谷歌 AI 掌門人 Demis：“把模型做大”的紅利快吃干了，OpenAI的算力護城河即將失效？

開源模型注定落后半年，真正的勝負手是“發(fā)明新算法”

編譯 | 王啟隆

出品丨AI 科技大本營（ID：rgznai100）

把 AGI 的時間表壓到五年內(nèi)，把它形容成“工業(yè)革命的 10 倍、而且快 10 倍”，這些話當然足夠大，也足夠像 Demis Hassabis 會說的話。

最近，20VC 主持人 Harry Stebbings 采訪了 Google DeepMind 聯(lián)合創(chuàng)始人兼 CEODemis Hassabis。這場長談從 AGI 的定義、時間表和算力瓶頸開始，一路談到 Google DeepMind 的重新整合、前沿實驗室為什么會重新拉開層級、開源模型、藥物發(fā)現(xiàn)、電網(wǎng)效率、AI 安全、勞動力沖擊和歐洲創(chuàng)業(yè)環(huán)境。

Demis 這次給出的，不只是幾句更響亮的未來口號，而是一張更具體的路線圖：當“更大模型”已經(jīng)不足以解釋下一階段全部競爭時，哪些能力缺口會決定誰繼續(xù)往前，哪些現(xiàn)實落點會決定 AI 最終落到哪里。

但如果今天還只是把前沿 AI 競爭理解成“誰能繼續(xù)把模型做得更大”，那真正更冷、更硬的那層判斷，反而會被直接漏掉：舊一輪 scaling 紅利并沒有消失，但已經(jīng)開始走到后半段；下一階段真正能把實驗室重新拉開差距的，不再只是規(guī)模，而是誰還能繼續(xù)發(fā)明新算法，并補上持續(xù)學習、記憶系統(tǒng)、長期規(guī)劃和一致性這些能力缺口。

在 Demis 的敘述里，AGI 從來不只是一個遠景判斷，它越來越像一個現(xiàn)實工程問題：誰先補齊這些缺口，誰就更可能定義未來五年 AI 的真正勝負手。

要點速覽

• 五年內(nèi)出現(xiàn) AGI 有很大概率，而且 DeepMind 從 2010 年開始對這件事的長期推演并沒有根本逆轉(zhuǎn)。

• 真正更值得盯的，不是“模型還能不能繼續(xù)擴大”，而是舊一輪 ideas 的紅利已經(jīng)開始見后半程。下一階段能繼續(xù)拉開差距的，會是那些還能發(fā)明新算法的前沿實驗室。

• 今天最關鍵的能力缺口已經(jīng)很清楚：持續(xù)學習、記憶系統(tǒng)、長期規(guī)劃和一致性，仍然是現(xiàn)有系統(tǒng)最不像“通用智能”的地方。

• 對 AI 的下注遠不止聊天模型。從 Isomorphic Labs 到藥物發(fā)現(xiàn)，從電網(wǎng)效率到聚變與材料科學，他真正想推動的是 AI for Science。

• 開源與閉源不會簡單分出勝負。開源模型大概率會長期落后于最前沿半年左右，但仍會在小開發(fā)者、學術研究和邊緣場景中持續(xù)重要。

AGI 沒有被重新定義，時間表也沒有被往后推

主持人：現(xiàn)在大家對 AGI 的定義差別很大。你這些年一直在認真談這個問題，所以我想先從這里開始。今天在你看來，AGI 到底是什么？

Demis Hassabis：我們對 AGI 的定義其實一直很一致：它本質(zhì)上是一個能夠展現(xiàn)人類心智全部認知能力的系統(tǒng)。這個定義很重要，因為人腦是我們目前唯一已知的、證明“通用智能是可能的”存在。對我來說，這就是 AGI 的標準。

主持人：那個大家最常問、也最糟糕的問題還是得問：我們離它還有多遠？很多非常有影響力的人都在說，也許 2026、2027 就會到來。

Demis Hassabis：我心里當然有一個概率分布，但如果你讓我現(xiàn)在給一個總體判斷，我會說：未來五年內(nèi)出現(xiàn) AGI 的概率很高。這已經(jīng)不算長了。

主持人：這個時間表比你以前想的更近了嗎？

Demis Hassabis：其實沒有太大變化。挺有意思的是，我的聯(lián)合創(chuàng)始人、也是 DeepMind 首席科學家的 Shane Legg，在 2010 年我們創(chuàng)立 DeepMind 的時候就寫過博客，預測 AGI 會在什么時候出現(xiàn)。

