---
author: Best Partners TV
date: '2026-01-04'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=QsmxXen9c1c
speaker: Best Partners TV
tags:
  - agentic-ai
  - scientific-discovery
  - reasoning-planning
  - world-models
  - agi-development
title: AGI之路：DeepMind CEO深度解析AI的机遇与挑战
summary: 本期节目深度拆解了Google DeepMind CEO德米斯·哈萨比斯与汉娜·弗莱教授的对话。探讨了AI通往AGI的关键拼图，包括根节点问题在科学研究中的应用、AI的认知局限（锯齿状智能）、世界模型与模拟的重要性、以及AGI发展所需的规模化与架构创新。同时，也关注了AI泡沫、深远的社会影响（如后稀缺社会）和安全问题，并以哈萨比斯的好奇心与使命感作结，展望AI驱动的黄金时代。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people: []
companies_orgs:
  - Google DeepMind
products_models:
  - AlphaFold
  - AlphaGo
media_books: []
status: evergreen
---
### AI的飞速发展与深层视角

**最佳拍档**: 大家好，这里是最佳拍档。如果让你用一个词来形容过去的一年，你会选什么呢？是眼花缭乱，还是猝不及防？在**人工智能**领域，时间似乎被按下了快进键。我们目睹了重心从单纯的大语言模型向**Agent**的转移，我们看到了**多模态模型**如何重塑机器人技术，我们甚至见证了AI开始介入**药物研发**、**材料科学**这些最硬核的领域。但是在这个喧嚣的时刻，在无数产品发布会和融资新闻的背后，我们更需要一种冷静、穿透周期的视角。我们需要问一个更大的问题：这一切究竟在把我们带向何方？在令人兴奋的演示视频之外，还有哪些科学和技术的硬骨头没有被啃下来？

### 根节点问题与科学突破

**最佳拍档**: 为了回答这个问题，**Google DeepMind**的CEO**德米斯·哈萨比斯**（Demis Hassabis）近期与伦敦大学学院数学家**汉娜·弗莱**（Hannah Fry）教授进行了一场深度对话。哈萨比斯不仅是**AlphaGo**的缔造者，更是当前全球AI领域最核心的思想家之一。今天这期节目，我们就来深度拆解一下这场对话，看看在DeepMind的掌舵人眼中，通往**AGI**的道路上，究竟还缺哪几块拼图。

首先，我们先来聊聊哈萨比斯一直以来的一个核心理念：**根节点问题**（Root Node Problems）。早在几年前，戴密斯就提出过一个观点：如果我们能用AI解决科学研究中的那些基础性难题，也就是所谓的根节点，那么就能自动解锁下游无数的应用场景。当时这听起来，好像是一个美好的愿景。但是随着**AlphaFold**的问世，这变成了一个确凿的事实。大家可能还记得，**AlphaFold 2**的发布震惊了整个生物学界，它能够预测**蛋白质**的三维结构，这在过去需要科学家耗费几年的时间通过冷冻电镜或X射线晶体学来解析，而现在，AI在几天甚至几分钟内就能完成。这不仅仅是一个工具的胜利，也是AI能够攻克科学难题的有力证明。在这个基础上，哈萨比斯现在的野心更大了。在访谈中，他透露DeepMind正在将这种能力从生物学扩展到材料科学和能源领域。试想一下，如果我们能发现**室温超导材料**，或者设计出能量密度极高的新型电池，世界会变成什么样子？但是这其中最让人感到兴奋的，应该还是关于**可控核聚变**的进展。DeepMind已经宣布与**联邦聚变系统公司**（Commonwealth Fusion Systems）建立了深度的合作伙伴关系，这是一家从**麻省理工学院**分拆出来的明星初创公司，他们致力于利用**托卡马克装置**（Tokamak）实现商业化的聚变能源。核聚变的难点在于，你需要用磁场去约束温度高达上亿度的**等离子体**，这是一场极其复杂的物理博弈。等离子体的湍流极其难以预测，而这正是AI擅长的地方。哈萨比斯提到，他们正在利用**机器学习**，来帮助优化等离子体的控制，甚至参与到反应堆磁体的材料设计中。如果，我是说如果，AI能帮助我们哪怕提前十年实现无限的**清洁能源**，那么**气候危机**、**水资源短缺**等一系列人类面临的终极挑战都将迎刃而解。这就是所谓的根节点效应。

