当AI开始设计下一代AI：DeepMind描绘的超级智能路径图

2024年12月，Google DeepMind悄悄发布了一篇论文，没有盛大的发布会，没有社交媒体上的病毒式传播，但这篇名为《从通用人工智能到超级智能》的论文，可能是过去一年被严重低估的AI研究文献。它的核心命题其实很简单：我们距离AI超越人类智能还有多远，而那条路究竟长什么样？

说实话，过去两年我见过太多关于AGI（通用人工智能）的讨论，大多数要么是盲目乐观的“三年内实现”，要么是杞人忧天的“AI将毁灭人类”。DeepMind这篇论文的价值在于，它没有给出简单答案，而是系统性地梳理了四条可能通往ASI（超级人工智能）的路径，每一条都值得认真对待。

持续扩展：越大真的越好吗

第一条路看起来最直观——把模型做得更大，喂更多数据，堆更多算力。这条路我们已经走了五年。从2017年Google提出Transformer架构开始，到GPT-3的1750亿参数，再到GPT-4的未知规模（但普遍估计在万亿参数以上），扩展法则（Scaling Law）似乎一直在生效——模型越大，能力越强。

但问题来了，扩展的天花板真的够高吗？

论文指出了三个主要瓶颈：数据瓶颈正在逼近，人类互联网上的高质量文本数据可能在2026-2030年间被训练殆尽；算力瓶颈受限于芯片制造工艺和能源供应，全球数据中心的电力消耗已经成为各国政策关注的焦点；更关键的是，单纯的规模扩展可能遭遇“智慧天花板”——更大的模型不一定更聪明，只是更擅长记忆和模式匹配。

我个人判断，持续扩展会是未来3-5年最重要的推进力量，但不太可能单独把我们送进ASI时代。它更像是一级火箭，把我们推到一定高度，但后续需要其他引擎接力。

范式革新：Transformer之后是什么

第二条路是算法范式的根本性革新。这条路更具颠覆性，也更难预测。

Transformer架构统治AI领域已经近八年，这在技术迭代极快的科技行业堪称“长寿”。但历史告诉我们，没有永恒的王者——CNN统治计算机视觉多年后被Transformer部分替代，RNN序列建模最终被注意力机制彻底击败。那么，Transformer之后的下一个范式会是什么？

论文提到了几个可能方向：混合专家架构（MoE）允许模型在不同任务时激活不同的“专家”子网络，效率远高于全参数激活；状态空间模型（如Mamba架构）试图解决Transformer在长序列处理上的计算复杂度问题；神经符号混合系统尝试结合深度学习的直觉能力与符号系统的推理严谨性。

我个人最关注的是“测试时推理”（Test-Time Computing）的扩展。与其在训练时堆砌算力，不如让模型在推理时花更多时间“思考”。OpenAI的o1和o3模型已经展示了这种思路的潜力——通过强化学习让模型在给出答案前进行多步推理，这在数学和编程任务上取得了突破性进展。如果这条路线继续深化，可能意味着我们不需要无限大的模型，而是需要“会思考”的模型。

被低估的多智能体协作

这可能是整篇论文最反直觉的洞见：未来最强大的AI系统，可能不是某一个“超级大脑”，而是一群各有所长的专业AI智能体组成的协作网络。

这个观点初听有些反直觉。我们习惯了追求“更大更强”的单一模型，为什么一群“较弱”的智能体反而可能是正确答案？

论文给出了几个关键论证。首先，专业化分工在人类历史上被反复证明是效率的源泉——一个全科医生和五个专科医生协作，诊断准确率通常远超前者。其次，多智能体系统天然具有容错性和可扩展性，某个智能体出错不会导致整个系统崩溃。再次，不同智能体可以用不同的架构、不同的训练方式，避免“把所有鸡蛋放在一个篮子里”。

DeepMind自己的AlphaFold团队其实已经在实践这个思路——不同模块处理蛋白质结构的不同层面，最终组合出完整预测。我认为这条路径最大的优势是“积小胜为大胜”：不需要某个天才般的架构突破，而是通过持续优化智能体间的协作机制，逐步逼近并最终超越人类智能的边界。

ASI不是一次跃迁，而是一条加速链

综合这四条路径，论文最核心的观点可能是：ASI不太可能是一场“戏剧性的单次跃迁”，而更可能是一个渐进的、加速的、反馈循环的过程——AI帮助人类研发更好的AI，更好的AI再加速下一轮研发，形成持续向上的飞轮。

这意味着什么？意味着我们可能不会在某个特定的“奇点”时刻突然进入ASI时代，而是在一系列“小步快跑”中悄然跨越那条线。2030年可能看起来和2028年没太大区别，但回头看2025年可能会觉得恍如隔世。

当然，论文也坦承了不确定性。递归自我改进（让AI帮助设计下一代AI）是最具变革性但也最难预测的路径，它可能带来指数级的进步，也可能因为某些根本性障碍而停滞不前。

作为一位观察AI行业多年的评论者，我个人的判断是：未来五年我们大概率会看到多条路径同时推进，彼此交织、相互强化。纯规模扩展的边际收益在递减，但算法革新和系统架构优化还有巨大空间；多智能体协作会成为新的研究热点；而真正的范式转换，可能还需要一个“Attention is All You Need”级别的原创性突破。

至于那个终极问题——AI何时超越人类？答案或许不在某个精确的时间节点，而在于我们如何定义“超越”，以及我们是否准备好接受一个由超级智能参与塑造的未来。