要知道，2010 年幾乎沒人真正認真做 AI，很多人還覺得 AI 根本走不通，是一條死路?？晌覀儺斈昃褪歉鶕?jù)算力增長和算法進步做推演，大概判斷從起點算二十年左右會走到那里。今天回頭看，我覺得我們基本還在那條軌道上。

主持人：站在今天這個節(jié)點看，你覺得最大的瓶頸是什么？你在紀錄片里提過一句話：算力永遠不夠。那現(xiàn)在最卡住我們的東西到底是什么？

Demis Hassabis：我覺得最大的問題還是算力。

原因不只是最直觀的那一層——你需要更大的系統(tǒng)、更多參數(shù)、更大的訓練規(guī)模，隨著這些東西一起擴大，系統(tǒng)通常也會變得更智能。

另一層同樣重要的是，算力也是我們做實驗的工作臺。云計算基礎設施，本質(zhì)上就是我們的實驗臺。你有一個新的算法想法，必須在足夠合理的規(guī)模上驗證它，否則你根本沒法知道，這個想法放進真正的大系統(tǒng)后還能不能成立。所以只要你有很多研究者、很多新想法，你就會發(fā)現(xiàn)自己始終需要大量算力。

主持人：你提到了 scaling laws?，F(xiàn)在很多人都在說，scaling law 可能已經(jīng)見頂，模型進步開始進入平臺期。你認同嗎？

Demis Hassabis：我不認同，或者至少我會說這件事比外界講得更細一些。最開始各家都在做大語言模型的時候，每一代系統(tǒng)之間確實都有極其巨大的躍升，看起來像是性能翻倍。但這種幅度不可能永遠保持下去，所以增長沒有繼續(xù)保持那種極端的指數(shù)形態(tài)，這很正常。

可這并不意味著繼續(xù)擴展這些系統(tǒng)已經(jīng)沒有回報。我們和其他前沿實驗室，依然都從這種擴展里拿到非?？捎^的收益。我的判斷是：回報依舊很可觀，只是沒有最開始那樣夸張了。

主持人：那么今天真正落后于你預期的地方在哪里？

Demis Hassabis：其實大多數(shù)領域，我們比我原來想得走得更快。你看視頻模型，或者像 Genie 這樣的交互式世界模型，如果你把這些東西拿給五年、十年前的我看，我會非常震驚。我覺得大部分領域都比當時整個行業(yè)的預期更靠前。但確實還有一些很大的東西沒有解決，比如持續(xù)學習。系統(tǒng)在訓練完成、發(fā)布到世界里之后，并不能很好地繼續(xù)學習新東西。這類關鍵能力現(xiàn)在還是缺失的。

主持人：為什么持續(xù)學習到今天還沒有解決？

Demis Hassabis：因為大家還沒有真正搞清楚，怎么把新學到的東西整合進一個已經(jīng)訓練了幾個月的大系統(tǒng)里。大腦在這件事上做得非常優(yōu)雅，也許和睡眠、強化學習之類的過程有關。白天得到的很多信息會被回放，然后以一種很自然的方式，被整合進你原有的知識系統(tǒng)里。我以前就在想，我們也許需要某種類似的機制，讓新信息能和既有知識庫一起被吸收進去。

主持人：你剛剛提到視頻模型，也提到了世界模型。大家明顯感覺到 DeepMind 在這方面追得非?？欤踔烈呀?jīng)重新領先了。過去兩三年，這種加速是怎么發(fā)生的？

Demis Hassabis：我們做了一些組織上的變化。我一直認為 Google 和 DeepMind 擁有最深、最廣的研究人才儲備。如果你回看過去十幾年，支撐現(xiàn)代 AI 產(chǎn)業(yè)的大概 90% 的關鍵突破，來自 Google Brain、Google Research 或 DeepMind 這些團隊。從 AlphaGo 到強化學習，再到 Transformer，這些都是關鍵突破。

所以如果還有哪些突破是未來必須完成的，我當然會押注我們自己去完成。后來我們做的，其實就是把公司內(nèi)部原本分散的人才和資源重新裝配起來，朝一個方向推。算力資源也是這樣，大家不再各自做兩三個版本，而是把資源并起來，去訓練真正最大的模型。某種程度上，這更像是把原本已經(jīng)有的所有原料重新裝配起來，再以創(chuàng)業(yè)公司的速度和專注度去推進。

