来源：市场资讯
（来源：图灵人工智能）
您想知道的人工智能干货，第一时间送达
当一个17岁就设计出爆款游戏、后来拿了认知神经科学博士、又因为 AlphaFold 获得诺贝尔化学奖的人，坐下来和你聊“AGI 还缺什么”时，你会期待什么答案？
更大的模型？更多的算力？更疯狂的数据规模？
Demis Hassabis 的答案让我意外：可能只差1到2个关键想法。而这些想法，藏在一些看起来“不够性感”的地方——记忆、持续学习、还有一种他称之为“内省”的能力。
我们解读最新技术，文末有相关信息。
作者：张长旺，图源：旺知识
这不是一场关于技术参数的炫耀，而是一次难得的坦诚对话。作为 Google DeepMind 的掌门人，Demis 在 YC 的这场访谈里，聊了很多“不完美”的地方：为什么 AI 能解奥数金牌题却会在下棋时明知是昏招还要走？为什么智能体（Agent）看起来很火，但还没人用它做出一款真正的爆款游戏？为什么百万 token 的上下文窗口，仍然不够用？
这些问题背后，藏着通往 AGI 的真正路径。
一个反常识的发现：记忆越大，问题越多
访谈一开始，主持人 Garry Tan 就抛出了一个直击要害的问题：现在的大模型架构——大规模预训练、RLHF、思维链——这些已经占了 AGI 最终架构的多少比例？
Demis 的回答很微妙。他说这些组件“几乎肯定”会是 AGI 的一部分，不太可能几年后发现这是条死路。但紧接着，他列出了三个仍未解决的核心问题：
持续学习（Continual Learning）长期推理（Long-term Reasoning）记忆的某些方面（Some Aspects of Memory）
第三点让我停下来想了很久。
我们不是已经有百万 token 的上下文窗口了吗？Gemini 甚至能处理1000万 token。这还不够？
Demis 用了一个精妙的类比：上下文窗口就像人类的“工作记忆”——我们大概能同时记住7个左右的数字或信息块。AI 的工作记忆已经扩展到了百万级，但问题是，我们正在把所有东西都塞进工作记忆里。
重要的、不重要的、对的、错的，全都一股脑儿塞进去。这就像你在解一道数学题时，不仅要记住题目和公式，还要记住昨天的午餐菜单、上周看过的所有新闻、以及你人生中每一次和数字相关的对话。
更致命的是：即使你能存下所有信息，找到真正相关的那一条，本身就是个昂贵的过程。
这让我想起博尔赫斯小说《博闻强记的富内斯》里的主人公。他因为一次意外获得了完美记忆，能记住每一片树叶的每一条纹路、每一秒钟的每一个细节。但这个“天赋”反而摧毁了他的思考能力——因为他无法抽象，无法归纳，无法忘记。
记忆的艺术，本质上是遗忘的艺术。
Demis 提到，人类大脑通过海马体（hippocampus）优雅地将新知识整合进已有知识库——这正是他博士研究的课题。大脑在睡眠中，尤其是 REM（快速眼动）睡眠阶段，会回放重要的记忆片段，强化学习。
早在2013年，DeepMind 的第一个 Atari 游戏 AI(DQN）就借鉴了这个机制，通过“经验回放”(Experience Replay）反复学习成功的游戏轨迹。但那是在封闭的游戏环境里。
在开放世界中，我们还在用“胶带”拼凑解决方案——把所有东西塞进上下文窗口，然后祈祷模型能找到有用的部分。
Demis 说得很直白：这不够优雅，还有很大的创新空间。
当 AI 下棋时，我看到了它思考的“盲区”
对话进行到中段，Demis 分享了一个特别有趣的细节：他喜欢和 Gemini 下国际象棋。
这听起来有点讽刺——毕竟 DeepMind 就是那个用 AlphaGo 击败围棋世界冠军、用 AlphaZero 自学成为棋类大师的实验室。但 Demis 说，所有主流大语言模型在下棋时都表现得很糟糕。
更有意思的是原因。
因为下棋是一个“可验证”的领域——每一步是好是坏，都能被精确评估。所以当你看着模型的思维链（Chain of Thought）时，你能清楚地看到它在哪里走偏了。
Demis 观察到一个令人不安的模式：模型会考虑一个走法，意识到这是个昏招，但因为找不到更好的选择，它还是会走这步棋。
这就像一个学生在考试时，明知道自己写的答案是错的，但因为想不出别的，还是硬着头皮写上去。
问题出在哪？Demis 认为是缺乏对自身思考过程的监控和调整能力——他称之为“内省”(Introspection)。
模型会陷入思维循环，重复考虑同样的选项，却无法跳出来审视：“我是不是在原地打转？我是不是该换个角度？”
这也解释了为什么 AI 会出现“锯齿状智能”(Jagged Intelligence)——一方面能解国际数学奥林匹克（IMO）金牌级别的难题，另一方面却在换个问法后犯基础的算术错误。
它缺少一个“元认知”层，一个能站在思考之上观察思考的机制。