### 锯齿状智能与思维鸿沟

**最佳拍档**: 然而，在这些宏大的科学胜利面前，我们还面临着一个极其有趣的悖论，被称为**锯齿状的智能**（Jagged Intelligence）。现在的AI模型，有时候会表现得像个获得过诺贝尔奖的博学教授，能写出优美的十四行诗，能通过极高难度的法律考试。但是转眼间，在处理一些小学生水平的逻辑谜题，或者是简单的空间推理问题时，它们又会犯下令人啼笑皆非的低级错误。哈萨比斯在访谈中，非常坦诚地从技术角度剖析了这个问题。这不仅仅是模型不够大的问题，而是涉及到更深层的一些机制。首先是**分词**（Tokenization）带来的局限。我们知道，大语言模型看到的不是一个个字母，而是一个个Token，就像你在看一幅画，看到的是色块，而不是像素。这就导致模型在处理一些需要精确到字符层面的任务时，比如数一个单词里有几个字母r，就经常会翻车，因为它看世界的方式和我们不一样。但是更本质的缺失，在于**系统2**的思维。心理学家**丹尼尔·卡尼曼**（Daniel Kahneman）将人类思维分为了**系统1**和**系统2**。系统1是直觉的、快速的、下意识的；系统2是逻辑的、慢速的、需要规划的。目前的大语言模型，绝大多数时候是在进行系统1式的思考，它们只是在概率性地预测下一个字，这是一种基于直觉的流式输出。但是这对于AGI来说是远远不够的。哈萨比斯指出，目前的模型缺乏在输出答案之前，先进行搜索和规划的能力。回想一下AlphaGo，AlphaGo之所以强大，不仅因为它有策略网络、直觉好，更因为它有**蒙特卡洛树搜索**，会算棋。它会在脑海中推演未来的无数种可能，评估每一步的胜率，然后才落子。而现在的聊天机器人，基本上是张口就来。这是一个巨大的鸿沟。虽然我们看到像OpenAI的o1系列，或者Google的一些新尝试，开始引入**思维链**让模型多想一会儿，但是这离真正的、像AlphaGo那样严密的逻辑搜索，还有很大的距离。哈萨比斯认为，我们需要将大语言模型的博学，与AlphaGo式的搜索规划能力结合起来。只有当AI学会了三思而后行，学会了自我质疑和自我验证，我们才能解决**幻觉问题**，才能拥有真正可靠的智能。

### 世界模型与模拟

**最佳拍档**: 说到这里，就不得不提哈萨比斯最痴迷的一个领域，也是他认为通往AGI最关键的一把钥匙：**世界模型**（World Models）与**模拟**（Simulation）。在访谈中，戴密斯毫不掩饰他对模拟的热爱。这不仅仅是因为他早年是做游戏开发出身，更因为从科学哲学的角度看，理解世界的本质，就是能够模拟世界。现在的视频生成模型，比如**Sora**或者Google的**Veo**，虽然生成的画面极其逼真，但是这并不代表它们理解了物理规律。它们可能只是在像素层面，记住了杯子掉落的视觉模式，而不是理解了重力和刚体碰撞。DeepMind最近发布的**Genie**和**SIMA**项目，正是在向这个方向进军。Genie能够通过观看视频，学习出一个可交互的虚拟世界，而SIMA则是一个能够听懂自然语言指令，在各种不同的3D游戏世界中执行任务的Agent。这是一个非常深刻的转变，我们正在从静态的数据学习，转向动态的环境交互。哈萨比斯提出了一个非常科幻，但是又极具逻辑的构想：如果我们把Genie和SIMA结合起来会发生什么？一个AI负责生成无穷无尽的、符合物理规律的虚拟世界，另一个AI负责在里面探索、试错、学习。这就像是构建了一个黑客帝国式的训练场。在这个训练场里，AI可以进行近乎无限的自我博弈和进化。它不需要像现在这样，依赖人类极其昂贵而且有限的标注数据。它可以自己生成数据，自己验证数据。这就是所谓的**合成数据**（Synthetic Data）的终极形态。而且，这种模拟不仅仅是为了训练AI玩游戏。回到我们开始提到的科学问题，如果我们能建立一个精确的细胞级生物模拟器，或者一个精确的气象模拟器，那么AI就能在里面进行成千上万次的实验，去寻找治愈癌症的方法，或者预测极端天气。这里甚至触及到了一个哲学问题：我们的宇宙本质上是可计算的吗？哈萨比斯是一个坚定的**图灵机**信徒，他相信，只要给他足够大的算力和足够精妙的算法，图灵机可以模拟宇宙中的任何过程，包括人类的意识。这与物理学家**罗杰·彭罗斯**（Roger Penrose）等人的观点截然不同。彭罗斯认为大脑中存在量子效应，是经典计算机无法模拟的。但是哈萨比斯表示，到目前为止，物理学界还没有发现任何证据表明，大脑利用了量子计算。这意味着从理论上讲，只要我们沿着这条路走下去，创造出拥有人类般意识、情感和创造力的数字智能，是完全可能的，并没有什么神圣的、不可逾越的物理屏障在阻挡着我们。

