开源模型注定落后半年，真正的胜负手是“发明新算法”
编译 | 王启隆
出品丨AI 科技大本营（ID：rgznai100）
把 AGI 的时间表压到五年内，把它形容成“工业革命的 10 倍、而且快 10 倍”，这些话当然足够大，也足够像 Demis Hassabis 会说的话。
最近，20VC 主持人 Harry Stebbings 采访了 Google DeepMind 联合创始人兼 CEODemis Hassabis。这场长谈从 AGI 的定义、时间表和算力瓶颈开始，一路谈到 Google DeepMind 的重新整合、前沿实验室为什么会重新拉开层级、开源模型、药物发现、电网效率、AI 安全、劳动力冲击和欧洲创业环境。
Demis 这次给出的，不只是几句更响亮的未来口号，而是一张更具体的路线图：当“更大模型”已经不足以解释下一阶段全部竞争时，哪些能力缺口会决定谁继续往前，哪些现实落点会决定 AI 最终落到哪里。
但如果今天还只是把前沿 AI 竞争理解成“谁能继续把模型做得更大”，那真正更冷、更硬的那层判断，反而会被直接漏掉：旧一轮 scaling 红利并没有消失，但已经开始走到后半段；下一阶段真正能把实验室重新拉开差距的，不再只是规模，而是谁还能继续发明新算法，并补上持续学习、记忆系统、长期规划和一致性这些能力缺口。
在 Demis 的叙述里，AGI 从来不只是一个远景判断，它越来越像一个现实工程问题：谁先补齐这些缺口，谁就更可能定义未来五年 AI 的真正胜负手。
要点速览
五年内出现 AGI 有很大概率，而且 DeepMind 从 2010 年开始对这件事的长期推演并没有根本逆转。
真正更值得盯的，不是“模型还能不能继续扩大”，而是旧一轮 ideas 的红利已经开始见后半程。下一阶段能继续拉开差距的，会是那些还能发明新算法的前沿实验室。
今天最关键的能力缺口已经很清楚：持续学习、记忆系统、长期规划和一致性，仍然是现有系统最不像“通用智能”的地方。
对 AI 的下注远不止聊天模型。从 Isomorphic Labs 到药物发现，从电网效率到聚变与材料科学，他真正想推动的是 AI for Science。
开源与闭源不会简单分出胜负。开源模型大概率会长期落后于最前沿半年左右，但仍会在小开发者、学术研究和边缘场景中持续重要。
AGI 没有被重新定义，时间表也没有被往后推
主持人：现在大家对 AGI 的定义差别很大。你这些年一直在认真谈这个问题，所以我想先从这里开始。今天在你看来，AGI 到底是什么？
Demis Hassabis：我们对 AGI 的定义其实一直很一致：它本质上是一个能够展现人类心智全部认知能力的系统。这个定义很重要，因为人脑是我们目前唯一已知的、证明“通用智能是可能的”存在。对我来说，这就是 AGI 的标准。
主持人：那个大家最常问、也最糟糕的问题还是得问：我们离它还有多远？很多非常有影响力的人都在说，也许 2026、2027 就会到来。
Demis Hassabis：我心里当然有一个概率分布，但如果你让我现在给一个总体判断，我会说：未来五年内出现 AGI 的概率很高。这已经不算长了。
主持人：这个时间表比你以前想的更近了吗？
Demis Hassabis：其实没有太大变化。挺有意思的是，我的联合创始人、也是 DeepMind 首席科学家的 Shane Legg，在 2010 年我们创立 DeepMind 的时候就写过博客，预测 AGI 会在什么时候出现。
要知道，2010 年几乎没人真正认真做 AI，很多人还觉得 AI 根本走不通，是一条死路。可我们当年就是根据算力增长和算法进步做推演，大概判断从起点算二十年左右会走到那里。今天回头看，我觉得我们基本还在那条轨道上。
主持人：站在今天这个节点看，你觉得最大的瓶颈是什么？你在纪录片里提过一句话：算力永远不够。那现在最卡住我们的东西到底是什么？
Demis Hassabis：我觉得最大的问题还是算力。
原因不只是最直观的那一层——你需要更大的系统、更多参数、更大的训练规模，随着这些东西一起扩大，系统通常也会变得更智能。
另一层同样重要的是，算力也是我们做实验的工作台。云计算基础设施，本质上就是我们的实验台。你有一个新的算法想法，必须在足够合理的规模上验证它，否则你根本没法知道，这个想法放进真正的大系统后还能不能成立。所以只要你有很多研究者、很多新想法，你就会发现自己始终需要大量算力。
主持人：你提到了 scaling laws。现在很多人都在说，scaling law 可能已经见顶，模型进步开始进入平台期。你认同吗？
