---
source_url: https://unknown/demis-hassabis-yc-interview-jiedaotixi
tags: [article]
ingested: 2026-05-01
sha256: 86dd5e61fb251fc715c3ba2cca9d2889e3d80382d4722feddba8c94c3b0aff91
---



If you start off on a deep tech journey today, usually that you're talking about a 10-year journey for true deep tech, in my opinion. So, then now you have to just consider AGI appearing in the middle of that journey. So, what does that mean? It doesn't—it's not bad, necessarily, but you have to take that into account.


当诺贝尔化学奖得主、Google DeepMind CEO Demis Hassabis 坐在 YC 的访谈台上时，他们讨论的不只是化学，而是人类智能的终极边界。

从 17 岁开发巅峰游戏《主题公园》，到创立 DeepMind 击败围棋世界冠军，再到攻克 50 年生物学难题，Demis Hasselbis 始终在定义的只有一件事：AGI。

正如上面引用的这段话，是 Hasselbis 与 YC 总裁 Garry Tan 的深度对话中，接近对话尾声的一段话，翻译过来是：

在我看来，如果你今天开启一段深科技（Deep Tech）创业历程，通常意味着这将是一个长达 10 年的周期。那么，你现在就必须考虑到 AGI（通用人工智能）可能会在这段历程的中途出现。这意味着什么？这未必是一件坏事，但你必须将这个因素纳入考量。

作为 AI 领域的长期领军人物，Demis 再次确认了他对 AGI 的时间线预期：2030 年。

Hassabis 的职业生涯非常独特。他从小就是国际象棋神童，17 岁设计了热门游戏《主题公园》，随后获得认知神经科学博士学位，研究大脑如何运作。2010 年，他联合创立了 DeepMind，使命只有五个字：解决智能问题。

十年后，他的实验室完成了多项突破。AlphaGo 击败了围棋世界冠军，AlphaFold 攻克了蛋白质结构预测（这一生物学领域 50 年来的重大挑战），这项工作也让他获得了 2024 年诺贝尔奖。如今他领导 Google DeepMind，打造 Gemini，继续向 AGI 迈进。

AGI 出现前缺少什么

虽然目前的大规模预训练、RLHF 和思维链已经非常强大，但 Demis 认为，现有的技术架构可能还不足以直接通向 AGI。

目前的系统依然存在明显的局限。虽然它能解决世界数学奥林匹克级别的难题，却可能在基础的小学数学或简单的逻辑推理上出错。他认为，目前的架构中仍有一两个大想法需要被攻克。持续学习、长期推理和记忆的问题，目前仍未得到根本性的解决。

为什么记忆仍未被解开

目前的大模型基本上是无状态的。为了让模型记住信息，现在的做法是不断扩大上下文窗口。Demis 直言，这种方式更像是用「胶带」把系统粘在一起。

真正的记忆不应是简单粗暴地存储所有 token。他在博士期间研究过海马体，人类大脑会在睡眠中回放重要片段，将新知识优雅地整合进现有的知识库。AI 需要在记忆系统上有本质的创新，才能高效地处理长达数月的个人信息或实时视频。

AlphaGo 如何塑造 Gemini

很多人认为现在的路径已经完全转向了语言模型，但 Demis 透露，AlphaGo 的核心思想正在回归。

现在的思维链推理，其实就是 AlphaGo 搜索模式的一种回归。DeepMind 正在大规模重新审视一些旧的想法，包括蒙特卡洛树搜索（MCTS），并尝试将其应用在今天的基础模型上。

为什么小型模型变得如此强大

DeepMind 投入了大量精力在模型蒸馏上。Flash 系列模型能以 1/10 的价格，达到前沿模型 90%～95% 的能力。

由于 Google 拥有巨大的用户量（如搜索、地图、YouTube），系统必须以极快、高效且低成本的方式提供服务。这种动力促使小型模型在性能上不断逼近大型前沿模型，且目前尚未看到蒸馏过程的理论极限。

1000 倍工程师

Demis 提到，现在的工程师利用 AI，产出已经是六个月前的数倍。

如果对比 2000 年代的 Google 工程师，现在的开发者效率提升了 500 到 1000 倍。这种速度让快速迭代成为可能。以前需要 6 个月完成的游戏原型，现在半小时就能做出来。

持续学习与 Agents 的未来

目前的 Agents 还不能很好地适应新环境，因为它们缺乏持续学习的能力。

Demis 认为这是阻碍智能体完成复杂任务的关键瓶颈。系统必须能够学习具体场景的上下文。只有解决了持续学习，智能体才能真正实现「发射后不管」的自主操作。

为什么 AI 在基本推理上仍然失败

Demis 将目前的 AI 表现称为「锯齿状智能」。

他在和 Gemini 下棋时发现，模型有时会意识到自己走了一步错棋，但由于找不到更好的选择，它会绕一圈回来接着走那步错棋。这种现象不应该出现在精确的推理系统中。这说明目前的系统还缺乏一种对自身思维过程进行监控和内省的能力。

