谷歌DeepMind掌门人发声：AGI真正缺的不是算力

谷歌的Demis Hassabis跑到YC去做了一场深度访谈。

简单介绍下：谷歌DeepMind CEO，他在科技领域拥有极为非凡的职业生涯，小时候是国际象棋神童，17 岁做出了第一款爆款游戏《主题公园》，后来去读了认知神经科学博士，研究大脑的记忆和想象力，然后 2010 年创办了 DeepMind，搞出了 AlphaGo、AlphaFold，去年还拿了诺贝尔化学奖。

现在他掌管整个谷歌DeepMind，目标只有一个：造出 AGI。

节目中他与YC总裁Garry Tan讨论了实现 AGI 仍需解决的关键问题以及下一波可能出现的重大科学突破。

AGI 什么时候来？

Hassabis 给的时间点是 2030 年左右。

他觉得现在的技术路线（预训练、RLHF、思维链）肯定不会是死胡同，一定会是最终 AGI 架构的一部分。但是还差那么 1-2 个关键突破没搞定。他估计，这些突破是靠现有技术 scale up 就能解决、还是需要全新的 idea，概率大概 五五开。

最明显还没解决的问题：持续学习、长期推理、记忆、一致性

关于记忆

百万 token 的上下文窗口听起来很大对吧？但如果想处理实时视频，百万 token 只够 20 分钟。要是想让 AI 理解你一两个月的生活，远远不够。

而且更大的问题是——现在什么都往里塞，重要的不重要的、对的错的，全扔进去，太暴力了。Hassabis 的博士论文就是研究海马体的，他说大脑在睡觉的时候会有选择性地回放重要记忆来巩固学习，这比现在 AI 的做法高明太多了。

他觉得记忆这块还有巨大的创新空间。

关于强化学习

Hassabis 说 RL 可能被低估了。

现在模型的"思考模式"、思维链，本质上就是 AlphaGo 那套东西的延续。DeepMind 正在把当年 AlphaGo、AlphaZero 的老方法—包括蒙特卡洛树搜索—拿出来，以更通用的形式在更大规模上重新跑。

他觉得未来几年的进步很大一部分会从这里来。

小模型会越来越强

蒸馏是 DeepMind 的看家本领。

他们的规律是：前沿大模型发布后，大概 6-12 个月，同样的能力就会出现在边缘小模型上。

为什么这么拼命做小模型？

因为 Google 有十几个十亿级用户产品—搜索、地图、YouTube、Gemini App—全都要用 AI，必须又快又便宜又低延迟。

而且小模型虽然可能只有前沿模型 90-95% 的能力，但迭代速度快太多了，在协作工作流里这个速度优势完全能弥补那 5-10% 的差距。

Gemma 4 两周半就有了 4000 万次下载，他还强调西方必须有自己的开源栈，不能让中国开源模型一家独大。

关于推理

Hassabis 自己经常跟 Gemini 下棋来测试它。

他发现一个很搞笑的事：模型会看出一步棋是臭棋，然后找不到更好的，最后还是走了那步臭棋。

这在一个精确推理系统里不应该发生。

这就是所谓的"参差不齐的智能"：一方面能解 IMO 金牌题，另一方面换个问法就犯小学数学错误。

他觉得根源是缺少一层对自身思考过程的反省能力，可能只需要一两个 tweak 就能修好，但确实还没修好。

Agent才刚起步

Hassabis 说 agents 确实有用，但还在实验阶段。

过去几个月才刚开始找到真正有价值的使用场景，之前更多是 toy demo。

他看到很多人放几十个 agent 跑 40 小时，但产出还配不上投入。

他在等一个标志性事件：一个小孩用 vibe coding 做出卖 1000 万份的爆款游戏。这事还没发生，但他觉得 6-12 个月内会发生。

持续学习是关键瓶颈：现在的 agent 不能根据具体场景自适应学习，所以没法真正"放手不管"。

一旦持续学习突破了，agent 才能真正自主。

关于AI4S

Hassabis 很坦诚：目前还没有 AI 系统产生过真正重大的科学发现。 DeepMind 有 Co-Scientist、AlphaEvolve 等工具，但还没过线。

他提出了一个"爱因斯坦测试"：用 1901 年之前的知识训练一个系统，看它能不能独立推导出狭义相对论。等这个测试通过时，真正的创新就来了。

还有一个更难的标准：让 AI 提出新的千禧年难题级别的问题，让顶级数学家觉得值得穷其一生去研究。这个他觉得目前做不到。

关于虚拟细胞：完整模拟一个活细胞大概还要 10 年，DeepMind 正从虚拟细胞核开始做起。

最大的卡点是数据：没有办法在不杀死细胞的情况下，对活细胞做纳米级分辨率成像。

什么样的问题适合AI来攻克？

Hassabis 总结了 AlphaGo/AlphaFold 的共同模式，三个条件：

1. 超大组合搜索空间
2. 明确的目标函数
3. 足够的数据或模拟器

药物发现完美符合这个框架：一定存在一种化合物能治这个病，问题只是怎么在天文数字的可能性中找到它。

他觉得材料科学、数学、气候建模都接近 "AlphaFold 1 时刻"：有了很好的初步结果，但大突破还差最后一步。

对创业者的大实话

最防守性强的方向：AI + 另一个深科技领域的交叉。

纯API 的公司，下一次模型更新就可能被淘汰。

但若做的是材料、医药或者涉及原子世界的东西，短期内不会被淘汰。

做难的事不一定比做简单的事更累，只是难点不一样。

人生苦短，不如把精力砸在"如果你不做就不会发生"的事情上。

深科技通常是 10 年旅程，必须把 AGI 在中途出现这件事纳入规划。

不是说被AGI搞死，而是要想清楚，AGI 来了之后，现在做的东西是能被它加持，还是被它替代？

他对未来的想象是：通用大模型调用专用工具，而不是一个巨型大脑做所有事。所以应该想的是，在那个世界里，什么样的专用工具或物理基础设施是有价值的？

推理成本会免费吗？

不会。

Hassabis说便宜了你就会用更多。

百万个 agent 集群、多方向搜索、ensembling……推理能力都会被吃光。即使未来能源接近免费（靠核聚变、超导体等），芯片的物理制造仍然是瓶颈。至少未来几十年，推理效率仍然重要。

总结

Hassabis 的核心信息就是：

• AGI 大概 2030 来，还差 1-2 个突破
• Agents 刚起步但前途无量
• 最好的创业方向是 AI 交叉深科技，做那些即使 AGI 来了也不会被替代的硬东西

最后

视频如何下载？可以点击原文使用小工具