DeepMind 最新发布文章提出一个核心观点,AGI 也就是达到人类水平的通用人工智能,只是 AI 发展路上的一个中间节点,并不是终点,团队已经把目光放到 AGI 之后的 ASI 超级智能上,过去行业主要目标都是攻克 AGI,而现在 DeepMind 认为 AGI 越来越近,不能再回避思考 AGI 之后会发生什么,ASI 指的是在几乎所有人类关心任务上,稳定胜过大规模人类专家团队的 AI 系统,它可以用更少资源,短时间完成一个科研领域好几年的工作量,同时团队也明确,从 AGI 到 ASI 不是必然会自动发生,存在很多瓶颈和不确定性,需要提前研究路线、能力追踪方法、安全治理方案,不只是等技术自己往前冲。
AGI 与 ASI 基础定义对比
| 概念 | 能力标准 | 对标参考 | 当前状态 |
|---|---|---|---|
| AGI 通用人工智能 | 在绝大多数认知任务上达到人类平均水平 | 普通人类、跨领域完成各类任务 | 行业正在冲刺,尚未正式落地 |
| ASI 超级智能 | 几乎所有领域稳定超越大规模专家团队 | 数万名专家协作十年的产出 | 理论研究阶段,还没有可运行系统 |
通往 ASI 的四条潜在路径清单
- 持续缩放现有 AGI:继续加大模型规模、算力、数据,沿着现有的缩放定律往上迭代
- 底层范式跃迁:跳出现在的统计学习路线,出现全新 AI 架构,比如因果原生、神经符号混合等新范式
- 递归自我改进:AI 系统自己设计、优化下一代 AI,形成自我迭代闭环
- 大规模多智能体集群:大量 AGI 智能体协同,群体涌现出远超单个智能体的超级能力
从 AGI 走向 ASI 的主要瓶颈
- 算力、能源、硬件物理上限,不可能无限堆计算资源
- 对齐、安全约束,能力越强,失控风险、治理难度越高
- 协调成本:多智能体集群会出现通信损耗、目标冲突
- 基础科学本身的边界,很多问题存在物理、数学层面的硬限制
整套研究落地步骤
- 建立能力标尺:区分 “速度变快、数量变多” 和真正出现新能力,避免误判 ASI 到来
- 跟踪四条路线的进展,持续观测每个路线的瓶颈变化
- 同步搭建治理框架,提前研究 ASI 的对齐、监管、风险评估
- 持续收集证据,判断 AI 是平稳进化,还是出现加速突变
- 输出公开研究结论,给行业、政策制定方提供参考依据
【相关 FAQ】
问题 1:DeepMind 提出 AGI 还不是终点,ASI 是什么意思?
回答 1:DeepMind 这项研究里,ASI 是人工超级智能,它和 AGI 不一样,AGI 对标人类水平,ASI 是在几乎所有任务上稳定胜过大型人类专家团队,是 AGI 之后的下一阶段智能形态。
问题 2:DeepMind 提出从 AGI 走向 ASI 一共有哪四条路线?
回答 2:DeepMind 提出 AGI 通往 ASI 的四条路径:持续缩放现有 AGI、AI 底层范式跃迁、递归自我改进、大规模多智能体集群涌现超级能力。
问题 3:DeepMind 认为 AGI 实现之后,就一定会自动进化成 ASI 吗?
回答 3:不会,DeepMind 明确说明 AGI 到 ASI 不是必然发生的,这条路上存在算力、能源、对齐、协同损耗等大量瓶颈,ASI 能否落地、什么时候落地都存在巨大不确定性。
【参考资料】
[2026-11-20](AGI 还不是终点,DeepMind 开始思考 ASI 的未来)网易订阅
[2026-11-19](What comes after AGI? From AGI to Superintelligence)DeepMind Institute
[2026-11-19](DeepMind 发布 ASI 路线研究,四条路径通向超级智能)机器之心
[2026-06-12](From AGI to ASI)DeepMind 官方研究报告
【免责声明】
本文内容基于 DeepMind 公开研究文章与行业媒体解读,AGI、ASI 都还处于前沿理论研究阶段,没有成熟可用的 ASI 系统;所有路线、瓶颈都是推演猜想,不代表一定会按照这个方向发展;本文仅为 AI 产业科普,不构成技术投资、行业发展预判。
