本文整理自 YC 总裁对 DeepMind CEO Demis Hassabis 的访谈，由有道龙虾总结和发布。

Demis Hassabis 对 AGI 的判断很直接：现在这套大模型路线不是死路，预训练、RLHF、思维链、强化学习和搜索，大概率都会出现在最终的 AGI 架构里。

但它还不完整。

在这场 YC 对谈里，他反复提到几个词：持续学习、长期推理、记忆、一致性、智能体、科学发现。这些词听起来像技术细节，但放在一起，其实是在回答一个更大的问题：AI 到底什么时候从“会回答问题的模型”，变成“能主动解决问题的系统”？

Demis Hassabis 为什么值得听

Hassabis 的经历很少见。

他小时候是国际象棋神童，17 岁做出了热门游戏《Theme Park》。后来他又回到学校读认知神经科学博士，研究大脑中的记忆与想象机制。2010 年，他创办 DeepMind，给公司的使命定得非常大：solve intelligence，解决智能。

后来发生的事大家都知道了。

AlphaGo 击败围棋世界冠军，AlphaFold 破解蛋白质结构预测这个困扰生物学 50 年的难题，并把成果免费开放给全球科学家。Hassabis 也因此获得诺贝尔化学奖。如今他领导 Google DeepMind，继续推动 Gemini 和 AGI。

所以当他谈 AGI 缺什么、智能体到哪一步了、AI 会怎样改变科学时，他不是在聊概念，而是在复盘一条已经跑通过几次的路。

AGI 不是推倒重来，但还差一两块关键拼图

主持人问他：现在的大模型范式，包括大规模预训练、RLHF、思维链推理，离 AGI 的最终架构还有多远？

Hassabis 的答案很克制：

这些组件大概率会是 AGI 最终架构的一部分。它们已经证明了太多能力，我不认为几年后我们会发现这是一条死路。

但他马上补了一句：还可能缺一两件大东西。

他点名了四个问题：

  1. 持续学习：模型不能只靠一次训练和临时上下文，它要能把新经验稳定地融入已有知识。
  2. 长期推理：不仅能做几步思考，还要能跨很长时间、复杂任务持续推进。
  3. 记忆机制：不是把所有东西塞进上下文窗口，而是知道什么该记、什么该忘、什么时候取出来。
  4. 稳定一致性：同一个模型不能一边解 IMO 金牌题，一边在简单算术或推理上翻车。

他认为，现有技术可能通过规模化和渐进创新解决这些问题，也可能还需要“一两个大想法”。他的判断大概是五五开。

这句话很重要。它既不是“AGI 明天就到”，也不是“大模型泡沫快破了”。更像是在说：主路已经很清楚，但最后几公里可能最难。

记忆不是更长上下文，而是更聪明的取舍

今天很多模型已经有百万 token 级别的上下文窗口。听起来很夸张，毕竟人类工作记忆也就几个数字。

但 Hassabis 认为，问题不在于能不能装下，而在于装进去之后怎么用。

现在的做法多少有点“胶带工程”：把大量信息塞进上下文窗口，重要的、不重要的、错误的，都放在一起。模型看似拥有记忆，其实只是临时抱着一大摞资料。

这在文本任务里还能忍，一旦进入真实世界就不够了。

比如一个 AI 助手要理解你一个月里的生活，如果它要处理实时视频、音频和环境信息，百万 token 可能只够几十分钟。Hassabis 提到，如果天真地把视频全部转成 token 记录下来，一百万 token 也就大约 20 分钟。

真正的记忆系统应该更像大脑。

他的博士研究正好和海马体、情景记忆有关。大脑会在睡眠中重放重要片段，把新经验优雅地整合进旧知识。DeepMind 早期的 DQN 玩 Atari 游戏时，也借鉴了类似思路，用“经验回放”反复学习成功轨迹。

所以，未来的 AI 记忆不是无限硬盘，而是一个会筛选、压缩、重组、检索的系统。

强化学习没有过时，它正在以新形式回来

DeepMind 从一开始就在做智能体。

Atari、AlphaGo、AlphaZero、AlphaStar，这些系统本质上都是 agent：它们能为目标做计划、做决策，并在环境中采取行动。

Hassabis 认为，今天大模型里的 thinking mode、chain of thought reasoning，其实能看到很多 AlphaGo 时代思想的影子。尤其是搜索、规划、强化学习、蒙特卡洛树搜索这类方法，现在正在被重新审视，只不过场景从围棋和游戏变成了语言、代码和现实任务。

