从 AGI 到 ASI：Google DeepMind 摘要
大多数人将 AGI 视为终极目标。
最近的一篇 Google DeepMind 论文转移了关注点。它提出了一个更难的问题：AGI 之后会发生什么？
该论文区分了两个阶段：
- AGI（通用人工智能）：在许多任务中表现达到人类平均水平的 AI。它能够进行推理、规划并解决问题。
- ASI（人工超智能）：在几乎所有领域都超越大规模人类专家群体的 AI。
ASI 不仅仅是一个能在国际象棋中获胜或编写代码的模型。它是一个能够超越整个研究实验室或公司的系统。
论文概述了从 AGI 向 ASI 演进的四种方式：
- 规模化 (Scaling)：使用更多的数据、更多的算力和更好的硬件。
- 算法变革 (Algorithmic Shifts)：寻找更好的架构（如 Transformer），而不仅仅是把模型做大。
- 递归自我改进 (Recursive Self-Improvement)：AI 帮助研究人员编写更好的 AI 代码。这会形成一个反馈循环，使 AI 加速自身的开发。
- 多智能体系统 (Multi-Agent Systems)：从单一的巨型模型转向数千个专门的 AI 智能体，像人类组织一样协同工作。
然而，一些瓶颈可能会减缓这一进程：
- 数据限制：我们可能会耗尽高质量的人类文本。
- 物理约束：规模化需要海量的能源、芯片和数据中心。
- 研究难度：随着 AI 的进步，剩余的问题可能会变得更加难以解决。
- 人为因素：安全性、监管和社会阻力将决定发展的速度。
对于工程师和开发者来说，这不仅仅是一场哲学辩论，更是一个工程挑战。
AI 的未来将取决于：
- 构建可靠的智能体架构。
- 提升长期记忆和工具使用能力。
- 创造更好的方法来评估超越人类能力的系统。
- 管理由多个智能体组成的分布式系统。
AGI 是一个里程碑。ASI 是规模的跃迁。
来源：https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd