当整个AI行业还在争论"AGI什么时候来"的时候，谷歌DeepMind投下了一颗深水炸弹——他们说，AGI这个概念本身，已经过时了。

6月10日，DeepMind发布了一份长达57页的报告《From AGI to ASI》，由联合创始人Shane Legg和AIXI理论的创立者Marcus Hutter领衔。这两个人不是随便哪个实验室的研究员——Legg在18年前的博士论文题目就是《Machine Super Intelligence》，而Hutter提出了智能的数学理论框架AIXI。师徒二人把当年的假设变成了一份技术路线图。

报告的核心观点很直接：AGI只是起点，不是终点。真正的问题不是"我们能不能造出AGI"，而是"AGI之后会发生什么"。

AGI到底是什么？DeepMind给了一个明确的定义

先说清楚定义。DeepMind把智能分成了三个层级：

AGI（通用人工智能）：在大多数认知任务上达到人类中位数水平。注意，不是某一个领域超越人类，而是"大多数"任务上达到"中位数"。这个标准其实不算特别高。

ASI（超级人工智能）：在几乎所有任务上，稳定超越"数万名顶尖专家利用2010年技术储备、协调协作十年"的产出总和。这是个什么概念？想象一下，让全世界最聪明的几万个科学家，在十年前的技术条件下埋头干十年——ASI要超越的，是这个总产出。

UAI（终极智能）：理论天花板，基于Hutter的AIXI框架。目前没有人知道怎么实现，甚至连是否可行都没有定论。

重点是第二个定义。DeepMind特意强调，单一领域的突破（比如AlphaGo下棋打败所有人类）不算ASI。ASI必须是全面的、跨领域的、稳定超越人类群体智慧的。

数字智能的六个先天优势

报告里有一个观点很有意思：随着算力增长，硅基智能拥有一些生物智能根本无法比拟的优势。

速度。大语言模型在秒级内处理海量文本，人类做不到。

并行。AI可以同时处理无数任务，人类的大脑一次只能专注一件事。

无损复制。培养一个博士需要二十多年，AI复制一份代码和权重就完成了。一百万个完美复制的AGI实例，可以在毫秒内共享全部记忆。

可迁移。AI可以无缝迁移到更强的硬件上，甚至分布式部署在不同的数据中心。

这些优势单独看并不惊人，但叠加起来会产生质变。当算力指数增长的时候，这些差距会持续扩大，不是线性扩大，而是指数级扩大。

通往ASI的四条路径

DeepMind认为，从AGI到ASI至少有四条可能的路径，而且这些路径可能同时发生。

路径一：暴力堆量。 这是最直观的，也是目前正在发生的。报告做了一个思想实验：假设全球初期只能运行1000个AGI实例，按每年10倍的增速增长，五年后就是1亿个。一亿个"人类水平"的AI集群，它们之间可以毫秒级共享记忆、拆分任务、并行推理——这本身就构成了一种超级智能。

这不是科幻。按照当前算力的增长曲线，这个时间尺度完全合理。

路径二：范式跃迁。 如果当前的"预训练+微调"模式触到了天花板，可能需要全新的架构。比如脉冲神经网络、神经形态硬件，或者像Mamba这样的线性时间架构。DeepMind没有押注某一条路，而是指出天花板可能存在，但出路也在探索中。

路径三：多智能体协作。 ASI可能不是一个巨大的超级大脑，而是一个由数百万AGI专家组成的生态系统。通过市场机制或蜂群思维协作，各自处理擅长的子任务，涌现出超越个体总和的群体智能。这个思路和当前AI Agent的多智能体方向一脉相承。

路径四：递归自我改进（RSI）。 最具爆发力的路径。AI开始加速自己的研发——自动设计更优的网络架构、更高效的AI芯片、更高质的训练数据。人类研究者从"研发者"变成"监督者"，而AI成为真正的创新引擎。

六道"叹息之墙"

前景很美好，但DeepMind同时警告：有六道高墙可能让AI发展在AGI阶段就停下来。

数据墙。互联网上高质量的人类文本数据预计在这个十年末就会耗尽。用AI生成的数据训练AI，会导致"模型崩溃"——生成内容的质量不断衰减。怎么突破？合成数据是一个方向，但远非万能解。

经济墙。维持算力指数级增长需要天文数字的资金。芯片供应链能不能跟上？能源消耗能不能承受？如果经济回报无法覆盖投入，投资泡沫就会破裂。

研究难度墙。随着领域成熟，容易摘的果子都被摘完了。取得下一个突破需要付出的努力，呈指数级上升。

范式天花板。当前基于Token预测的大模型存在幻觉、不确定性处理不足、提示词注入等结构性缺陷。这些问题不是调参能解决的，可能需要根本性的架构变革。

社会阻力。AI接管白领工作、重塑社会契约，可能引发强烈的公众反弹和监管介入。人为设定算力上限、拉电闸，都是可能发生的事。

哲学屏障。最深刻的拷问。智能的极限到底在哪里？是否存在理论上无法跨越的认知鸿沟？这是科学和哲学的交界地带，目前没有人能给出确定答案。

这份报告真正想说什么？

读完57页报告，我最大的感受是：DeepMind不是在画饼，而是在划定研究的边界。

Shane Legg和Marcus Hutter不是在预测"ASI什么时候来"，而是在回答"ASI的可能路径和可能障碍分别是什么"。前者是科幻，后者是科学。

报告第一章直接用了一段"Summary Instructions"——专门写给AI助手的指令，要求AI在总结报告时必须准确交代定义、保留完整列表。这是学术史上第一次在论文开头预设读者包含AI。光是这个细节，就暗示了DeepMind对未来的判断：AI不仅是研究对象，还会是这篇报告的"第一读者"。

对普通开发者意味着什么？

几个实际的思考：

第一，不要被"AGI还早"这种说法麻痹。即使AGI需要十年，AI能力的提升是持续的。与其等AGI来了再学，不如现在就开始了解和使用AI工具。

第二，多智能体协作不是概念，是正在发生的趋势。当前主流的AI Agent框架已经在往多智能体方向演进。学会编排和协调AI Agent，可能是未来几年最有价值的技能之一。

第三，关注AI的"能力边界"比关注"能力上限"更重要。DeepMind报告里的六道高墙，每一道都对应着真实的工程和商业挑战。理解这些限制，比幻想超级智能更有实战价值。

AGI是不是过时了？对学术定义来说，也许是。对普通开发者来说，最重要的事情没变：**理解技术趋势，掌握实用工具，在AI浪潮中找到自己的位置。**至于ASI是五年后还是五十年后到来——说实话，可能没那么重要。

毕竟，人类第一次登月的时候，谁也没预料到后来的互联网革命。