共计 1119 个字符，预计需要花费 3 分钟才能阅读完成。
关于通用人工智能 (AGI) 的讨论,近年常走向两极: 有人宣称它近在咫尺, 也有人断言大模型路线根本走不通。谷歌 DeepMind CEO Demis Hassabis, 则属于第三类——他既肯定现有路径的正确性, 又明确指出还缺“最后一两块拼图”。
📌 现有技术路线已获验证, 但拼图未完整
- 重点: DeepMind 负责人哈萨比斯访谈称现有大模型路径可行,AGI 缺持续学习、长效记忆与内省反思, 预计 2030…
- 重点: 当前公开信息主要集中在产品、策略或节奏变化上。
- 重点: 后续仍需关注官方更新、落地范围以及实际反馈。
在 YC 近期的一场访谈中,Hassabis 被问及大规模预训练、RLHF(基于人类反馈的强化学习)和思维链等技术在 AGI 最终架构中的权重 。他直言, 这些组件几乎肯定会成为 AGI 的一部分, 且已通过大量实践验证, 不太可能被证明是死胡同。不过, 在已有基础之上, 仍有三个关键问题悬而未决: 持续学习、长程推理, 以及记忆。
🔍 记忆难题: 上下文窗口越大, 反而越难思考
针对“记忆”这一看似矛盾的问题,Hassabis 给出了直白的类比: 上下文窗口相当于 AI 的“工作记忆”。人类的工作记忆平均只能同时处理约 7 个信息单元, 而 AI 的窗口已被强行扩至百万级 token。但容量膨胀反而带来了新麻烦——几乎所有内容都被不加区分地塞入窗口, 重要与琐碎、正确与错误混杂一体, 然后期望模型自行从中筛选出有用信息。
他举例说,处理实时视频流时, 若将每一帧的所有 token 都存入,100 万 token 仅够容纳约 20 分钟内容, 且这还是单向写入, 不涉及反复查找与推理。真正的 AGI 需要的不是“存得下”, 而是“找得到”——能将新理解融入既有知识体系, 并在需要时精准调取, 而非每次面对一本冗长的流水账从头翻到尾。
💡 内省缺失:AI 缺乏反思自身错误的能力
Hassabis 还谈及“内省”问题。他提到喜欢让 Gemini 下棋, 有时模型会选一步明显很差的棋, 尽管系统已意识到这可能是一步臭棋, 但因找不到更优替代方案, 最终还是走了那一步。更奇怪的是, 同一模型能解出国际数学奥林匹克金牌级题目, 却在小学数学级别问题上犯错。这表明模型对自己的推理过程缺乏真正的反思能力——它不是不知道自己可能错了, 而是不知道怎么推翻或纠正自己, 就像新手棋手反复踏入同一个陷阱。
📊 务实的时间表与行业观察
对于 AGI 的实现时间,Hassabis 的判断是 2030 年左右。他认为概率大概五五开, 剩下的那一两个关键想法尚未找到。他的态度更像是“我们走在正确方向上, 但还需要一些更精巧的东西——不是单纯的算力和数据能解决的”。
