DeepMind CEO称大模型暴力方法存疑 中国开源模型领先

近日，谷歌DeepMind的CEO德米斯·哈萨比斯（Demis Hassabis）做客Y Combinator的旗舰访谈节目《如何构建未来》。这场对话信息量极大，涵盖了从当前AI技术瓶颈到未来AGI（通用人工智能）形态的诸多核心议题。

作为AI领域的传奇人物，哈萨比斯的人生轨迹本身就颇具启发性：从国际象棋神童、热门游戏设计师，到重返学术界获得认知神经科学博士学位，最终创立DeepMind。他带领团队取得的成就——从击败世界冠军的AlphaGo到破解生物学世纪难题的AlphaFold——足以定义过去十年AI发展的几个关键里程碑。如今，他正领导谷歌DeepMind向AGI这一终极目标迈进。

在这场对谈中，哈萨比斯分享了他对技术现状与未来的深刻洞察。他的观点既务实又充满远见，为理解AI的当下与明天提供了清晰的路线图。

当前模型范式会成为AGI最终架构的一部分

当被问及当前以大模型预训练、RLHF（人类反馈强化学习）和思维链为核心的技术范式，距离AGI的最终架构还有多远时，哈萨比斯的回答相当肯定。他认为，这些已被验证有效的技术组件，必然会成为未来AGI架构的一部分，很难想象这是一条完全错误的“死路”。

不过，他同时也指出，要实现真正的AGI，可能还需要攻克一两个关键难题。持续学习、长期推理以及更高效的记忆机制，是目前明显的短板。在他看来，现有技术通过持续的创新和增量改进，有大约一半的概率能扩展到AGI阶段；而另一半的可能性，则取决于能否解决那些尚未被发现的“核心大问题”。

记忆等领域还有很大创新空间：持续学习，梦境周期和海马体

谈到智能体系统的局限，哈萨比斯特别指出了“持续学习”能力的缺失。人类大脑通过睡眠（尤其是快速眼动阶段）回放和巩固记忆，将新知识无缝整合进已有的知识库。这种能力是目前AI系统所不具备的。

尽管现在的模型可以通过暴力扩大上下文窗口来模拟记忆，但这并非优雅的解决方案。即便拥有百万甚至千万级的Token容量，如何高效地检索与当前决策相关的信息，仍然成本高昂且不够智能。他认为，在记忆机制方面，还有巨大的创新空间。毕竟，如果想让AI理解并参与你长达数月的生活，现有的上下文窗口还远远不够。

构建Gemini的许多想法来自AlphaGo的早期探索

从DeepMind创立之初，研究能够自主决策、制定计划的“智能体”就是其核心使命。无论是早期的Atari游戏程序，还是后来的AlphaGo、AlphaZero，都是智能体在不同环境中的实践。

哈萨比斯透露，如今构建Gemini的许多灵感，实际上可以追溯到AlphaGo时代的探索。例如，当前大模型流行的“思维链”推理，在理念上与蒙特卡洛树搜索等早期技术有异曲同工之妙。他预测，未来几年AI的重大进展，很可能就源于对这些经典思想的现代化和通用化改造。

通过蒸馏，小模型获得和大模型同样的能力

一个反常识却至关重要的观点是：小模型的价值被严重低估了。哈萨比斯强调，虽然必须构建最大的模型来突破能力边界，但通过“蒸馏”技术，完全可以将大模型的能力高效地迁移到小模型上。

这对于实际应用至关重要。谷歌有十几个用户超十亿的产品需要集成AI能力，它们对响应速度、效率和成本有着极致要求。因此，将前沿能力打包进更小、更快的模型（如Flash系列），是满足海量服务需求的必然选择。目前，还没有看到这种“能力压缩”存在理论上的极限。

