谷歌DeepMind梳理了从AGI到ASI的四条技术路径

这是 Google DeepMind 一篇很棒的论文。它解释了从 AGI 到 ASI 的发展路径，以及这一跨越为何能通过多条路线实现。

作者将 AGI 到 ASI 的转变归纳为四条技术路径：
- 持续扩展算力、模型规模、数据和测试时推理；
- 超越当前基于 transformer 的基础模型栈的算法范式转变；
- 递归自我改进，即 AI 加速 AI 研发，改进未来的系统；
- 多主体集体智能，即大量专业化智能体协调组成一个超越人类水平的群体智能体。

扩展路线在一段时间内可能有效，但它可能会在数据、算力、能源上碰到瓶颈，或是当系统规模扩大时收益会降低。

递归自我改进是不确定性最高的路径，因为 AI 确实可能加快 AI 研究的速度，但如果困难的研究问题需要真实世界测试、稀缺硬件或是全新想法，这个循环也可能放缓。

多主体集体智能可能是最被低估的路径，因为由能干的数字工作者组成的“社会”，可以通过专业化、速度和协调能力，胜过单个出色的模型。

论文核心观点是，ASI 不一定会以一次突然事件的形式到来，而是会随着 AI 帮助创造更好的 AI 和更强的科学工具，成为一系列越来越快的变化。

- arxiv.org/abs/2606.12683