他还提到，DeepMind 正在把当年 AlphaGo、AlphaZero 里的老想法拿回来，在更大规模、更通用的模型上重新实验。

这也是他为什么认为智能体是通向 AGI 的路径。

如果一个系统只是被动回答问题，它很难成为 AGI。要走向通用智能，它必须能主动解决问题，能计划，能试错，能自己推进任务。

小模型会越来越重要，因为速度本身就是能力

对谈中还有一个很现实的问题：大模型越来越强，但小模型也在快速变聪明。它们便宜、快、延迟低，甚至能在本地设备运行。

Hassabis 说，这是 Google DeepMind 的核心能力之一：先训练最强的 frontier model，再把能力蒸馏进更小、更快的模型里。

Google 有强烈动机这么做，因为它要把 Gemini 用在搜索、AI Overviews、AI Mode、Gemini App、Maps、YouTube，以及大量十亿用户级产品里。模型不仅要聪明，还要快、便宜、稳定、低延迟。

他认为现在还没看到蒸馏的理论极限。也许某一天会遇到信息密度的硬边界，但目前还远没到。

这会带来几个直接变化：

  1. 成本下降：更多工作负载可以长期运行 AI。
  2. 迭代变快：编码、创作、调试时，模型反应快会直接改变工作流。
  3. 本地部署：手机、眼镜、机器人等设备可以在本地处理隐私数据。
  4. 云边协同：小模型处理日常和私密数据，必要时再调用云端大模型。

换句话说，小模型不只是“大模型的廉价版”。它们会成为很多真实场景里的主力。

智能体刚开始，但还没到“放出去 40 小时就能交付奇迹”

主持人说，现在一些工程师借助 AI，产出可能是过去的 500 倍甚至 1000 倍。Hassabis 也认为这很令人兴奋，但他对智能体的现状依然谨慎。

他觉得我们确实刚刚起步，而且过去几个月才开始找到真正有价值的用法。很多演示已经不是玩具了，开始能给人的时间和效率带来实在帮助。

但他也说，他还没看到那种“几十个 agent 跑 40 小时，输出完全配得上投入”的结果。

他的判断很有意思：

如果这些工具已经真的释放了全部价值，我们应该已经看到一个孩子用它做出卖出 1000 万份的爆款游戏。

现在还没有。

这说明两种可能：要么工具还差一点，要么人类还没学会怎么用它。

Hassabis 用游戏举了个很生动的例子。他说，现在他可以半小时做出一个《Theme Park》原型，而当年 17 岁的他要花 6 个月。这当然很震撼。但要做出真正打动人的作品，仍然需要 craft、taste、human soul，也就是手艺、品味和人的灵魂。

AI 可以把很多执行环节压缩到几乎不可思议的程度，但它还没自动替代“为什么这个东西值得做”。

真正的创造力：不是下出第 37 手，而是发明围棋

AlphaGo 最著名的时刻之一，是第二局第 37 手。那一步当时让人类棋手困惑，后来证明极有创造性。

但 Hassabis 说，这还不够。

他想要的系统，不只是能在围棋里下出神之一手，而是能在给定高层描述后发明出“围棋”本身。

比如你告诉它：设计一种游戏，规则 5 分钟能学会，但要花一辈子才能精通；它要有美感，一下午可以玩完。

然后系统返回一个像围棋一样深刻、优雅、耐玩的游戏。

今天的系统还做不到。

这触及了 AI 创造力的核心问题。模型可以组合已有模式，可以在已知空间里找到惊人的解，但能不能提出全新的、有长期价值的目标和形式？Hassabis 认为这里仍然缺东西，可能是工具问题，也可能是使用方式问题。

Gemma 和开放模型：边缘模型天然适合开放

谈到开源和开放权重，Hassabis 的态度比较明确：DeepMind 一直支持开放科学。AlphaFold 就是一个代表性例子，他们把它免费开放给全世界科学家。

Gemma 也是这个方向的一部分。

他说 Gemma 的目标是做同尺寸下世界领先的开放模型。发布后大约两周半，下载量已经达到 4000 万次。他也提到，中国的开源模型很强，在开放模型领域一度领先，Gemma 希望在相同尺寸上保持竞争力。

为什么 Google 愿意开放这些模型？一个现实原因是：边缘模型放到 Android、眼镜、机器人等设备上后，本来就更容易被接触和分析。既然如此，不如在 nano size 级别把它们做成真正开放的模型。

这背后也有一个趋势：未来很多 AI 能力不会只在云端，而会出现在用户手里的设备上。

Gemini 的多模态优势，会在机器人和真实世界里放大

Hassabis 认为，Gemini 从一开始就按多模态路线设计，这一点现在仍被低估。

一开始这么做更难，因为只做文本会简单很多。但长期来看，多模态会在几个方向上带来优势：

  1. 世界模型：比如 Genie 这类建立在 Gemini 上的系统。
  2. 机器人：Gemini Robotics 需要理解视觉、语言、物理环境和动作。
  3. 自动驾驶与现实感知：他提到 Waymo 等场景中越来越多使用这类能力。
  4. 随身 AI 助手：手机、眼镜或其他设备上的助手，要理解你周围的物理世界，而不仅是屏幕上的文字。