Demis Hassabis：我不认同，或者至少我会说这件事比外界讲得更细一些。最开始各家都在做大语言模型的时候，每一代系统之间确实都有极其巨大的跃升，看起来像是性能翻倍。但这种幅度不可能永远保持下去，所以增长没有继续保持那种极端的指数形态，这很正常。
可这并不意味着继续扩展这些系统已经没有回报。我们和其他前沿实验室，依然都从这种扩展里拿到非常可观的收益。我的判断是：回报依旧很可观，只是没有最开始那样夸张了。
主持人：那么今天真正落后于你预期的地方在哪里？
Demis Hassabis：其实大多数领域，我们比我原来想得走得更快。你看视频模型，或者像 Genie 这样的交互式世界模型，如果你把这些东西拿给五年、十年前的我看，我会非常震惊。我觉得大部分领域都比当时整个行业的预期更靠前。但确实还有一些很大的东西没有解决，比如持续学习。系统在训练完成、发布到世界里之后，并不能很好地继续学习新东西。这类关键能力现在还是缺失的。
主持人：为什么持续学习到今天还没有解决？
Demis Hassabis：因为大家还没有真正搞清楚，怎么把新学到的东西整合进一个已经训练了几个月的大系统里。大脑在这件事上做得非常优雅，也许和睡眠、强化学习之类的过程有关。白天得到的很多信息会被回放，然后以一种很自然的方式，被整合进你原有的知识系统里。我以前就在想，我们也许需要某种类似的机制，让新信息能和既有知识库一起被吸收进去。
主持人：你刚刚提到视频模型，也提到了世界模型。大家明显感觉到 DeepMind 在这方面追得非常快，甚至已经重新领先了。过去两三年，这种加速是怎么发生的？
Demis Hassabis：我们做了一些组织上的变化。我一直认为 Google 和 DeepMind 拥有最深、最广的研究人才储备。如果你回看过去十几年，支撑现代 AI 产业的大概 90% 的关键突破，来自 Google Brain、Google Research 或 DeepMind 这些团队。从 AlphaGo 到强化学习，再到 Transformer，这些都是关键突破。
所以如果还有哪些突破是未来必须完成的，我当然会押注我们自己去完成。后来我们做的，其实就是把公司内部原本分散的人才和资源重新装配起来，朝一个方向推。算力资源也是这样，大家不再各自做两三个版本，而是把资源并起来，去训练真正最大的模型。某种程度上，这更像是把原本已经有的所有原料重新装配起来，再以创业公司的速度和专注度去推进。
主持人：你刚刚说，如果还有哪些未来必须完成的突破——那你现在最兴奋的突破方向是什么？持续学习是你最看重的吗？
Demis Hassabis：我觉得还缺很多东西。
持续学习当然是一个。记忆系统也是一个方向。现在大家用超长上下文窗口，其实有点过于蛮力，就是把所有东西一股脑塞进去。我觉得这里还会有很多有意思的新架构被发明出来。再往后就是长期规划、分层规划，这些系统现在并不擅长处理非常长时间尺度上的规划。还有一个也许最大的难点是一致性。我有时把这些系统叫作“参差不齐的智能”——它们在某些事情上非常惊人，但你稍微换一种提问方式，它们又可能在一些很基础的地方失败。真正的通用智能不应该是这样坑坑洼洼的。
Google DeepMind 又回到了前线
主持人：你刚才提到组织变化和资源整合。今天大家明显感觉到 Google DeepMind 又重新回到了最前面。你会怎么解释这种变化？
Demis Hassabis：我觉得最核心的一点，是我们一直都拥有很深、很广的研究能力。过去十几年里，很多支撑现代 AI 产业的关键突破，本来就出自 Google Brain、Google Research 和 DeepMind。
区别在于，过去这些力量并不总是在同一个方向上被完全整合起来。现在我们做的，是把这些研究人才、算力资源和产品化节奏真正放到一个统一系统里推进，而不是让公司内部同时跑多个平行版本。这样一来，我们既能继续做前沿突破，也能把资源更集中地押到最重要的系统上。
主持人：所以你会觉得，Google DeepMind 重新回到前线，不只是因为模型能力追上来了，而是因为整套组织终于开始朝同一个方向发力了？
Demis Hassabis：对，我觉得这很重要。研究深度、算力资源和执行节奏，必须在同一个方向上叠起来，才能真正产生效果。你不能一边有很多突破性研究，一边又让资源分散在几个彼此重复的系统里。过去两三年，我们更像是在把原来已经具备的东西重新装配起来，然后以更高的速度去推进。
主持人：现在很多人都在讨论另一个问题：模型能力是不是正在商品化？不同实验室之间的差距，会不会越来越小？