这让我想起心理学家丹尼尔·卡尼曼在《思考，快与慢》里描述的“系统1”和“系统2”。系统1是快速、直觉的；系统2是慢速、深思的。但更重要的是，人类有一个“监控者”，能在系统1出错时唤醒系统2。
现在的 AI，更像是只有系统1和系统2，但没有那个监控者。
智能体的悖论：为什么还没出现爆款？
当话题转向智能体（Agent）时，气氛变得微妙起来。
主持人直言：智能体现在很火，但有人说是炒作。Demis 的回答很有意思：他认为智能体“才刚刚开始”，因为要达到 AGI，你必须有一个能主动解决问题的系统——这就是智能体的定义。
但紧接着，他提出了一个尖锐的问题：
“为什么我们还没看到一个用 AI 工具‘随手敲’出来的游戏，卖出1000万份？”
他说，自己17岁时花了6个月做出了《主题公园》(Theme Park）这款游戏。现在用 AI 工具，半小时就能做出一个原型。按理说，应该有人能用一个夏天的时间，做出真正惊艳的作品。
但没有。
是工具不够好吗？还是我们用错了方式？
Demis 倾向于认为，可能是“人的因素”还没跟上。工具已经能做到95%，但最后那5%——品味、灵魂、工艺——仍然需要人类的深度参与。
他提到 AlphaGo 的“第37手”(Move 37)——那步让所有人类棋手震惊的创造性走法。但他说，能下出第37手还不够，真正的创造力是“发明围棋”本身。
如果你给 AI 一个高层描述：“设计一个5分钟能学会规则，但需要一生去精通的游戏，要有美学深度，一局能在几小时内结束”——它能返回给你“围棋”这个答案吗？
Demis 认为，目前的系统还做不到。
但他也留了一个开放的可能：也许不是系统不行，而是还没有足够有创造力的人，以足够深入的方式使用这些工具。
这让我想起一个观察：真正改变世界的技术，往往不是在发布的那一刻就显现威力，而是在某个人以一种“发明者都没想到”的方式使用它时，才爆发出来。
iPhone 刚发布时，没人想到会有 Uber、Instagram、TikTok.
也许 AI 智能体也在等待它的“iPhone 时刻”——不是技术本身的突破，而是使用方式的突破。
AlphaGo 的哲学，正在回归 Gemini
对话中有一个容易被忽略，但我觉得极其重要的细节：Demis 说，DeepMind 在 AlphaGo 和 AlphaZero 时代积累的很多技术，正在被重新审视，应用到今天的大语言模型上。
这包括：
• 蒙特卡洛树搜索（Monte Carlo Tree Search）
• 强化学习的各种变体
• 思维模式（Thinking Modes）和推理链
换句话说，从游戏 AI 到通用 AI，不是一次推倒重来，而是一次螺旋式上升。
这让我重新理解了 DeepMind 的战略：他们从来不是在“做游戏 AI”，而是在用游戏这个可控、可验证的环境，探索智能的本质。
围棋、星际争霸、Atari 游戏——这些都是“智能的试验场”。在这些场景里，你能清晰地定义目标、衡量进步、验证假设。
而现在，这些在游戏中被证明有效的机制，正在被“泛化”到语言、视觉、多模态理解上。
Demis 特别强调了 Gemini 的一个被低估的特点：从一开始就是多模态的。
大多数模型是先做文本，再“加上”视觉和音频。但 Gemini 从训练的第一天起，就同时处理文本、图像、音频、视频。
这让训练变得更难，但长期收益是巨大的——因为真实世界不是“纯文本”的，而是多模态的。
他认为，这会让 Gemini 在机器人、自动驾驶（如 Waymo）、物理世界建模（如 Genie 项目）等领域有独特优势。
理解物理世界的 AI，必须从一开始就“看得见”世界。
小模型的逆袭：蒸馏的极限在哪？
访谈中有一段关于模型“蒸馏”(Distillation）的讨论，让我看到了一个有趣的趋势。
主持人问：小模型能变得和大模型一样聪明吗？比如一个400B 参数的模型，能达到今天顶级模型的水平吗？
Demis 的回答出乎意料地乐观：我们还没碰到信息密度的理论极限。
他说，DeepMind 的一个核心优势，就是能快速把大模型的能力“压缩”到小模型里。而且这不是简单的性能妥协——Gemini Flash 系列能做到“95%的能力，十分之一的成本”。
更激进的是，他认为一年后，去年的旗舰模型级别的能力，会被压缩到边缘设备（edge devices）上——比如手机、眼镜、机器人。
这背后的驱动力很实际：Google 需要为数十亿用户、十几个日活过10亿的产品（搜索、地图、YouTube 等）提供 AI 能力。这逼着他们必须把模型做得极致高效。
但这也引出了一个哲学问题：如果小模型能无限接近大模型，那我们为什么还要大模型？
Demis 的答案是：因为我们会找到新的方式，用掉所有可用的算力。
他提到了“杰文斯悖论”(Jevons Paradox)——当一种资源变得更高效时，人们不会减少使用，反而会找到更多使用它的方式。
比如：
• 数百个智能体协同工作
• 单个智能体在多个方向上并行思考，然后集成结果
