诺奖得主 Hassabis 的 AGI 路线图：2030 时间线、Agent 刚起步、爱因斯坦测试与科学大发现

一、AGI 架构：当前范式会是最终答案吗？

Hassabis 对当前技术栈的判断异常清晰：

​"I can't see a world in which we will sort of realize in a couple of years this was a dead end. That doesn't make sense to me."（我无法想象有一个世界，几年后我们会发现这是一条死路。那说不通。）

他确认大规模预训练、RLHF、思维链这些组件将会成为最终 AGI 架构的一部分。但关键是——还缺 1-2 个大想法：

• 持续学习（Continual Learning） ：当前模型是无状态的，不能从使用中学习。这是 Agent 无法真正"放手去做"的核心瓶颈
• 长程推理（Long-term Reasoning） ：模型能解 IMO 金牌题，却会犯基础数学错误——这种"参差不齐的智能"（jagged intelligence）说明推理机制有根本性缺陷
• 记忆（Memory） ：把所有东西塞进上下文窗口是"用胶带糊起来"的做法（duct tape）。100 万 token 看似很大，但处理实时视频时只相当于 20 分钟

他给出了一个概率估计：50/50——可能只需要渐进式创新，也可能还需要 1-2 个根本性突破。

AGI 时间线：约 2030 年。 他两次提到这个数字。

二、大脑给 AI 的灵感：从海马体到经验回放

Hassabis 是认知神经科学博士，研究方向正是海马体如何将新知识优雅地整合进已有知识库。这段讨论揭示了 DeepMind 的思想根源：

• 经验回放（Experience Replay） ：DeepMind 最早的 Atari 程序 DQN 之所以能掌握游戏，就是借鉴了大脑在 REM 睡眠期间重放重要情节的机制——这是 2013 年的工作
• 上下文窗口 ≈ 工作记忆：人类工作记忆只有约 7 个数字的容量，AI 有百万甚至千万 token。但问题不在于存储量，而在于检索成本——在庞大的记忆中找到对当前决策真正有用的那一条信息，这是非平凡的
• 现在我们做的还很粗暴：把所有东西（包括不重要的、错误的）都塞进上下文窗口。这就像你把整个图书馆搬进工作台，而不是只拿出需要的那本书

核心洞察：AI 的记忆创新空间巨大。当前的暴力方法会被更优雅的架构取代，而灵感很可能来自神经科学。

三、强化学习回归：AlphaGo 的遗产正在复活

当被问到 RL 是否被低估时，Hassabis 回答"potentially yes"（可能是的），并展开了一段精彩的技术叙事：

• DeepMind 从第一天就在做 Agent 系统——Atari、AlphaGo、AlphaStar（星际争霸）
• 今天所有模型的思维模式和思维链，本质上都是 AlphaGo 时代探索的东西的回归
• 他们正在重新审视 蒙特卡洛搜索和其他 RL 增强方法，将其规模化应用到通用基础模型上
• 链式思考是搜索和规划的一种形式——这正是 AlphaGo/AlphaZero 的核心思想

他用下棋来诊断推理缺陷：Gemini 下棋时会在思维链中认出某步是"昏招"（blunder），但因为找不到更好的走法，又走了那步昏招。这暴露了当前推理系统缺少某种元认知/自我反省能力。

四、蒸馏的力量：Flash 模型 95% 能力、十分之一价格

Hassabis 对蒸馏（Distillation）技术的信心极高：

• Flash 模型达到前沿模型 95% 的能力，成本只有 1/10
• 没有看到任何理论极限——信息密度的瓶颈远未到来
• 规律是：前沿模型发布后半年到一年，同等能力就会出现在极小的边缘模型中
• Gemma 4 模型在两周半内达到 4000 万次下载
• 小模型的价值不仅是成本——速度带来的迭代能力本身就超过了 5-10% 的精度损失

他还提出了一个有趣的架构愿景：未来的系统可能是本地小模型处理隐私敏感数据（音视频流）+ 只在需要时委托给云端大模型。这对机器人和智能眼镜尤其重要。

五、Agent 现状：刚刚起步，还没看到"爆款"

这是对 Agent 炒作最清醒的评估之一：

​"We haven't seen a AAA game that tops the app store charts that was sort of vibe coded yet."（我们还没看到一款用 vibe coding 做出来的、登顶 App Store 的 3A 游戏。）

Hassabis 的判断框架：

• Agent 是通往 AGI 的路径——这一点在 DeepMind 看来从一开始就清楚
• 当前 Agent 对任务的部分很有用，但不能真正"放手让它去做"（fire and forget）
• 核心瓶颈是缺少持续学习——Agent 不能适应你的具体环境
• 他亲自尝试过用 AI 在 30 分钟内做出 Theme Park 的原型（这款游戏他 17 岁时花了 6 个月开发），但认为要做出真正出色的东西，仍然需要工匠精神、品味和人的灵魂
• 我们还在实验阶段——只是在最近几个月才开始找到真正有价值的应用场景