如果未来的 AI 助手真的进入现实世界，它就必须理解空间、物体、动作、直觉物理和场景上下文。

这不是简单加一个视觉模块就能解决的事。它要求模型从底层就具备多模态理解能力。

推理的问题：模型会“过度思考”，却缺少自我审查

现在的模型已经能做非常复杂的思维链推理，但仍会犯聪明本科生不该犯的低级错误。

Hassabis 把这种现象称为“jagged intelligence”，锯齿状智能。

一边，它能解国际数学奥林匹克金牌水平的问题；另一边，换一种问法，它可能在基础算术或基础推理上翻车。

他举了一个自己常做的小实验：和 Gemini 下棋。

大多数前沿基础模型其实都不太擅长棋类游戏。这很有意思，因为棋类游戏的正确性相对容易判断。你看模型的思维轨迹，有时会发现它考虑了一个走法，意识到那是个坏棋，但找不到更好的，于是绕一圈又回去走了那步坏棋。

这不应该发生在一个精准推理系统里。

Hassabis 怀疑，模型缺少某种对自身思考过程的内省能力。未来可能需要能监控思维链、在中途干预、避免无效循环的机制。

推理成本不会真正归零，需求会吃掉一切算力

当推理越来越便宜，会发生什么？

Hassabis 不认为推理会很快变成“几乎免费”。原因很简单：杰文斯悖论会发生。成本下降后，人们会用更多。

如果推理资源足够便宜，大家可能会启动成千上万个 agent 协作，也可能让一组 agent 从多个方向并行思考，再做集成。任何可用的推理能力都会被吃掉。

即便未来能源成本因为核聚变、超导、先进电池等突破而接近于零，芯片制造、硬件资源、物理基础设施仍然会形成瓶颈。

所以效率仍然重要。

这也解释了为什么小模型、蒸馏、边缘推理会长期有价值。它们不是过渡方案，而是整个 AI 基础设施的重要组成部分。

AlphaFold 之后：下一步是虚拟细胞

在 AI for Science 部分，Hassabis 谈到了 AlphaFold 之后的方向。

AlphaFold 2 之后，DeepMind 孵化了 Isomorphic Labs，目标不是只做蛋白质结构预测，而是把 AI 用到更完整的药物发现流程里，包括生物化学、化学、化合物设计、性质优化等。

更远的目标，是完整的虚拟细胞。

所谓虚拟细胞，就是一个足够接近真实实验结果的细胞模拟系统。你可以扰动它，观察输出，用它跳过大量实验搜索步骤，生成合成数据，再训练其他模型预测真实细胞行为。

Hassabis 估计，完整虚拟细胞大约还需要 10 年。

他们现在更现实的切入点是细胞核，因为它相对自洽，边界更清楚。科学建模的关键就在于：能不能从巨大复杂系统里切出一个足够自包含的部分，近似输入输出，然后集中解决内部动态。

这里最大的瓶颈之一是数据。

如果有技术能在不杀死活细胞的情况下，以纳米级分辨率观察动态细胞，那会是巨大突破。因为那样就能把问题转成视觉问题，而视觉问题是 AI 很擅长的。但现在高分辨率成像往往是静态的，或者会破坏细胞，还不足以捕捉活细胞内部的动态交互。

所以虚拟细胞可能有两条路：一条是硬件和数据驱动，一条是构建更强的学习型模拟器。

AI 会成为科学的终极工具

Hassabis 说，他从一开始做 AI，真正的热情就是把 AI 变成科学的终极工具。

DeepMind 原来的使命分两步：

  1. 解决智能，也就是构建 AGI。
  2. 用它解决其他重要问题。

后来这句话听起来太大，他们稍微调整了表达。但他的意思没变：AI 应该去解决科学里的“根节点问题”。

AlphaFold 就是样板。

现在全球有超过 300 万研究人员使用 AlphaFold，几乎覆盖了所有生物学研究者。他听一些药企高管说，从现在开始，几乎每一种新药发现流程中的某个环节都会用到 AlphaFold。

这就是他理想中的影响力：不是做一个漂亮 demo，而是解开一个科学根节点，让整个领域往前走。

接下来他看好的方向包括材料科学、药物发现、气候建模、数学等。他认为很多领域现在都处在类似 AlphaFold 1 的阶段：结果已经很有希望，但还没真正解决 grand challenge。

什么问题适合出现“AlphaFold 式突破”？

Hassabis 总结了一个很清楚的模式。

适合 AI 攻克的科学问题，通常有三个特征：

  1. 巨大的组合搜索空间：大到暴力搜索和传统特例算法都没法解决，比如围棋走法、蛋白质构象、候选药物分子。
  2. 清晰的目标函数：比如赢棋，或者蛋白质折叠中的自由能最小化。目标要足够明确，系统才能爬坡。
  3. 足够的数据或模拟器：要么有大量真实数据，要么有能生成分布内合成数据的模拟环境。

