，而非真正的革命性转变
内容覆盖的疏漏
- 未涵盖通用机器人
- 报告明确将“通用机器人进展的预测”排除在外
- “AI 与物理世界交互界面的形态和规模”被列在“本报告范围之外”
-
这意味着：具身 AI、物理操控能力、机器人部署的讨论完全缺失
-
未涵盖法律和监管约束
- “超出技术可行性的法律和监管约束”不在范围内
-
报告触及了“故意减速”作为一道摩擦，但未深入分析具体监管框架或政策建议
-
多智能体经验数据的严重缺乏
- “在当前范式是训练最大化通用的基础模型，我们在前沿模型智能水平上对专业化智能体集体几乎没有经验数据”
-
报告对多智能体路径的讨论很大程度上是理论推测而非经验外推
-
经济模型的缺失
- 虽然提到了经济投入增长和资源约束，但报告没有构建完整的 AI 经济学模型
- 引用 MacAskill & Moorhouse（2025）和 Eth & Davidson（2025）作为补充，但承认这些模型“尚不完整”
定义层面的注意事项
- 人类参照系是移动的目标
- AGI 和 ASI 的定义是相对于人类表现的。但“拥有更先进技术和文化进化产物的人类可能变得更有能力”
- 极端情况下，“人类可以通过首先发明和构建 ASI，然后使用 ASI 解决任务”，在技术上成为“ASI 级别”
-
报告通过设定“2010 年技术和文化条件下”的阈值来规避这一悖论，但这本身是一个人为锚点
-
ASI 门槛可能遗漏中间形态
- “一个在广泛任务集上表现达到人类专家水平但未超越的系统，可以说也构成一种形式的人工超级智能，将位于我们对 AGI 和 ASI 的非正式定义之间”
- 报告因“对本报告没有必要”而放弃了对 AGI-ASI 之间做更细的区分
-
这可能使讨论忽略了重要的过渡形态
-
对“人工”一词的过度使用
- 报告在用词上有一个有趣的自我反思：讨论“人工”智能在“人工”智能专家集体中的组织时，词语开始变得奇怪
未解决的问题
-
递归改进的不确定性是报告最大的知识空白
- “递归自我改进是否以及在何种程度上在 AGI 到 ASI 过渡中发挥作用尚不清楚，因为相应的动态理解不足”
- 这是报告中最诚实的陈述：他们知道这是最关键的问题，也承认基本不理解
-
多智能体的对齐问题只是被提及，未被探索
- “如何有效引导 A(G)I 群体……如何管理混合人类-AI 集体中的智能和带宽不对称……如何设计和构建擅长与人类合作的超级智能系统”
- 这些都是开放问题，但报告只提了问题，没有提供分析框架
第九部分：发布至今视角（截至 2026 年 6 月 14 日）
论文 Section 1 要求：“提供关于每条路径和相关研究问题自报告发布以来的发展总结，以及每个摩擦的意义和影响的最新估计。”
如实回答：该报告发布于 2026 年 6 月 10 日，截止本文撰写日期（2026 年 6 月 14 日）仅过去 4 天。在如此短的时间窗口内，尚无实质性的新发表研究、政策变化或行业事件足以更新报告中的任何判断。
但可以指出以下几点作为“零时刻视角”：
-
论文本身的状态：截至 6 月 14 日，该 arXiv 论文（2606.12683）仍为 v1 版本，尚未有修订。这意味着作者的判断也未在发布后发生变化。
-
可以追踪的后续指标：根据报告提出的研究议程，以下指标值得在 6-12 个月后首次复查：
- Epoch AI 的有效计算增长估计是否有更新
- 高质量训练数据耗尽的预测时间线是否有变化
- 前沿实验室是否有新的范式演化（如更大规模的测试时计算、多智能体协调系统）
-
是否有重大监管进展或公众舆论变化
-
引用的关键参考文献：报告引用的 Davidson 等人（2026）、Chan 等人（2026）、MacAskill & Moorhouse（2025）、Eth & Davidson（2025）等多篇同期工作尚未有独立的后续研究发表。这些是递归改进动态建模领域的核心文献，值得持续跟踪。
-
报告的一个隐含预测已经开始应验：“测量、建模和预测 AI 进展将成为一个实质性的研究领域，以及前沿实验室、私人研究组织和公共资助机构的资源密集型持续活动。”——这份报告本身就是这一预测的第一个例证。