主持人：你剛剛說，如果還有哪些未來必須完成的突破——那你現(xiàn)在最興奮的突破方向是什么？持續(xù)學習是你最看重的嗎？

Demis Hassabis：我覺得還缺很多東西。

持續(xù)學習當然是一個。記憶系統(tǒng)也是一個方向。現(xiàn)在大家用超長上下文窗口，其實有點過于蠻力，就是把所有東西一股腦塞進去。我覺得這里還會有很多有意思的新架構被發(fā)明出來。再往后就是長期規(guī)劃、分層規(guī)劃，這些系統(tǒng)現(xiàn)在并不擅長處理非常長時間尺度上的規(guī)劃。還有一個也許最大的難點是一致性。我有時把這些系統(tǒng)叫作“參差不齊的智能”——它們在某些事情上非常驚人，但你稍微換一種提問方式，它們又可能在一些很基礎的地方失敗。真正的通用智能不應該是這樣坑坑洼洼的。

Google DeepMind 又回到了前線

主持人：你剛才提到組織變化和資源整合。今天大家明顯感覺到 Google DeepMind 又重新回到了最前面。你會怎么解釋這種變化？

Demis Hassabis：我覺得最核心的一點，是我們一直都擁有很深、很廣的研究能力。過去十幾年里，很多支撐現(xiàn)代 AI 產(chǎn)業(yè)的關鍵突破，本來就出自 Google Brain、Google Research 和 DeepMind。

區(qū)別在于，過去這些力量并不總是在同一個方向上被完全整合起來。現(xiàn)在我們做的，是把這些研究人才、算力資源和產(chǎn)品化節(jié)奏真正放到一個統(tǒng)一系統(tǒng)里推進，而不是讓公司內(nèi)部同時跑多個平行版本。這樣一來，我們既能繼續(xù)做前沿突破，也能把資源更集中地押到最重要的系統(tǒng)上。

主持人：所以你會覺得，Google DeepMind 重新回到前線，不只是因為模型能力追上來了，而是因為整套組織終于開始朝同一個方向發(fā)力了？

Demis Hassabis：對，我覺得這很重要。研究深度、算力資源和執(zhí)行節(jié)奏，必須在同一個方向上疊起來，才能真正產(chǎn)生效果。你不能一邊有很多突破性研究，一邊又讓資源分散在幾個彼此重復的系統(tǒng)里。過去兩三年，我們更像是在把原來已經(jīng)具備的東西重新裝配起來，然后以更高的速度去推進。

主持人：現(xiàn)在很多人都在討論另一個問題：模型能力是不是正在商品化？不同實驗室之間的差距，會不會越來越??？

Demis Hassabis：我不太這么看。我的感覺是，現(xiàn)在最前面的三四家實驗室——我們當然是其中之一——差距反而會開始重新拉開。因為這些工具本身也會幫助你去構建下一代系統(tǒng)，比如編碼工具、數(shù)學工具。另一方面，繼續(xù)從同一套舊思路里榨出同樣幅度的收益會越來越難。所以那些還具備發(fā)明新算法能力的實驗室，在接下來幾年里會有更大的優(yōu)勢。舊一輪創(chuàng)意的紅利正在被越榨越干，真正決定下一輪差距的，會是新的算法突破。

主持人：所以你會覺得，接下來真正拉開差距的，不只是算力，也不是單純擴大模型，而是誰還能拿出新的創(chuàng)意？

Demis Hassabis：對，我認為這會越來越重要。算力仍然是基礎設施，但只靠擴大規(guī)模并不能解釋下一階段全部進步。真正的問題會越來越落到：你有沒有新的方法，能補上現(xiàn)在這些缺失的能力。

主持人：那你怎么看開源的未來？很多創(chuàng)業(yè)公司現(xiàn)在都會先用最前沿模型定 benchmark，再用更便宜的開源模型盡量逼近。開源最后會走向哪里？

Demis Hassabis：我覺得大體會延續(xù)今天的格局。我們一直很支持開放科學和開放模型，從 Transformer 到 AlphaFold，很多關鍵成果本來就被我們放了出去。以后也會繼續(xù)，尤其是在科學應用這些我最在意的領域里。

只是我覺得，開源模型大概率會長期比絕對前沿落后一步，大概半年左右。與此同時，我們也在非常認真地做 Gemma 這樣的開源模型，希望它們在各自尺寸上做到最好，尤其適合小開發(fā)者、學術研究者、早期創(chuàng)業(yè)團隊和邊緣計算場景。所以這不會是“開源贏”或者“閉源贏”的簡單問題，而更像是一種長期分層。