### AGI之路：规模化与创新

**最佳拍档**: 这就引出了大家最关心的一个问题：我们是否已经看到了天花板呢？过去一年，关于**Scaling Law**是否失效的争论此起彼伏，有人说数据快用完了，有人说单纯堆算力带来的收益在递减。对此，哈萨比斯的判断非常冷静。他给出了一个大致的公式：通往AGI的道路，50%取决于算力和数据的**规模化**（**Scaling**），另外50%取决于架构的**创新**（**Innovation**）。这是一个非常重要的信号，它告诉我们，仅仅靠堆显卡、堆数据，可能无法直接通关。我们确实需要更强的算力，这毋庸置疑。但是我们同样需要像**Transformer架构**那样的新发明。目前的大模型还有一个致命的弱点，那就是它们无法进行**在线学习**（Online Learning）。你现在用的**ChatGPT**或**Gemini**，它们在训练完成的那一刻，知识就固化了。它们不会因为和你聊了一天，就真的学到了什么新东西，并且永久改变自己的参数。它们只是在上下文窗口里暂时记住了你的话，一旦开启新的对话，一切归零。但是人类不是这样的，我们每时每刻都在通过与世界的交互，来微调我们的大脑。哈萨比斯认为，这是AGI必须具备的能力。未来的AI，必须能够实时地从环境中汲取新的知识，不断自我更新，而不是每隔半年才重新训练一次。

### AI泡沫与社会影响

**最佳拍档**: 谈到这里，我们必须面对一头房间里的大象：**AI泡沫**与社会影响。汉娜教授在访谈中直接问到了AI泡沫的问题。哈萨比斯的回答非常辩证：他认为，从短期来看，确实存在泡沫，特别是那些没有核心技术壁垒，只是套壳大模型做简单应用的初创公司，估值可能确实过高了。这很像当年的**互联网泡沫**时期，很多以.com结尾的公司，最终都灰飞烟灭了。但是，从长期来看，AI的潜力甚至被低估了。就像互联网最终彻底改变了人类社会一样，AI带来的变革将更加深远，这不仅仅是技术层面的，更是社会结构层面的。哈萨比斯喜欢用**工业革命**来做类比：工业革命极大地提高了生产力，但是也带来了长达百年的社会阵痛：童工问题、贫富差距、工人权益。这些问题并不是技术本身能解决的，而是要通过社会制度的创新，比如工会、劳动法、福利制度来解决的。同样，AI时代也将是一场生产力的狂欢。如果AI真的能带来核聚变、治愈疾病、物质极大丰富，也就是所谓的**后稀缺社会**（Post-Scarcity Society），那么现有的经济模型，也就是靠劳动换取报酬的方式，可能会彻底失效。当AI能比人类更高效地完成绝大多数工作时，我们该如何分配财富？人类的目的感将来自哪里？哈萨比斯并没有给出确切的答案，但是他强调，这是一个需要经济学家、社会学家和政治家现在就开始思考的紧迫问题。我们不能等到AGI真的到来的那一天，才开始手忙脚乱地设计新的社会契约。

### 安全、协作与个人使命

**最佳拍档**: 我们也看到，现在科技巨头之间的竞争近乎白热化。这种竞争一方面加速了技术进步，但是也带来了隐忧。所有的实验室都在狂奔，是否会因此忽视了安全性呢？哈萨比斯对此表示担忧。虽然DeepMind一直强调**负责任的AI**，但是在地缘政治紧张和商业利益的驱动下，全球协作变得越来越难。他呼吁建立国际性的标准和护栏，特别是当AI拥有了自主**Agent**能力，能够在互联网上自由行动时，网络安全防御将成为重中之重。在视频的最后，我想重点分享一下哈萨比斯的个人感悟，这点让我非常触动。作为一个站在人类科技最前沿的人，哈萨比斯坦言，他也会感到孤独和压力。但是他内心深处，有一个从孩提时代就燃烧的火焰，那就是**好奇心**。他说，他毕生的使命，就是通过构建AI来理解宇宙。在他看来，这是一种终极的探索。如果我们能创造出智能，我们就能通过智能这一面镜子，反照出我们自己，理解什么是意识，什么是生命。宇宙的本质究竟是能量、物质，还是信息？他正在利用业余时间——虽然我很难想象他还有业余时间——来思考物理学的新理论，试图将**信息论**作为宇宙的最基本单元。这种对真理纯粹的追求，或许正是推动人类文明不断跨越这一道道坎坷的原动力。

### 黄金时代的前景

**最佳拍档**: 回到视频开头的问题：这一切在把我们带向何方？答案可能比我们想象的要乐观。尽管有泡沫，有风险，有未知的挑战，但是只要我们能驾驭好这股力量，我们正站在一个前所未有的**黄金时代**的门槛上。这是一个科学大发现的时代，是一个物质可能不再匮乏的时代。作为普通人，我们也许不需要像哈萨比斯那样去构建AGI，但是我们需要理解它，适应它，并且参与到关于未来的讨论中来。因为这个未来，不只属于硅谷的精英，它属于我们每一个人。感谢收看本期视频，我们下期再见。