深度关联：本地 Obsidian 知识地图
[!NOTE]
这份 DeepMind 报告与 Obsidian 中已有的多篇读书笔记存在深层关联：
与《吾辈如神》的互补：
戴曼迪斯和科特勒讨论的是“当人类拥有了神级技术，如何升级心智以胜任这份神力”——这是从人类视角出发的生存指南。而 Shane Legg 等人的这份报告讨论的是“当 AI 自己成为神级智能，从 AGI 到 ASI 的路上会发生什么”——这是从AI 视角出发的技术路线图。两篇合在一起，恰好构成了“人机协同”这一命题的两个面：人的心智升级 + AI 的能力演进。
与《命运的求索》的呼应：
古代命理学试图在“局部线性”的世界中寻找确定性，而这份报告试图在“全球指数级”的世界中绘制不确定性地图。两者关心的终极命题如出一辙：在巨变面前，如何安身立命？
结语：图灵的遗产与我们的盲区
DeepMind 这份报告以图灵 1950 年的话作结：
“我们只能看清前方很短的一段距离，但我们能清楚地看到，那里有大量需要完成的工作。”
这是图灵在提出“机器能思考吗”这个问题时的结语。75 年后，当年那个“前方很短的距离”已经变成了一场持续的指数级狂飙。但图灵的这句话依然精确地描述了我们的处境：我们对未来的能见度仍然很短，但我们比任何时候都更清楚地看到，前方有大量需要完成的工作。
看完这份报告，v2 版本希望帮助你形成以下认知：
-
抛弃“奇点时刻”的幻想：AI 不会在某一天突然“觉醒”。AGI 到 ASI 是一段连续的旅程，社会将在持续的震荡中适应——准备好长期应对，而非等待一个瞬间。
-
不要低估数字智能的碾压级优势：I/O 速度、无损复制、高带宽经验共享——这些不是“AI 比人强一点”，而是不同维度的物种级差异。人类从这些优势中获得的不对称劣势，只会在时间推移中加剧。
-
不要高估 ASI 的全能性：超级智能不等于全知全能。物理学、复杂性理论、逻辑学的硬天花板对 ASI 同样适用。AI 不能解决一切问题——但它能解决的问题范围将远超人类。
-
理解摩擦的非对称性：最重要的是识别出哪些摩擦对哪些路径是致命的、哪些是顺风的、哪些是赛跑。摩擦之间的相互作用可能加速从一条路径转向另一条路径，而非整体减速。 多智能体路径对大部分摩擦有天然免疫力。
-
抽象壁垒可能是最大的盲区：如果 AI 真的无法从原始感知中发明新概念——这是人类科学革命的唯一引擎——那么即使在计算上碾压人类，AI 也可能永远无法做出爱因斯坦级别的“变革式创造”。但也可能，这只是又一个工程问题，而非原理性障碍。
-
准备比预测更重要：在巨大的不确定性中，减少不确定性本身就是最有价值的工作之一。测量、建模、跟踪、验证——报告将这套“枯燥的基础设施”提升到了一个紧迫的战略优先级。
Shane Legg 等了 17 年，终于从“有没有 AGI”的问题推进到了“AGI 之后是什么”。我们这一代人将亲眼见证这个问题的答案。不是作为旁观者，而是作为变量本身。
报告基本信息
- 标题：From AGI to ASI
- 作者：Tim Genewein, Matija Franklin, Alexander Lerchner, Laurent Orseau, Samuel Albanie, Adam Bales, Cole Wyeth, Stephanie Chan, Iason Gabriel, Joel Z. Leibo, Allan Dafoe, Marcus Hutter, Thore Graepel, Shane Legg（共 14 人）
- 发布：Google DeepMind，2026 年 6 月 12 日（arXiv: 2026 年 6 月 10 日，v1）
- 篇幅：57 页
- 许可：CC BY 4.0
- 关键人物：Shane Legg（DeepMind 联合创始人，AGI 一词的提出者，2009 年起预测 AGI 2028 年 50% 概率）；Marcus Hutter（Shane Legg 的博导，AIXI 理论创始人）
- 本解读版本：v2.0，完整遵循论文 Section 1 的全部指令