主持人：那么再往后看，大語言模型之后呢？有些人會說，現(xiàn)在這一路基礎模型不會是最終答案，比如 Yann LeCun 就有很不一樣的看法。

Demis Hassabis：我在一些問題上確實和 Yann 看法不同。我覺得基礎模型已經(jīng)證明了自己可以做出極其驚人的事情，所以它們不會消失。真正的問題不是“它會不會被替代”，而是未來的 AGI 系統(tǒng)里，基礎模型到底是唯一核心，還是更大系統(tǒng)中的關鍵部件。我自己的判斷更傾向后者：未來系統(tǒng)會建立在基礎模型之上，也許還需要一些別的突破，比如世界模型之類的東西，但它不會被簡單替換掉。

Demis 真正押注的，不只是 AGI，而是 AI for Science

主持人：如果我們把時間線拉到五年后，你覺得那個世界最積極的一面會是什么？

Demis Hassabis：我一直把 AGI 視為科學和醫(yī)學的終極工具。推動科學發(fā)現(xiàn)、找到疾病療法，這些事情都需要這樣的技術。我希望五年甚至更長一點時間后，我們能開始進入一個新的科學發(fā)現(xiàn)黃金時代。

主持人：對我來說，最有感觸的一直是藥物發(fā)現(xiàn)?？蓡栴}是，哪怕 AI 真能幫助我們設計出藥，它后面的臨床試驗還是要走十年。這個怎么解決？

Demis Hassabis：所以 AlphaFold 之后，我們才成立了 Isomorphic Labs。AlphaFold 解決的是蛋白結構預測，而 Isomorphic Labs 想做的是藥物發(fā)現(xiàn)流程剩下的部分：化學設計、化合物優(yōu)化、毒性和安全性評估，以及藥物必須滿足的各種性質(zhì)。我覺得未來五到十年內(nèi)，我們會把這套藥物設計引擎做出來。

之后你說得對，真正的問題就會變成臨床試驗仍然需要很多年。但 AI 也可以幫助這個環(huán)節(jié)，比如模擬人體代謝的一部分過程，幫助患者分層，讓不同基因背景的人匹配更合適的藥物。我覺得真正的革命會發(fā)生在后面：當一批 AI 藥物真正通過整個流程之后，監(jiān)管機構積累了足夠數(shù)據(jù)，也許未來就能信任模型預測到某個程度，從而跳過一部分步驟，或者更快地推進。

主持人：你剛才講的是藥物?？赡阋惨恢痹谡勀茉础㈦娋W(wǎng)、材料科學。你是不是一直都把 AI 看成一種科學基礎設施，而不是單純的信息工具？

Demis Hassabis：是的，我一直這么看。比如電網(wǎng)，我們也許能把現(xiàn)有國家級電網(wǎng)的效率提升 30% 到 40%。再比如天氣和氣候建模，我們現(xiàn)在已經(jīng)有世界上最好的系統(tǒng)之一。再往前一步，像聚變、新電池、超導材料這些突破，AI 也會是很關鍵的工具。如果這些事成立，AI 帶來的變化會不只是模型本身，而是能源、氣候、材料和工業(yè)系統(tǒng)都會被重新組織。

主持人：所以你真正想做的，不只是更強的 AI，而是用 AI 去推進科學本身？

Demis Hassabis：對。我最終最想被記住的，還是推動科學進步，做出能真正給世界帶來巨大好處的技術，比如治療嚴重疾病。如果 AI 只是更會聊天，那不是我最想做的事。

主持人：如果說科學和醫(yī)學是最讓人興奮的一面，那另一面就是安全。Stephen Hawking 當年說過，我們必須把這件事做對，因為我們可能沒有第二次機會。你認同這種級別的表述嗎？

Demis Hassabis：我認同。我主要擔心兩件事。第一件，是壞人濫用這些系統(tǒng)，因為它們本身是雙用途技術，既能用于科學和健康，也能被拿去做有害的事。第二件，是技術層面的：當系統(tǒng)更強、更具代理性、更自主之后，能不能真正被約束在我們希望它待的護欄內(nèi)。我覺得這里需要合適的監(jiān)管，至少在前沿提供者之間建立最低標準，而且理想情況下要有國際層面的協(xié)調(diào)。

主持人：你說監(jiān)管要國際化，可現(xiàn)在全球協(xié)調(diào)看起來越來越難。那你理想中的“正確監(jiān)管”到底是什么？

Demis Hassabis：我覺得首先要有一套最低標準，以及一組明確的測試基準，去判斷系統(tǒng)有沒有危險特征，比如欺騙能力。沒有人應該去構建具備欺騙能力的系統(tǒng)，因為一旦它能繞過別的安全護欄，就會引入全新風險。再往后，也許需要某種類似認證的機制，讓公眾和企業(yè)知道，這個模型在若干安全維度上經(jīng)過了獨立驗證。

