4
0我们每天都被新模型刷屏：GPT-4、Gemini、各类榜单与评测像连续剧一样快速更新。热闹之外，真正值得追问的问题是：推动这一切的“总编剧”到底在想什么？以及，他认为通往下一代智能的路，究竟在哪里？
在近期的一次采访中，DeepMind 早期核心人物德米斯·哈萨比斯（Demis Hassabis）分享了他对人工智能未来的判断。
这次访谈的信息量很大，它不只是对技术路线的解释，更像一份“未来十年 AI 产业的底层逻辑说明书”：哪些方法还会继续奏效，哪些方法注定走不远；真正的瓶颈是什么；以及为什么 AI 既可能成为人类的终极工具，也可能变成必须严肃对待的风险源。
一、DeepMind 为什么重要
要理解哈萨比斯的观点，绕不开 DeepMind 这家公司。
DeepMind 2010 年在伦敦成立，2014 年被谷歌以约 4 亿英镑收购。今天许多面向公众的 AI 产品与能力都可以在不同程度上追溯到它的技术积累。但在“成为手机里各种 AI 功能的幕后英雄”之前，DeepMind 更像一个以科学探索为主轴的研究机构：它用一次次底层突破，把“AI 能做什么”的边界向外推。
访谈里提到的两个里程碑，具有象征意义：
·AlphaGo：在围棋上击败李世石，改变了大众对 AI 能力进展速度的直觉。许多人原本认为这种复杂度的博弈，至少还要十年。
·AlphaFold：攻克蛋白质折叠预测的关键难题。听起来学术，但直接影响新药研发的效率与路径，意味着 AI 不再只是一种“信息处理工具”，而可能成为“科学发现工具”。
因此，当 ChatGPT 出现、外界认为谷歌“慢了半拍”时，这段访谈强调：谷歌真正的底牌是 DeepMind 的长期积累，而 Gemini 的快速追赶也反映了这种积累的价值。这里的隐含判断是：AI 竞赛并非短期产品发布节奏的胜负，而是长期研究与工程体系的厚度对抗。
二、主线问题：AI 的能力有没有天花板？
访谈把话题切入到大众最关心的点：AI 的能力是否存在上限？
当下主流路径，是哈萨比斯提到的“规模法则”（scaling laws）：不断加数据、加算力、堆更大的模型，能力就会提升。它听起来粗暴，但过去几年确实有效，以至于产业形成了一种近乎共识的叙事：大力出奇迹。
哈萨比斯的判断更细：
1.规模法则的边际回报在放缓。不再像早期那样“模型翻倍、能力飞跃”，但回报仍然可观。
2.未来几年内，继续扩规模仍然有效。也就是说，资本开支、算力竞赛还不会突然停下来。
3.但仅靠规模法则，可能永远无法抵达真正的 AGI。这是访谈的关键转折：把整个行业从“扩规模即可通用智能”的乐观叙事，拉回到“缺失关键能力”的现实问题。
一句话概括就是：规模法则是必要条件，但不是充分条件。
三、为什么扩规模不够？
为了说明“为什么不够”，哈萨比斯提出了一个形象的概念：锯齿状智能（Jagged Intelligence）。
“锯齿状”的意思是能力分布高度不均匀：
AI 在某些任务上锋利到可怕——写诗、写代码、总结知识、对话表达，甚至达到顶尖专家水平；但在另一些任务上又笨得出奇——缺乏常识性的物理理解、长程规划、持续学习与自我校正能力，做稍复杂的计划就可能漏洞百出。
这种不均衡意味着：你看到的“聪明”，往往是局部能力的极致；而一旦需要跨场景、跨时间、跨因果链条的推理，系统就会暴露结构性短板。
访谈给出的结论是：AI 目前缺的不是“知识量”，而是更接近人类认知结构的三类能力：
·持续学习：不是一次训练定型，而是能在运行中更新与修正。
·原创性思考：不是拼接文本模式，而是形成新解释、新假设。
·长期规划：能跨多步目标做策略性推演并保持一致性。
这为下一段的“新方向”埋下伏笔。
四、通往下一代智能：世界模型（World Models）
哈萨比斯认为，补上上述短板的关键路径之一，是发展世界模型。
访谈用一个非常好懂的类比来解释它与 LLM 的区别：
·LLM 像“博学的文科生”：通过海量文本/图像学习语言规律与模式，擅长表达与归纳；它知道“太阳东升西落”这句话常出现，因此会这么说。
·世界模型像“理科生/物理学家”：不仅知道现象，还要理解背后的机制；它在内部建立一个“真实世界的模拟器”，能够推演因果关系——比如“杯子从桌上被推下去，会因重力下落并摔碎”。
这句话非常关键：世界模型强调因果与可推演性，而不仅是相关性与模式匹配。
在此基础上，哈萨比斯提出一个判断：未来的 AGI 很可能不是单一巨大 LLM，而是：
·LLM 负责沟通与知识（语言接口、工具调用、信息组织）
·世界模型负责理解与推理（因果推演、规划、模拟与决策）
