DeepMind发布ASI报告：AI可抵消研发减速，但物理延迟是超级智能终极刹车

据动察 Beating 监测，谷歌 DeepMind 发布最新研究报告，指出从通用人工智能（AGI）向超级智能（ASI）的跃迁可能并非单一社会剧变，而是一系列跨越多个科学领域的连续突破。针对传统的科研难度递增瓶颈，报告指出，虽然维持摩尔定律所需的研发人员数量已是上世纪七十年代的十八倍，但数字智能体可以被无限复制，使人类能在数小时内将研究资源增加二十倍，从而系统性抵消科研生产力的衰退。 迈向超级智能存在扩展规模、演进算法、递归自我提升以及多智能体协同四条平行路径。然而，转型过程面临着数据墙、资源开销、神经网络范式局限、科研难度递增以及抽象屏障五大瓶颈。限制科学发现的核心制约在于抽象屏障，即仅基于人类已有数据训练的系统难以脱离现有的概念框架。智能体若要发现新概念，必须通过与真实物理世界交互来克服具身瓶颈。验证过程受限于物理延迟，从而将硬件的递归自我提升循环限制在真实世界的实验速度之内。 在社会与组织结构方面，数字智能所具备的无损复制与高带宽信息共享，使超级智能倾向于以群体智能而非单一模型的形态出现。通过多智能体协同，AGI 智能体能以价格信号形成虚拟经济体或全自动公司。由于 AI 之间的高带宽通信能让一个 AI 决策者瞬间与所有成员沟通，传统人类组织中为了克服沟通瓶颈而设计的深层官僚层级结构，在超级智能组织中将被彻底抹平。