Demis Hassabis：我不太这么看。我的感觉是，现在最前面的三四家实验室——我们当然是其中之一——差距反而会开始重新拉开。因为这些工具本身也会帮助你去构建下一代系统，比如编码工具、数学工具。另一方面，继续从同一套旧思路里榨出同样幅度的收益会越来越难。所以那些还具备发明新算法能力的实验室，在接下来几年里会有更大的优势。旧一轮创意的红利正在被越榨越干，真正决定下一轮差距的，会是新的算法突破。
主持人：所以你会觉得，接下来真正拉开差距的，不只是算力，也不是单纯扩大模型，而是谁还能拿出新的创意？
Demis Hassabis：对，我认为这会越来越重要。算力仍然是基础设施，但只靠扩大规模并不能解释下一阶段全部进步。真正的问题会越来越落到：你有没有新的方法，能补上现在这些缺失的能力。
主持人：那你怎么看开源的未来？很多创业公司现在都会先用最前沿模型定 benchmark，再用更便宜的开源模型尽量逼近。开源最后会走向哪里？
Demis Hassabis：我觉得大体会延续今天的格局。我们一直很支持开放科学和开放模型，从 Transformer 到 AlphaFold，很多关键成果本来就被我们放了出去。以后也会继续，尤其是在科学应用这些我最在意的领域里。
只是我觉得，开源模型大概率会长期比绝对前沿落后一步，大概半年左右。与此同时，我们也在非常认真地做 Gemma 这样的开源模型，希望它们在各自尺寸上做到最好，尤其适合小开发者、学术研究者、早期创业团队和边缘计算场景。所以这不会是“开源赢”或者“闭源赢”的简单问题，而更像是一种长期分层。
主持人：那么再往后看，大语言模型之后呢？有些人会说，现在这一路基础模型不会是最终答案，比如 Yann LeCun 就有很不一样的看法。
Demis Hassabis：我在一些问题上确实和 Yann 看法不同。我觉得基础模型已经证明了自己可以做出极其惊人的事情，所以它们不会消失。真正的问题不是“它会不会被替代”，而是未来的 AGI 系统里，基础模型到底是唯一核心，还是更大系统中的关键部件。我自己的判断更倾向后者：未来系统会建立在基础模型之上，也许还需要一些别的突破，比如世界模型之类的东西，但它不会被简单替换掉。
Demis 真正押注的，不只是 AGI，而是 AI for Science
主持人：如果我们把时间线拉到五年后，你觉得那个世界最积极的一面会是什么？
Demis Hassabis：我一直把 AGI 视为科学和医学的终极工具。推动科学发现、找到疾病疗法，这些事情都需要这样的技术。我希望五年甚至更长一点时间后，我们能开始进入一个新的科学发现黄金时代。
主持人：对我来说，最有感触的一直是药物发现。可问题是，哪怕 AI 真能帮助我们设计出药，它后面的临床试验还是要走十年。这个怎么解决？
Demis Hassabis：所以 AlphaFold 之后，我们才成立了 Isomorphic Labs。AlphaFold 解决的是蛋白结构预测，而 Isomorphic Labs 想做的是药物发现流程剩下的部分：化学设计、化合物优化、毒性和安全性评估，以及药物必须满足的各种性质。我觉得未来五到十年内，我们会把这套药物设计引擎做出来。
之后你说得对，真正的问题就会变成临床试验仍然需要很多年。但 AI 也可以帮助这个环节，比如模拟人体代谢的一部分过程，帮助患者分层，让不同基因背景的人匹配更合适的药物。我觉得真正的革命会发生在后面：当一批 AI 药物真正通过整个流程之后，监管机构积累了足够数据，也许未来就能信任模型预测到某个程度，从而跳过一部分步骤，或者更快地推进。
主持人：你刚才讲的是药物。可你也一直在谈能源、电网、材料科学。你是不是一直都把 AI 看成一种科学基础设施，而不是单纯的信息工具？
Demis Hassabis：是的，我一直这么看。比如电网，我们也许能把现有国家级电网的效率提升 30% 到 40%。再比如天气和气候建模，我们现在已经有世界上最好的系统之一。再往前一步，像聚变、新电池、超导材料这些突破，AI 也会是很关键的工具。如果这些事成立，AI 带来的变化会不只是模型本身，而是能源、气候、材料和工业系统都会被重新组织。
主持人：所以你真正想做的，不只是更强的 AI，而是用 AI 去推进科学本身？
Demis Hassabis：对。我最终最想被记住的，还是推动科学进步，做出能真正给世界带来巨大好处的技术，比如治疗严重疾病。如果 AI 只是更会聊天，那不是我最想做的事。
