一句话看懂:DeepMind Institute 发布文章《What comes after AGI?》,把讨论焦点从 AGI 推向 ASI,提出更严格的 ASI 定义、四条可能的实现路径以及算力增长与瓶颈问题。这相当于谷歌把“后 AGI 时代”纳入工程和政策议程。
事件核心:发生了什么
据 @NFT_Chen 转述,DeepMind Institute 近期发布文章《What comes after AGI?》,配套技术报告题为《From AGI to ASI》。文章给出的 ASI 定义比通常理解更严格:不要求比单个专家略强,而是能持续超越大规模人类专家集体,用更少资源、更短时间完成他们需要数年的任务,并覆盖几乎所有人类关注领域。文章给出了一组算力推演:有效算力每年至少增长约 10 倍,由硬件性价比约 1.5 倍、算法效率 3 至 6 倍、硬件投资约 2.5 倍共同构成;按此推算,十年后今天需 1 亿美元算力的认知工作,成本可能降至约 1000 美元。目前公开信息显示,这仍是文章层面的判断,尚无对应产品发布。
为什么重要
过去 AGI 常被当作终点,这篇文章把它改写成“途中站”,并给出四条可并行的路径:持续缩放模型与数据(scaling laws 加 test-time compute)、突破当前 Transformer 范式(持续学习、世界模型、样本效率、新概念发明)、多智能体协调形成集体智能、递归自我改进(RSI)。这等于把 ASI 从哲学猜测转为可实证研究和治理议题。同一素材中还有一条相关信息:谷歌论文把 RSI 推进到 Continual 阶段,核心是让 Agent 的 Harness 持续优化并跨模型接力,而非改动模型权重。若属实,说明“后 AGI”讨论正在和具体工程方法挂钩。
对用户/开发者/创作者的影响
对开发者而言,test-time compute、世界模型、多智能体协调和 Agent 外壳自优化是值得跟踪的技术方向;若“有效算力十年降本”的推演成立,推理成本和 API 定价结构可能随之变化。对创作者和企业采购方,短期不必按 ASI 时间表做决策,更现实的是关注多智能体工具与持续学习型 Agent 能否落地。算力、能源与制造的物理约束,以及数据枯竭、收益递减,仍是需要观察的限制条件。
AI 工具推荐
想把多个 AI 模型放在一个入口?
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。
推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。
值得关注的后续
一是《From AGI to ASI》是否公开更多实验与数据,支撑算力增速和各路径判断;二是 CRSI 相关方法是否进入 Gemini 等模型的实际训练或推理流程;三是监管机构是否开始就递归自我改进和多智能体协调制定具体规则。
来源:@NFT_Chen


