DeepMind CEO：当前AI只是半成品，AGI近在眼前

来源：市场资讯

（来源：固收加小咖）

作为AlphaGo、AlphaFold的缔造者，新晋诺贝尔化学奖得主、DeepMind CEO Demis Hassabis，在这场深度访谈中，撕开当下AI行业的狂热泡沫，直言当前AI远未成熟，同时清晰勾勒出通用人工智能（AGI）的实现路径，为AI从业者、创业者带来极具价值的深度思考。

Demis坦言，当下所有AI技术都只是半成品，即便大模型飞速迭代，距离真正的通用人工智能仍有核心短板，而行业内的诸多误区，正让不少从业者走入发展歧途。

在他看来，现有大模型的预训练、RLHF、思维链等技术架构，会成为AGI最终架构的组成部分，并非死路一条，但想要实现真正的通用智能，目前还缺失三块关键拼图：持续学习能力、长程推理能力、真正的记忆机制。基于当前技术迭代速度，他大胆预测，AGI大概率会在2030年左右到来，这也意味着，AI行业的终极变革已近在眼前。

谈及当下AI圈疯狂比拼的大上下文窗口，Demis直言这不过是“暴力胶带式”的笨办法。人类大脑依靠海马体，能在睡眠中精准整合新知识、高效巩固核心记忆，信息检索成本极低且相关性极强；而当前大模型单纯扩大Token容量，不分主次堆砌信息，不仅充斥大量冗余与错误内容，检索效率也会随容量暴涨急剧下降，百万级Token甚至只能存储20分钟视频，根本无法理解长期事件。真正的AI记忆，理应像人脑一般实现精准提取、动态更新，这一难题至今仍未被攻克。

DeepMind的技术核心，始终围绕强化学习与搜索算法，从AlphaGo到AlphaZero，这套征服围棋的底层逻辑，如今正全面赋能Gemini模型。Demis表示，外界严重低估了强化学习的价值，当下大模型的推理模式、思维链，本质都是AlphaGo核心理念的规模化复用，蒙特卡洛树搜索等技术，更是成为Gemini模型突破的关键。

针对行业一味堆砌参数的误区，Demis提出，参数绝非AI能力的唯一标准，效率才是未来核心。一味追求超大模型并不理性，DeepMind通过模型蒸馏技术，将顶级AI能力压缩至小模型，像Gemini Flash、Gemma等轻量模型，性能能达到前沿大模型95%，成本却仅为十分之一，速度与延迟表现也更优异。他断言，小模型的发展远未触及理论极限，短短半年到一年后，当下顶级大模型的能力，就能被微型边缘端模型完美复刻，轻量化、低成本AI将成为主流发展方向。

当前AI智能体看似火热，却始终无法实现完全自主，核心瓶颈就是缺乏持续学习能力。现有AI系统都是无状态的，无法动态学习环境信息、自主迭代优化，只能完成局部单一任务，做不到“发射后不管”。只有攻克持续学习难题，让AI具备自适应调整能力，智能体才能真正独立解决复杂问题，这也是实现AGI的必要前提。

同时，当下大模型还存在诡异的“推理悖论”：能攻克奥赛金牌难题，却在基础算术、简单逻辑推理上频繁出错。Demis指出，这是因为AI缺乏对自身思维的内省能力，现有思维链只是暴力思考模式，没有对思考过程的监控、干预与修正，这也是AI底层架构需要重点突破的方向。

对于智能体是否存在泡沫的质疑，Demis明确回应：智能体绝非炒作，而是通往AGI的必经之路。目前行业仍处于实验初期，尚未出现完全自主的AI系统，但AI智能体的价值已初步显现，能实现千倍级开发效率提升，只是距离真正的自主创造还有很长距离。

而Gemini的核心竞争优势，在于其原生多模态架构。不同于市面上“文本+多模态插件”的拼接模式，Gemini从底层构建多模态能力，虽然研发难度更高，但能更好地理解真实物理世界，完美适配自动驾驶、具身智能、机器人等前沿领域，是AI走向现实应用的必需架构。

针对“AI推理成本会走向免费”的观点，Demis用杰文斯悖论打破幻想：技术效率提升，只会让资源消耗进一步增加。即便算力成本快速下降，海量智能体与多路径评估也会耗尽算力，除非可控核聚变、超导材料实现颠覆性突破，未来几十年，算力效率与模型轻量化依旧是行业核心竞争点。

放眼长远，DeepMind的目标远不止AI模型迭代。Demis表示，AlphaFold破解蛋白质结构只是起点，团队计划10年内打造完整虚拟细胞，精准模拟细胞生化反应，彻底颠覆药物研发与生命科学研究。他始终认为，AI是科学探索的终极工具，未来将在材料、数学、医药等多个领域，带来AlphaFold级别的行业革命。

最后，Demis给所有AI从业者提出忠告：拒绝API套壳式创业，深耕深科技交叉领域。单纯封装基础模型的伪AI公司毫无技术壁垒，终将被行业淘汰；只有将AI与硬核实体行业结合，构建跨学科核心护城河，才能立足长远。同时，企业要提前布局AGI时代，让业务与系统具备适配AGI的集成能力，坚守长期主义，攻克行业核心难题，才是AI发展的正确方向。

当下正处于AGI前夜，AI行业看似繁荣，实则仍有诸多核心技术待突破。不必神化现有AI技术，也无需恐惧未来变革，扎根真实场景、解决实际问题，才是抓住AI时代机遇的关键。