小模型成本更低、速度更快，更适合本地部署

小模型的优势远不止于成本。更快的推理速度意味着更高效的迭代，这在编程等场景下价值巨大。有时，用95%的能力换取十倍的迭代速度，是完全值得的交易。

更重要的是，小模型是边缘计算的未来。无论是出于隐私、安全还是效率的考虑，在手机、智能眼镜、家用机器人等设备上本地运行一个强大的小模型，都是理想的架构。未来，这些本地模型可能与云端的大模型协同工作，只在必要时委托复杂任务，大部分处理在本地完成。

为了获得完全的通用智能，必须攻克“持续学习”难题

哈萨比斯再次强调了“持续学习”的重要性。他认为，这正是当前智能体无法真正“放手”去独立完成复杂任务的主要原因。一个真正的通用智能系统，必须能够学习并适应它所处的具体环境与上下文。攻克这个难题，是通往AGI的必经之路。

AI在“内省”自己的思考过程方面还缺少点什么

尽管AI在思维链推理上取得了长足进步，但其推理过程仍显得粗糙甚至矛盾。哈萨比斯喜欢用与Gemini下象棋来观察其思考轨迹。他发现，模型有时会意识到某一步是“臭棋”，却因为找不到更好的选择而依然执行。

在一个精确的推理系统中，这种情况不应该发生。这暴露出现有系统在“内省”——即监控和评估自身思维过程——方面存在缺陷。这也解释了为何AI能力表现不均：既能解决国际数学奥林匹克难题，又可能犯下基础的算术错误。弥补这一差距，可能是实现更可靠推理的关键。

智能体是实现AGI的必经之路，现在才刚刚起步

对于当前火热的“智能体”概念，哈萨比斯认为炒作远未过度，事实上，一切才刚刚开始。AGI的本质必须是一个能够主动解决问题的“主动系统”，因此，智能体是通向AGI的唯一路径。

目前，整个行业仍处于广泛的实验阶段。虽然已经能看到一些提升效率的应用，但尚未出现由智能体主导完成的、具有碘伏性的复杂作品（例如完全由AI驱动的3A游戏大作）。他认为，距离智能体真正释放其全部价值，可能还需要6到12个月的时间。

不确定AI是否具有创造力

AI是否具备真正的创造力？哈萨比斯对此持开放但谨慎的态度。他认为，仅仅像AlphaGo那样走出一步惊艳的棋（如“第37手”）还不够。真正的创造力，是能够从零开始发明出像围棋这样规则简单却深邃无穷的游戏。

他提出了一个更极致的测试——“爱因斯坦测试”：能否用一个仅具备1901年物理知识的AI系统，推演出爱因斯坦在1905年提出的狭义相对论等划时代成果？如果AI能做到这一点，那无疑将证明其拥有发明新事物的创造力。目前，答案尚未可知。

中国模型在开源领域领先，边缘设备上最好是开源模型

在开源模型方面，哈萨比斯坦诚地表示，中国模型目前在开源领域处于领先地位。而谷歌推出的Gemma系列，正是为了在开源生态中提供一个有竞争力的选择。

他特别指出，对于部署在边缘设备（如安卓手机、智能眼镜、机器人）上的模型，开源是更优的选择。因为一旦模型部署到终端，其权重在某种程度上就是公开的。因此，谷歌战略性地决定，在“纳级”尺寸的模型上统一采用开源路线，以促进更广泛的生态构建。

多模态模型Gemini有长远优势，Genie对机器人技术十分重要

Gemini从设计之初就是原生多模态模型，这在早期增加了研发难度，但哈萨比斯相信从长远看会带来巨大优势。这种优势在构建理解物理世界的“世界模型”时尤为明显。

基于Gemini构建的Genie模型，对机器人技术至关重要。要让AI助手理解我们身处的物理世界、直觉物理规律，强大的多模态能力是不可或缺的。他认为，这正是Gemini系列的核心竞争力所在。

未来几十年，推理仍不会“基本免费”

尽管推理成本在快速下降，但哈萨比斯认为，在可预见的未来，推理算力不会变得“基本免费”。这里存在一个“杰文斯悖论”：效率提升往往导致总消耗量增加而非减少。

可以想象，未来数百万智能体协同工作，或者单个智能体进行多路径思考再集成决策，都会消耗巨大的算力。即使能源成本因技术突破而趋近于零，芯片制造等环节的成本依然存在。因此，高效地使用推理算力，在未来几十年内都将是重要课题。

