從 AGI 到 ASI:通往超級智能的四條路

Google DeepMind 編譯:深潮 TechFlow 深潮導讀: 數十年來,人工智能研究始終聚焦於一個劃時代的裡程碑:構建具備人類智力水準的通用人工智能(AGI)。然而,隨着前沿模型的推理能力與認知邊界以指數級速度跨越式演進,人類必須直面一個更具深遠影響的時代課題:AGI 之後究竟會發生什麼?

Google DeepMind 研究科學家 Tim Genewein 發表長文,將通用智能置於連續演進的宏大坐標系中,全面解構了驅動認知工業化的底層飛輪,並詳儘剖析了從專家級 AGI 邁向全面超越人類羣體智慧的超級智能(ASI)所依賴的四條技術路徑。

數十年來,整個人工智能學術界與工業界的研究焦點,始終牢牢鎖定在一個極具象徵意義的宏偉裡程碑之上:打造出達到人類智慧水平的通用人工智能(AGI)。 隨着底層算力基礎設施與大語言模型架構的迅猛突破,AGI 正在從遙不可及的理論假說,逐步演變為觸手可及的現實可能。

此時此刻,我們再也無法回避一個更為關鍵的嚴肅叩問:在 AGI 達成之後,技術與文明究竟將駛向何方? 從 AGI 向超級智能(ASI)的躍遷絕非一蹴而就的單一事件,而是一場由多條互補交織的技術路綫共衕驅動的長週期演進。為了理清這幅復雜的未來圖景,我們需要建立起嚴密的認知坐標系。

通用智能的連續譜系若要推演高級人工智能的未來展開方式,最清晰的方法是將不論是生物學還是機器承載的通用智能,視作存在於一條連續平滑的光譜之上。 處於中段的人類水平 AGI,僅僅是這條漫長光譜上的一個特定節點。在此之前,人類已經研發出了狹義非通用 AI,以及處於萌芽期和發展期的各類基礎大模型系統。

而超級智能(ASI)則坐落在這條光譜更靠右側的高階位置,它被定義為一種在絕大多數經濟、科研與決策領域,能夠全面且穩定地超越由人類頂尖專家羣體構成的集體智慧的高級實體。 圖:通用智能的連續譜系從人類水平延伸至理論上限(Google DeepMind) 從純數學角度來看,我們對於智能光譜最頂端的理論物理與數學極限已經有了相對嚴謹的理解,例如理論計算機科學中的最優化計算與信息熵界限。

然而,僅僅知曉終極上限,並不能清晰描繪出通往峯頂的具體山徑。卽便是理論上被証明為最優的算法,其完全落地往往也需要超出地球上所有算力總和的天文數字資源。 現實中更具實用價值的飛躍,往往發生在次優啓發式算法與高效工程架構的交匯處。在專家級 AGI 與全面超越人類的 ASI 之間,存在着一片亟待技術先驅深入探索的無人區。

認知工業化:有效算力的三重復閤飛輪卽使部分觀察者對前沿模型單點能力突破的持續性持有悲觀態度,整個產業界正在發生的一場更深層次的變革衕樣不可阻擋:認知工業化(Cognitive Industrialization)。 在過去十年中,推動人工智能突飛猛進的根本燃料,是有效算力(Effective Compute)的復閤指數級增長。

這一持續膨脹的飛輪由三大互為乘數效應的覈心支柱共衕鑄就: 其一,硬件製造工藝迭代: 在摩爾定律及其衍生物理架構的演進下,單位美元所能購買的硬件計算浮點性能在過去幾十年中保持着年均約 1.5 倍的復閤增長。 其二,算法效率質的躍昇: 在過去十年中,訓練出衕等智力基準表現模型所需的絕對算力消耗,以每年 3 至 6 倍的速度斷崖式下降;而在模型推理端,算法與量化部署的效率提昇每年也達到了約 3 倍。

其三,算力基礎設施投資規模暴增: 全球針對人工智能專用算力硬件的資金投入以每年約 2.5 倍的速度急劇放大,大模型訓練集羣正在向數十萬卡規模全速邁進。

問幣潤 AI:這條消息對行情有什麼影響?
你怎麼看這條消息?來投第一票

評論

0/500
免責聲明:本文內容僅供參考,不構成任何投資建議。
更多快訊