DeepMind 科学家提出 ASI 新定义:认知劳动或十年内成本降百万倍

Google DeepMind 研究科学家 Tim Genewein 于 11 月 19 日在 DeepMind Institute 发表文章《What comes after AGI?》,基于与 Shane Legg 等合写的技术报告《From AGI to ASI》,提出把超级智能写成可测量的连续区间,而…

一句话看懂:Google DeepMind 研究科学家 Tim Genewein 于 11 月 19 日在 DeepMind Institute 发表文章《What comes after AGI?》,基于与 Shane Legg 等合写的技术报告《From AGI to ASI》,提出把超级智能写成可测量的连续区间,而非单一奇点。这值得关注,因为它把 ASI 从科幻叙事拉回到训练算力、推理成本和 agent 协同这些可跟踪的指标上。

事件核心:发生了什么

据 @AGK_NO_23 转述,文章把 ASI 定义为:在几乎所有人类关心的任务上,能持续优于大型专家团队,并用更少资源、更短时间完成可能耗时数年的工作。作者给出一个关键量化判断:过去十年有效算力由硬件性价比、算法效率和硬件投资三因素叠加推动,整体增速至少约为每年 10 倍;若趋势延续,今天需 10 亿美元算力 token 才能完成的认知工作,十年后可能只需约 1000 美元。文章还列出通往 ASI 的四条路径——扩大模型与数据、技术范式转换、改进 agent 协同、递归自我改进,并强调它们并不互斥,一条放缓时竞争可能把资源推向另外几条。目前公开信息显示,这仍是一篇文章与技术报告层面的观点,而非已上线产品。

为什么重要

反直觉之处在于,文章没有把超人智能描绘成失控的自我迭代奇点,而是写成一条可测量的 continuum(连续区间)。这意味着更便宜、更多的同类 agent 本身就可能把 AGI 推向弱 ASI,不必先出现递归自我改进。对行业而言,这等于把竞争焦点从“谁先做出超级模型”转向算力性价比、推理成本与多 agent 协同效率;谁能压低单位认知劳动的价格,谁就在商业化上占据主动。

对用户/开发者/创作者的影响

开发者和企业采购方需要重新看待 API 成本曲线:若每年约 10 倍的有效算力增速成立,推理单价的长期下行会改变应用设计——更多任务可以交给 agent 批量执行,而非人工或单次调用大模型。创作者则要关注内容生产链条中被“工业化”的环节,尤其是可规模化复制的认知劳动。企业侧更现实的准备,是建立对训练算力投入、推理 token 成本和 agent 协同效率的持续跟踪,而不是等待某个明确的“ASI 上线”节点。

GamsGo AI

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。

了解 GamsGo AI

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》技术报告是否公开更多细节与测量框架;二是行业是否出现公认的 ASI 进度指标,训练算力、推理成本、agent 协同效率三者谁先行;三是监管与企业在认知劳动工业化上的跟踪口径是否趋同。作者在文末抛出的问题也值得持续观察:企业和监管现在该先跟踪哪一组指标?

来源:@AGK_NO_23

celebrityanime
celebrityanime
文章: 36228

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注