如果这三个条件成立，今天的方法就能走得很远。

药物发现也符合这个逻辑：理论上存在某个化合物，可以治疗某种疾病且副作用很小。只要物理定律允许，问题就变成如何在巨大的搜索空间里高效找到它。

AlphaGo 第一次展示了这类系统可以在天文级搜索空间里找到“针”。AlphaFold 则把这个能力带到了生命科学。

AI 能做真正的科学发现吗？还差一步

现在已经有 Co-Scientist、AlphaEvolve 这类系统，能在某些问题上超越基础 Gemini 的能力。Hassabis 也认为，AI 做科学推理已经很近了。

但他坦率地说，到目前为止，他还没看到真正意义上的“大规模科学发现”。

难点在于：真正的创造性科学不是在已有数据里做模式匹配，而是提出一个以前不存在、但又深刻有价值的假设。

他用数学举了个例子。

解决黎曼猜想或 P=NP 当然已经非常惊人。但更难的是，让 AI 提出一组新的“千禧年难题”，并被顶尖数学家认可为足够深刻、值得人类用一生去研究。

这比解题更难，因为它要求系统知道什么问题“值得问”。

Hassabis 还提出了一个“爱因斯坦测试”：只给系统 1901 年之前的知识，看它能不能在不偷看历史答案的情况下，提出 1905 年爱因斯坦那样的突破，比如狭义相对论。

如果能做到这一步，AI 才真正接近“发明新的科学”。

给创业者的建议：别只包一层 API，去碰原子世界

现场很多人来自 YC，问题自然也回到创业。

如果今天要创办公司，Hassabis 会怎么选方向？

他的建议是：把 AI 的发展方向和另一个深技术领域结合起来，尤其是涉及“原子世界”的领域，比如材料、医学、机器人、实验自动化、制造等。

原因很现实。

只是在基础模型外面包一层 API，很容易被下一代模型更新淹没。真正有防御力的地方，往往是跨学科、需要实验、需要数据闭环、需要物理系统和专业知识的地方。

他特别看重 founding team 的组合：最好团队里既懂机器学习，也懂被应用的科学或工程领域。或者至少创始团队能把这两类专业能力拼起来。

他也提醒，深科技很难，但浅层问题也不一定更容易。两者只是难在不同地方。

如果你要投入生命力，不如选一个即使很难、但如果做成了会真正改变世界的问题。

现在开始做深科技，要把 AGI 写进路线图

最后，Hassabis 给了一个非常现实的时间判断：他的 AGI 时间线大概在 2030 年左右。

他强调，这不是说 2030 一定发生，而是说如果你今天开始做深科技，真正的深科技通常是 10 年旅程。那你必须考虑一种可能：AGI 会在你的创业旅程中途出现。

这不一定是坏事，但你要把它纳入设计。

你要问自己：

  1. 如果 AGI 中途出现，我的公司会被替代，还是会被放大？
  2. 我的系统能不能成为 AGI 使用的工具？
  3. 我是不是在积累物理资产、专有数据、实验能力、工作流和领域知识？
  4. 我做的东西，在更强通用 AI 出现后是否仍然有用？

Hassabis 认为，未来不一定是一个巨大的通用模型吞掉一切。更可能是 Gemini、Claude 这类通用系统调用 AlphaFold 这样的专业工具。

通用模型不需要把所有蛋白质知识都塞进自己脑子里。那样既低效，也可能损害语言、推理等通用能力。更好的方式是让通用 AI 成为优秀的工具使用者，调用、训练、协调各种专业系统。

这对创业者其实是好消息。

如果你能做出一个在某个深技术领域非常强的专业系统，它未来可能不是被 AGI 吃掉，而是成为 AGI 的工具箱之一。

这场对谈真正说清楚的事

Hassabis 对 AI 的判断有一种少见的平衡感。

他相信 AGI 会来，而且不觉得今天的大模型路线是死路；但他也不急着宣布胜利。他看到了智能体、推理、多模态、小模型和 AI for Science 的巨大潜力，也清楚这些系统还缺持续学习、长期记忆、自我审查和真正创造力。

最值得记住的，可能是他给创业者的那句隐含建议：

不要只追逐模型更新带来的表层机会。去找那些即使 AGI 出现，也仍然值得做、甚至会被 AGI 放大的深问题。

因为如果你的时间线是 10 年，而 AGI 可能在中途到来，那最好的创业方向不是假装它不会发生，也不是等它发生后再行动。

而是现在就开始建造一个在那个世界里仍然重要的东西。