主持人：那誰來做這件事？誰是那個驗證和審查的機構？

Demis Hassabis：最終當然要落到政府，但真正做技術評估的，很可能是 AI 安全研究所這樣的機構。英國已經(jīng)有很好的例子，美國也有。理想情況下，一些真正有研究能力的國家都應該建立這種機構，由高水平研究者去獨立審計這些系統(tǒng)。我更長遠的想法，是要有某種國際層面的機構，某種意義上有點像國際原子能機構那樣，去統(tǒng)籌這套標準與評估。

這一次的沖擊會比互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)這些都更大

主持人：如果把安全問題放一邊，另一個大問題是勞動力市場。AI 真像你說得這么大，它會帶來多大的沖擊？

Demis Hassabis：沖擊肯定會發(fā)生。每一輪革命性技術都會替換掉一部分舊工作，同時創(chuàng)造一些事先很難想象的新工作。歷史上通常后者會更高質(zhì)量、回報也更高。但我也同意，這一次的尺度會比互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)這些都更大。

我有時把 AGI 的到來說成是“10 倍工業(yè)革命，10 倍速度”，也就是在十年內(nèi)完成過去一百年的劇烈變化。所以我們這次必須比工業(yè)革命時期更早、更主動地去處理副作用，比如財富分配、基礎設施供給和制度安排。

主持人：那財富分配呢？如果生產(chǎn)率暴漲，但收益高度集中到少數(shù)公司和少數(shù)國家，怎么辦？

Demis Hassabis：我覺得有很多種可能的路徑。也許養(yǎng)老基金應該更系統(tǒng)地配置大型 AI 公司，讓社會里的更多人間接擁有一部分收益；也許每個國家都應該有某種主權財富基金；也許如果生產(chǎn)率真出現(xiàn)巨大躍升，政府就得更主動思考如何把這些收益轉(zhuǎn)換成基礎設施、公共服務或者其他更普遍的回報?？傊?，如果收益只在很窄的地方累積，而不被重新分配，那會成為非常大的問題。

主持人：最后一個你經(jīng)常被問的問題：為什么 DeepMind 一直留在英國，而不是徹底搬去美國？

Demis Hassabis：因為英國和歐洲一直都有極強的人才基礎。我們有世界最好的大學、科學傳統(tǒng)和工程人才。DeepMind 剛開始的時候，我看到的是：這里不是沒有能力，而是還沒有被真正組織成一個有雄心的深科技創(chuàng)業(yè)項目。另一方面，離硅谷遠一點，也有好處。你會少受一些最新潮流和噪音的干擾，反而更適合做那種二十年尺度的深科技任務。當然，歐洲的資本市場和成長資金仍然是弱點。如果真要跨進萬億美元公司的級別，歐洲還需要能承接更大規(guī)模成長資本的市場。

主持人：所以如果你可以用“魔法棒”改一件歐洲科技界的事，你會先改什么？

Demis Hassabis：對英國來說，我會先解開養(yǎng)老金和成長資本的限制。歐洲其實不缺創(chuàng)業(yè)點子，也不缺把公司做成一定規(guī)模的能力，缺的是跨過那道門檻之后，真正能支撐全球級公司的那種資本市場。十年前我們給 DeepMind 融資的時候，這件事就很難，今天其實也沒有被徹底解決。

【活動分享】"48 小時，與 50+ 位大廠技術決策者，共探 AI 落地真路徑。"奇點智能技術大會是由深耕多年的「全球機器學習技術大會」重磅升級而來。2026 奇點智能技術大會將于 4 月 17-18 日在上海環(huán)球港凱悅酒店正式召開，大會聚焦大模型技術演進、智能體系統(tǒng)工程、OpenClaw 生態(tài)實踐及 AI 行業(yè)落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書等頭部企業(yè)的 50+ 位技術決策者分享實戰(zhàn)案例。旨在幫助技術管理者與一線 AI 落地人員規(guī)避選型風險、降低試錯成本、獲取可復用的工程方法論，真正實現(xiàn) AI 技術的規(guī)?；涞嘏c商業(yè)價值轉(zhuǎn)化。這不僅是一場技術的盛宴，更是決策者把握 2026 AI 拐點的戰(zhàn)略機會。