Agents 是被过度炒作了，还是才刚刚起步

Demis 认为智能体才刚刚起步。虽然现在很多人在进行实验，但输出的产出往往难以证明巨大的资源投入是值得的。

但他预测，接下来的 6 到 12 个月内，智能体将从「玩具式的演示」变成真正能交付完整价值的生产力工具。智能体是通往 AGI 的必经之路，必须拥有一个能主动解决问题的系统。

AI 真能变得有创造力吗

AlphaGo 的第 37 招确实很有创造力，但 Demis 提出了一个更高的标准：AI 能不能发明围棋本身？

这意味着系统要能根据高层级的描述（比如：规则简单、内涵深奥、需要一生去掌握），创造出一个全新的范式。目前的系统还做不到这一点，除了模式匹配，还需要类比推理能力的突破。

开放模型、Gemma 与本地 AI

Google 决定将 Nano 级别的模型完全开放权重。这不仅是出于战略考虑，也是因为边缘设备上的模型本就容易泄露，不如干脆彻底开放。

本地模型的优势在于隐私和安全。未来，用户可能会在手机、眼镜或家用机器人上运行极其强大的本地模型。这些模型会和云端的巨型模型协作编排，但敏感的音视频流会留在本地处理。

为什么 Gemini 是多模态建造的

Gemini 从一开始就是原生多模态建造的。这增加了一开始的训练难度，但长期来看回报巨大。

这让模型能够理解现实世界的物理环境（直觉物理），对于 Waymo 自动驾驶、机器人以及智能眼镜助手至关重要。在这类涉及物理世界交互的问题上，原生多模态模型具有明显的竞争优势。

当推理变得廉价时会发生什么

随着推理成本下降，可能会出现杰文斯悖论（即效率提高反而导致需求激增）。

Demis 预见到未来会出现成千上万个智能体协同工作。虽然能源成本可能通过核聚变或新材料降至趋近于零，但芯片的物理制造仍会是瓶颈。因此，高效利用算力依然是团队优化的重点。

从 AlphaFold 到虚拟细胞

DeepMind 的愿景是利用 AI 作为科学发现的终极工具。AlphaFold 只是一个开始，目前几乎每一种新药研发都会用到它。

下一个大目标是构建一个完整的「虚拟细胞」。这意味着对细胞进行全方位的模拟，能够通过模型预测真实细胞的反应。他预测这大约需要 10 年的时间。目前的瓶颈在于如何在不杀死细胞的前提下获得高分辨率的动态成像数据。

AI 作为科学终极工具

Demis 工作 30 多年的主要动力，就是将 AI 作为科学的终极工具。DeepMind 的原始使命分为两步：第一步是解决智能问题（AGI），第二步是用它来解决科学中的「根节点问题」。所谓根节点问题，就是那些一旦解决就能解锁整个新学科领域的问题。

创始人建议

对于技术功底深厚的创业者，Demis 建议去攻克那些困难的、深入的问题。

他认为解决难题在某些方面并不比解决浅表问题更难，但难题带来的护城河更深。既然人生苦短，不如把精力投入到那些「如果你不去推动，世界就不会因此改变」的事情上。

AlphaFold 突破模式

Demis 总结了这类突破的三个核心要素：
（1）问题具有巨大的组合搜索空间（暴力算法无法解决）。
（2）有清晰的目标函数。
（3）有足够的数据或能生成合成数据的模拟器。
只要满足这些条件，AI 就能在海量可能性中找到那个「大海捞针」般的解。

AI 能够做出真正的科学发现吗

Demis 提出了一个「爱因斯坦测试」：如果给一个 AI 系统训练截止到 1901 年的知识，看它能不能独立推导出爱因斯坦在 1905 年提出的那些发现（包括狭义相对论）？

如果 AI 能够独立提出这类改变人类认知边界的假说，而不仅仅是解决已有的问题，它才真正算得上具备了科学推理能力。

AGI 到来前该建造什么

由于 AGI 可能会在 2030 年左右到来，创始人在构建长期深科技项目时，必须考虑 AGI 在中途点出现的可能性。

未来的架构不太可能是一个统治一切的巨型大脑，而更可能是一个通用的工具调用模型去调度各种专业工具（类似调度 AlphaFold 进行蛋白质折叠）。创始人应该在这一趋势下，想象未来的工厂、金融系统和物理世界的形态。







相关链接：

《Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough》视频：
https://www.youtube.com/watch?v=JNyuX1zoOgU
感谢您阅读我的文章！🙏 如果觉得不错，随手点赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标 ⭐