换句话说，AGI 更可能是“多模块系统的协同”，而不是“一个更大的聊天模型”。
五、时间表与瓶颈：5–10 年，以及两大物理约束
访谈里最抓人的信息之一，是哈萨比斯对 AGI 时间窗口的判断：大约 5 到 10 年。这在行业内部并非共识，因为也有顶尖学者认为缺少根本性理论突破，距离仍非常遥远。
但无论时间表如何，他强调实现路径会被现实约束牵引，其中最核心的是两大“物理瓶颈”：
1.芯片（算力供给）
高端计算芯片成为全球硬通货，供不应求，决定了训练与推理的上限。
2.能源（电力与基础设施）
巨型数据中心耗电惊人。在他的表述里，能源将等同于智能：谁掌握能源，谁就掌握智能上限。
这带来一个看似悖论的循环：想要更强 AI，需要更多算力与数据中心；更多数据中心意味着更高能耗；而现实世界正面临能源与气候约束。
六、AI 的“自我解瓶颈”：蒸馏与科学加速
面对上述悖论，哈萨比斯提出一个更具“螺旋上升”意味的观点：AI 本身可能就是解决瓶颈的钥匙。
访谈给出两条路径：
1）效率路径：用 AI 优化 AI（蒸馏）
蒸馏（distillation）的直观理解是：
先训练一个成本极高、能力极强的“宗师模型”，再让它“手把手教”更小的“学徒模型”。最终学徒模型体量更小、能耗更低，但能力能接近宗师的大部分水平。
它的意义在于：把昂贵能力“压缩”到更便宜的运行形态，从而缓解算力与能耗的压力。
2）价值路径：用 AI 加速科学突破
更长远、也更宏大的方向，是把 AI 用作“科学发现引擎”：
·新材料筛选与设计（提升太阳能电池效率等）
·核聚变装置优化（触及“终极能源”的工程瓶颈）
·药物研发提速（与 AlphaFold 路线一脉相承）
这一段的核心不是“AI 会不会替代人”，而是：AI 能否成为人类解决重大问题的通用加速器。这也解释了他为何对 AI 同时持乐观与谨慎态度。
七、风险视角：极度乐观下的“极限运动员式谨慎”
访谈并没有停留在技术浪漫主义，而是把风险明确拆成两类：
1.恶意使用风险
工具越强，落入恶意使用者手中，破坏力越可能指数级上升。
2.失控风险（对齐问题）
随着系统更自主、更像“智能体”（Agent），能够自设目标、执行计划，如何保证其目标与人类根本利益一致，成为结构性难题。访谈提到经典的“回形针思想实验”，用以说明“看似无害目标”也可能导向灾难性后果。
哈萨比斯的回应是：DeepMind 从成立之初就把安全与伦理放在核心位置，采用科学方法研究约束与控制，而不是等到系统强大到不可控时再补救。他承认不存在万无一失的保证，但强调行业不能“蒙眼狂奔”。
这一段实际上构成了他整体态度的定义：技术乐观，但不浪漫；追求突破，但不放弃治理。
八、现实世界的三重竞争：公司、资本与地缘政治
访谈最后把 AI 从技术问题拉回到现实世界的“竞争结构”，并拆成三层：
1）公司层面：巨头之间的贴身肉搏
一年前舆论说谷歌被 OpenAI 打了个措手不及，但 Gemini 的进展说明：对巨头而言，只要战略上足够重视，研发深度与工程能力依然恐怖。竞争不是一次发布会，而是体系能力的对抗。
2）资本层面：泡沫与“家底优势”并存
他承认私募市场存在“几乎没有产品却估值离谱”的泡沫。但与此同时，谷歌的现金流与资产负债表带来“超级大国优势”——可以承受几十亿乃至上百亿美元的长期投入；而 OpenAI、Anthropic 等明星创业公司更依赖持续融资，一旦市场遇冷，资金链弹性较弱。
这里的核心判断是：在算力密集型赛道，资本结构本身就是竞争力。
3）地缘政治层面：中美竞赛与创新文化
他提出一个可能让人意外的观察：中国顶尖模型与西方前沿的差距可能已缩小到“几个月”。但他紧接着强调更深的分野：
中国公司已经证明“快速追赶与复制优化”的能力，但尚未充分证明“定义下一代架构、做根本性原创创新”的能力。这更多是科研文化与创新环境的问题——容忍失败、鼓励冒险式探索，比砸钱与堆人更难。
结语：当 AI 既是能源消耗者，也是解决方案
访谈收束在一个值得反复咀嚼的悖论上：
AI 一方面可能成为这个时代最大的能源消耗者与风险来源之一；另一方面，它又可能是解决能源危机、气候变化、疾病等重大挑战的“终极工具”。
因此，问题不再只是“AI 能不能更聪明”，而是：
·我们能否从单一的“堆规模”叙事，走向更深层的“理解与推理”路径？
·我们能否在芯片与能源的物理约束下，重塑 AI 的效率与价值创造方式？
·我们又能否在加速冲刺时，建立足够稳健的安全与治理框架？
当探索的脚步越快，风险的缰绳就越需要被认真握紧。AI 的未来，既取决于模型，也取决于我们选择怎样的制度、资本结构与创新文化来承载它。