• 更长时间、更深层次的推理
推理永远不会“免费”，因为我们会不断发明新的方式来消耗它。
这让我想起计算机存储的历史。1980年代，5MB 硬盘就够用了；现在1TB 都不够。不是因为我们变得更浪费，而是因为我们找到了新的可能性——高清视频、3D 游戏、AI 模型。
从 AlphaFold 到“虚拟细胞”：科学的下一个十年
访谈的后半段，话题转向了 Demis 最热爱的领域：用 AI 推动科学突破。
AlphaFold 的故事已经广为人知：它破解了困扰生物学50年的“蛋白质结构预测”难题，现在全球300万科学家在使用它，几乎每一个未来的新药都会在研发过程中用到它。
但 Demis 说，这只是开始。
他透露，DeepMind 正在研究的下一个目标是：虚拟细胞（Virtual Cell）。
想象一下：一个完整的、可运行的细胞模拟系统。你可以在里面“扰动”任何一个分子、任何一个基因，然后观察整个细胞的反应——而这个模拟的准确度，接近真实实验。
这意味着什么？
意味着药物研发可以跳过大量的试错步骤；意味着我们能生成海量的“合成数据”来训练更好的生物模型；意味着我们能在电脑里测试那些在现实中太危险、太昂贵、或太耗时的假设。
Demis 估计，完整的虚拟细胞，大概还需要10年。
现在他们在做的，是先从“细胞核”开始——因为它相对独立，输入输出比较容易建模。
但这里有一个技术瓶颈：数据不够。
Demis 和顶尖的显微镜专家聊过，发现一个核心问题：**我们能以纳米级分辨率拍摄细胞，但只能拍“死”的细胞。**活细胞的动态过程，目前的成像技术还捕捉不到。
如果能解决这个问题，生物学就能变成一个“视觉问题”——而视觉问题，AI 已经很擅长了。
这让我想起一个更宏大的视角：Demis 说，DeepMind 的使命从一开始就是两步走——
第一步：解决智能第二步：用它解决其他一切
他们后来不得不改掉“其他一切”这个表述，因为听起来太狂妄。但 Demis 说，他们确实是这个意思。
具体来说，是解决科学中的“根节点问题”(Root Node Problems)——那些一旦突破，就能解锁整个领域的关键难题。
AlphaFold 是蛋白质领域的根节点。
虚拟细胞可能是细胞生物学的根节点。
材料科学、气候建模、数学——每个领域都有自己的根节点，等待被 AI 攻克。
给创业者的建议：深度技术+AI，才是护城河
访谈接近尾声时，主持人问了一个很实际的问题：对于想用 AI 做科学的创业者，怎么区分“真正推进前沿”和“只是包装一个 API”？
Demis 的回答很真诚：
如果你只是在基础模型上做一层封装，下一次模型更新可能就把你的优势抹平了。
但如果你把 AI 和另一个深度技术领域结合——材料科学、医学、生物工程——那就不一样了。
因为涉及“原子世界”的问题，不会有捷径。
你需要跨学科的团队，需要对两个领域都有深刻理解，需要时间去验证、迭代、积累数据。这些都是护城河。
他还提到一个时间维度的考量：如果你认为 AGI 会在2030年左右出现，那么今天开始的任何深度技术项目，都要考虑“AGI 会在中途出现”这个变量。
这不一定是坏事，但你必须想清楚：当 AGI 来临时，你的项目是会被加速，还是会被颠覆？
Demis 自己显然是“深度技术”的信仰者。2010年创立 DeepMind 时，AI 还被认为是“已经证明不行”的方向。投资人和学术界都不看好。
但如果你有信念，有独特的视角，有跨领域的洞察——难的事情，往往才是值得做的事情。
结语：AGI 不是终点，是工具
整场访谈看下来，我最大的感受是：Demis Hassabis 对 AGI 的态度，既雄心勃勃，又异常清醒。
他不认为 AGI 是“人类的终结”或“奇点降临”，而是一个工具——一个能帮助我们理解宇宙、治愈疾病、解决根本问题的工具。
他也不认为我们已经“接近完成”。记忆、持续学习、内省、创造力——这些看起来“不够酷”的问题，恰恰是最难啃的骨头。
但最让我印象深刻的，是他对“1到2个关键想法”的判断。
不是10个，不是100个，可能就是1到2个。
这意味着什么？意味着 AGI 不是一场“堆砌”的游戏，而是一场“洞察”的游戏。
就像 AlphaGo 不是靠更多的算力击败人类，而是靠蒙特卡洛树搜索和价值网络的巧妙结合。
就像 AlphaFold 不是靠更大的模型，而是靠把生物学问题转化为几何问题的关键洞察。
下一个突破，可能不在实验室的 GPU 集群里，而在某个人的笔记本上，在某个深夜的灵光一现里。
也许是你，也许是这个房间里的某个人。
而当那一刻到来时，我们回头看，会发现答案一直都在那里——在大脑的海马体里，在围棋的第37手里，在那些我们以为“已经解决”但其实只是“用胶带粘起来”的地方。
参考资料
• Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough
热门跟贴