主持人：如果说科学和医学是最让人兴奋的一面，那另一面就是安全。Stephen Hawking 当年说过，我们必须把这件事做对，因为我们可能没有第二次机会。你认同这种级别的表述吗？
Demis Hassabis：我认同。我主要担心两件事。第一件，是坏人滥用这些系统，因为它们本身是双用途技术，既能用于科学和健康，也能被拿去做有害的事。第二件，是技术层面的：当系统更强、更具代理性、更自主之后，能不能真正被约束在我们希望它待的护栏内。我觉得这里需要合适的监管，至少在前沿提供者之间建立最低标准，而且理想情况下要有国际层面的协调。
主持人：你说监管要国际化，可现在全球协调看起来越来越难。那你理想中的“正确监管”到底是什么？
Demis Hassabis：我觉得首先要有一套最低标准，以及一组明确的测试基准，去判断系统有没有危险特征，比如欺骗能力。没有人应该去构建具备欺骗能力的系统，因为一旦它能绕过别的安全护栏，就会引入全新风险。再往后，也许需要某种类似认证的机制，让公众和企业知道，这个模型在若干安全维度上经过了独立验证。
主持人：那谁来做这件事？谁是那个验证和审查的机构？
Demis Hassabis：最终当然要落到政府，但真正做技术评估的，很可能是 AI 安全研究所这样的机构。英国已经有很好的例子，美国也有。理想情况下，一些真正有研究能力的国家都应该建立这种机构，由高水平研究者去独立审计这些系统。我更长远的想法，是要有某种国际层面的机构，某种意义上有点像国际原子能机构那样，去统筹这套标准与评估。
这一次的冲击会比互联网、移动互联网这些都更大
主持人：如果把安全问题放一边，另一个大问题是劳动力市场。AI 真像你说得这么大，它会带来多大的冲击？
Demis Hassabis：冲击肯定会发生。每一轮革命性技术都会替换掉一部分旧工作，同时创造一些事先很难想象的新工作。历史上通常后者会更高质量、回报也更高。但我也同意，这一次的尺度会比互联网、移动互联网这些都更大。
我有时把 AGI 的到来说成是“10 倍工业革命，10 倍速度”，也就是在十年内完成过去一百年的剧烈变化。所以我们这次必须比工业革命时期更早、更主动地去处理副作用，比如财富分配、基础设施供给和制度安排。
主持人：那财富分配呢？如果生产率暴涨，但收益高度集中到少数公司和少数国家，怎么办？
Demis Hassabis：我觉得有很多种可能的路径。也许养老基金应该更系统地配置大型 AI 公司，让社会里的更多人间接拥有一部分收益；也许每个国家都应该有某种主权财富基金；也许如果生产率真出现巨大跃升，政府就得更主动思考如何把这些收益转换成基础设施、公共服务或者其他更普遍的回报。总之，如果收益只在很窄的地方累积，而不被重新分配，那会成为非常大的问题。
主持人：最后一个你经常被问的问题：为什么 DeepMind 一直留在英国，而不是彻底搬去美国？
Demis Hassabis：因为英国和欧洲一直都有极强的人才基础。我们有世界最好的大学、科学传统和工程人才。DeepMind 刚开始的时候，我看到的是：这里不是没有能力，而是还没有被真正组织成一个有雄心的深科技创业项目。另一方面，离硅谷远一点，也有好处。你会少受一些最新潮流和噪音的干扰，反而更适合做那种二十年尺度的深科技任务。当然，欧洲的资本市场和成长资金仍然是弱点。如果真要跨进万亿美元公司的级别，欧洲还需要能承接更大规模成长资本的市场。
主持人：所以如果你可以用“魔法棒”改一件欧洲科技界的事，你会先改什么？
Demis Hassabis：对英国来说，我会先解开养老金和成长资本的限制。欧洲其实不缺创业点子，也不缺把公司做成一定规模的能力，缺的是跨过那道门槛之后，真正能支撑全球级公司的那种资本市场。十年前我们给 DeepMind 融资的时候，这件事就很难，今天其实也没有被彻底解决。
【活动分享】"48 小时，与 50+ 位大厂技术决策者，共探 AI 落地真路径。"奇点智能技术大会是由深耕多年的「全球机器学习技术大会」重磅升级而来。2026 奇点智能技术大会将于 4 月 17-18 日在上海环球港凯悦酒店正式召开，大会聚焦大模型技术演进、智能体系统工程、OpenClaw 生态实践及 AI 行业落地等十二大专题板块，特邀来自BAT、京东、微软、小红书等头部企业的 50+ 位技术决策者分享实战案例。旨在帮助技术管理者与一线 AI 落地人员规避选型风险、降低试错成本、获取可复用的工程方法论，真正实现 AI 技术的规模化落地与商业价值转化。这不仅是一场技术的盛宴，更是决策者把握 2026 AI 拐点的战略机会。
热门跟贴