刚刚看了 Demis Hassabis 在 Y Combinator 上关于我们在 AGI 方面究竟站在什么位置的重播，说实话，有些观点确实值得静下心来想一会儿。

事情是这样的：根据 DeepMind 的创始人所说，我们基本上已经拥有实现 AGI 所需的绝大部分架构组件。大规模预训练、RLHF、链式思维推理——这些很可能都会成为最终架构的一部分。但仍然有一两块关键拼图是缺失的。持续学习、长期推理，以及记忆的某些方面仍然没有解决。他的个人时间线？大约在 2030 年左右。如果这个判断哪怕有一点接近正确，那就会改变你应该如何看待你今天正在构建的任何长期项目。

让我最在意的是他提到的“锯齿状智能（jagged intelligence）”问题。当前模型可以解决达到 IMO 金牌水平的数学题，但在另一道题上却会犯小学阶段的算术错误。就好像推理过程存在巨大的盲点。 他举了个下棋的例子——有时候 Gemini 会意识到自己正要做一个糟糕的走法，但还是照样做了，因为它找不到更好的替代方案。真正智能的系统不应该是这种工作方式。DeepMind 团队认为，修复这个问题可能只需要一两项特定改进，但这依然是一个清晰的差距。

谈到代理（agents）：Hassabis 的说法非常直接——我们才刚刚开始。每个人都在做实验，但我们还没有真正找到那种“杀手级”的应用场景。他提到，尽管用 AI 编程工具在理论上是可以做到的，但目前仍没有人用它们开发出排名靠前的 AAA 级游戏。工具或流程里似乎还缺少某些东西。他预计在未来 6-12 个月内，代理应用会迎来真正的突破。

记忆方面的讨论也同样引人入胜。百万 tokens 的上下文窗口听起来很夸张，直到你意识到这也就大约相当于 20 分钟的视频流。而目前的做法本质上就是把所有内容都硬塞进这些窗口——把重要和不重要的数据混在一起。人脑可以通过睡眠周期和记忆巩固来优雅地完成这件事。DeepMind 自 2013 年 DQN 时代起就一直在思考这个问题，借鉴神经科学，但我们仍在使用相当粗糙的方法。

说到蒸馏（distillation）：他们的假设是，在发布一个前沿模型之后的 6-12 个月内，可以把它的能力压缩进更小的模型，让这些模型能在边缘设备上运行。到目前为止，他们还没有触及任何理论上的极限。Gemma 模型就是一个很好的例子——Gemma 4 在同等规模下表现非常出色。 这很关键，因为这意味着 AI 能够快速、高效、且更私密——在你的手机或机器人上本地运行，而不是在云端运行。

真正让我印象深刻的是他关于科学突破的观点。AlphaFold 的影响巨大——现在全世界有 300 万研究人员在使用它，而且他听说它将成为几乎所有未来药物发现流程的一部分。但这还只是开始。他称之为“Einstein test（爱因斯坦测试）”：你能否用来自 1901 年的知识训练一个系统，并让它独立推导出爱因斯坦在 1905 年已经得出的结论？一旦这一步实现，我们就会更接近真正能够发明新东西的系统，而不只是解决已经存在的问题。

对于创始人，他的建议也很直接：去做那些只有你才能解决的问题——如果没有你，就做不成。不要优化那些容易的方向。还有——这点很重要——如果你今天要启动一个深度技术项目，而且它意味着一段长达 10 年的旅程，你必须把 AGI 可能在中途出现的可能性纳入考虑。想一想你的项目是否能在 AGI 环境下运作，它如何整合，到了那个世界里是否依然有用。他的愿景是像 AlphaFold 这样专业化的系统作为工具，让像 Gemini 这样的通用模型去调用，而不是把一切都塞进一个庞大的单一模型里。

DeepMind 在多模态方面的思路也很有意思。从一开始就构建 Gemini 的多模态最初更难，但现在开始回报——更好的世界模型、机器人应用、自动驾驶整合。这正在变成一种竞争优势。

总体而言，这次对话描绘出一种“进展迅速但仍有明确技术障碍需要跨越”的 AI 进步图景。我们并不是只靠规模化就能走到 AGI——实际上还有真正的问题需要解决。而对任何在这个领域构建的人来说，时间线都很关键。要想清楚：当整个局面发生变化时，哪些东西仍然值得保留、仍然有价值。