他也对"开几十个 Agent 跑 40 小时"的做法持怀疑态度——产出还没看到配得上那个投入的。

六、开源与 Gemma：西方 AI 需要自己的开源筹码

Hassabis 对开源的立场值得注意：

• DeepMind 是开源和开放科学的坚定支持者——AlphaFold 完全免费开放
• Gemma 的战略意义：确保西方有竞争力的开源模型栈，而不是让中国模型（如 Qwen）独占开源领域
• 边缘模型（用于 Android、智能眼镜、机器人）部署后本就暴露在外，不如索性完全开源
• 前沿模型太大、太贵，做两个不同版本（开源+闭源）资源不够，所以在"纳米级"统一开源

七、AI 做科学发现：还差一步到"爱因斯坦时刻"

这是整场对话最令人振奋的部分。Hassabis 将 DeepMind 的使命分为两步：

​"Step one: solve intelligence. Step two: use it to solve everything else."（第一步：解决智能问题。第二步：用它解决其他一切问题。）

AlphaFold 的影响力已经是教科书级别的：

• 全球超过 300 万研究者在使用 AlphaFold
• 制药高管告诉他：​"从现在起发现的几乎每一种药物，都会在某个环节用到 AlphaFold"
• AlphaFold 是"根节点问题"（root node problem）的原型——解决一个问题，解锁整个发现分支

但真正的科学发现——提出原创假设——还没到：

• Co-scientist、AlphaEvolve 等系统在尝试超越基础 Gemini 的能力
• 还没有看到 AI 做出"真正重大的发现"
• 关键缺失能力是类比推理（analogical reasoning） ——超越模式匹配和外推
• 他提出了"爱因斯坦测试​"：用 1901 年的物理知识训练系统，看它能否独立提出 1905 年爱因斯坦的发现（包括狭义相对论）
• 更高的标准：能否提出一组新的千禧年难题，被顶级数学家认为同样深刻和值得研究

什么样的问题适合 AI 解决？三个条件：

1. 巨大的搜索空间（围棋走法数 > 蛋白质构型数 > 宇宙原子数）
2. 清晰的目标函数（最小化自由能、赢棋）
3. 足够的数据或模拟器

八、给创始人的忠告：AGI 会在你的创业中途到来

Hassabis 的最后一段发言堪称全场最精华：

​"Going after hard problems is no more difficult in some ways than going after a shallower, simpler, more superficial problem. They're just differently difficult."（追求困难问题在某种意义上并不比追求浅层、简单、表面的问题更难。它们只是难在不同的地方。）

给创业者的三条建议：

1. 人生很短，把生命力投入到真正有影响的事情上——难题和简单题的难度类型不同，但既然都难，为什么不选更有意义的那个？

2. 跨学科将变得比以往更普遍——AI 让连接不同领域变得更容易，学科交叉处往往有最大的发现

3. 如果你的 AGI 时间线是 2030 年，而深科技创业通常需要 10 年，那 AGI 会在你的旅程中途到来——你必须考虑这个变量。他的建议不是放弃深科技，而是想清楚 AGI 如何被利用。未来很可能是 Gemini/Claude 这样的通用系统调用 AlphaFold 这样的专用工具，而不是一个"巨型大脑"包揽一切

金句收录

1. ​"I can't see a world in which we will realize in a couple of years this was a dead end." 我无法想象几年后我们会发现这是一条死路。

2. ​"We're kind of using duct tape right now — shove it all in the context window." 我们现在基本是用胶带糊起来的——把所有东西都塞进上下文窗口。

3. ​"A million tokens isn't that much. It's only like 20 minutes." 100 万 token 其实没那多多。处理实时视频的话只相当于 20 分钟。

4. ​"Agents are that path and I think we're just getting going." Agent 就是通往 AGI 的路径，而我认为我们才刚刚起步。

5. ​"We haven't seen a AAA game that tops the app store charts that was sort of vibe coded yet." 我们还没看到一款用 vibe coding 做出来的登顶 App Store 的 3A 游戏。

6. ​"It still needs craft and human sort of soul into it and taste." 它仍然需要工匠精神、人的灵魂和品味。

7. ​"Almost every drug discovered from now on will have used AlphaFold at some point." 从现在起发现的几乎每一种药物，都会在某个环节用到 AlphaFold。

8. ​"Step one: solve intelligence. Step two: use it to solve everything else." 第一步：解决智能。第二步：用它解决其他一切。

9. ​"Can you train a system with knowledge of 1901 and will it come up with what Einstein did in 1905?" 能否用 1901 年的知识训练系统，让它独立发现爱因斯坦 1905 年的成果？

10. ​"Life's very short. You might as well put your life force into something that will really make a difference." 人生很短。你不如把生命力投入到真正能产生影响的事情上。

11. ​"Going after hard problems is no more difficult than going after shallow ones. They're just differently difficult." 追求困难问题并不比追求浅层问题更难。它们只是难在不同的地方。

12. ​"If your AGI timeline is 2030, then AGI will appear in the middle of your deep tech journey." 如果你的 AGI 时间线是 2030 年，那 AGI 会在你深科技创业的中途到来。

时间线索引