用AI实现完整的“虚拟细胞”大约还有10年

从AlphaFold 3开始，AI已能预测更广泛的生物分子结构。那么，距离模拟一个完整的“虚拟细胞”还有多远？哈萨比斯的预测是：大约还需要10年。

目前的策略是从相对独立的子系统入手，例如先模拟细胞核。实现这一目标有两条路径：一是依靠硬件突破，实现对活细胞的纳米级无损成像，将其转化为视觉问题；二是通过更好的深度学习模拟器，直接对动态系统进行建模。无论哪条路，都需要跨学科的紧密合作。

AI会是科学的终极工具，用来解决科学中的“根节点”问题

哈萨比斯投身AI研究超过30年的核心动力，始终是将其作为“科学的终极工具”。DeepMind的使命也分为两步：第一步是解决智能（构建AGI），第二步就是用AGI去解决其他所有问题，尤其是科学中的“根节点问题”。

AlphaFold正是这一理念的完美例证，它开启了一个全新的研究范式。哈萨比斯相信，从材料科学、药物研发到气候建模、基础数学，几乎没有一个科学或工程领域是AI无法提供帮助的。未来几年，我们将在更多领域看到类似AlphaFold的突破性进展。

AI与深科技结合能产生巨大价值，从事真正热爱的事情

对于创业者，哈萨比斯给出了明确的建议：将AI与某个深科技领域（如材料、生物、物理）相结合，是创造巨大价值且构建起防御壁垒的绝佳路径。

这类跨学科项目门槛高，不易被单纯的基座模型更新所碘伏。他鼓励创业者投身自己真正热爱且坚信的领域，因为所有伟大的事业在成功之前，都难免遭遇普遍的质疑。唯有热爱，才能支撑你穿越漫长的探索期。

适合AlphaFold式突破的科学领域：“巨大的组合搜索空间”、清晰的目标函数和足够的数据

什么样的科学问题最适合用当前AI方法取得突破？哈萨比斯总结了AlphaGo和AlphaFold成功的共同模式。

首先，问题必须拥有“巨大的组合搜索空间”，庞大到任何传统算法都无力破解。其次，需要有一个清晰可定义的目标函数（如最小化自由能、赢得比赛）。最后，要有足够的数据，或者能生成大量合规合成数据的模拟器。只要满足这三个条件，利用现有技术就有很大希望找到“大海中的那根针”。药物发现就是下一个符合该模式的绝佳领域。

AI距离做出真正的科学发现很近：“爱因斯坦测试”

AI距离进行真正的科学发现、而非仅仅进行数据模式匹配还有多远？哈萨比斯认为，已经很近了。许多实验室都在开发能主动进行科学探索的AI系统。

但他指出，比解决一个已知难题（如黎曼猜想）更难的，是提出一个全新的、同等重要的难题。这就是他提出的“爱因斯坦测试”的深层含义：AI能否在旧知识的训练下，提出划时代的新理论？一旦通过这个测试，就意味着AI站上了真正“发明”和“创造”的起点。

预测2030年左右AGI到来，建议构建在AGI时代仍能派上用场的东西

在访谈的最后，哈萨比斯分享了他对创业者和研究者的建议。他预测AGI可能在2030年左右到来。如果你正在开启一段通常需要10年周期的深科技创业旅程，就必须认真思考AGI将在中途出现这一变量。

他建议，要尝试想象AGI实现后的世界图景，并构建那些在那个世界里依然能派上用场的东西。未来的架构可能是“通用模型+专用工具”的协同模式，通用AI会调用像AlphaFold这样的专业工具。因此，思考你的项目如何融入这个生态，将变得至关重要。

整场对话下来，哈萨比斯展现出的不仅是顶尖科学家的严谨，还有战略家的远见与哲学家的深思。他的思考，为所有关注AI未来的人提供了一份珍贵的地图。