刚刚听了Y Combinator的播客，里面有Demis Hassabis的内容，老实说，他关于AGI以及当前模型缺失的部分的一些观点让我印象深刻。这家伙比几乎任何人都更早开始思考这个问题，令人惊讶的是他的观点如此脚踏实地——不是炒作，而是务实的评估。

所以让我印象深刻的是：我们已经拥有大部分关键的元素。大规模预训练、RLHF、链式思维推理——这些几乎可以确定会成为最终AGI架构的一部分。但可能还剩一两个关键的空白。持续学习、长期推理、不仅仅把所有内容塞进上下文窗口的记忆系统，就像我们用胶带粘贴一样。他的看法？大约在2030年实现AGI，老实说，这会改变你今天构建事物的思路。

让我真正感触的是他关于当前推理状态的观察。模型可以解决IMO金牌难题，但在 elementary math（基础数学）方面却会根据表达方式失败。这存在一种锯齿状的智能问题——系统缺少对自己思考过程的内省能力。这就像看着Gemini在下棋，意识到某步不好，但还是照做，因为它无法推理出更好的选择。在一个精确推理的系统中，这不应该发生。

关于代理，他很明确：我们才刚刚开始。大家都在炒作代理，但真正的工作是让它们真正有用，而不仅仅是演示。他提到一个有趣的点——还没有用AI编码创造出一款排名前列的AAA游戏。用现有工具理论上是可能的，但在流程或工具本身上还缺少一些东西。他预计在6到12个月内会看到这个转变。

蒸馏（distillation）角度也很吸引人。他们的假设是，在发布最先进模型后6到12个月内，可以将其能力压缩到可以在边缘设备上运行的模型中。闪存模型（Flash models）可以达到前沿性能的95%，成本只有十分之一。而且，令人惊讶的是——他们还没有达到信息密度的任何理论极限。这对于用更小模型实现更大可能性来说，是个巨大的突破。

在科学突破方面，他提到所谓的“爱因斯坦测试”。你能训练一个系统，掌握1901年前的知识，然后让它独立推导出狭义相对论吗？一旦实现，这些系统就接近真正的发明，而不仅仅是模式匹配。AlphaFold就是原型——现在已成为药物发现的标准工具。但在大多数领域，我们仍处于早期阶段。

对Y Combinator创业者的建议非常犀利：专注于只有你能解决的问题。如果你今天开始一个深度技术项目，你需要考虑AGI的因素。一个十年的项目，可能在中途遇到AGI。不要构建会变得过时的东西，要构建在AGI世界中依然有价值的东西。考虑像AlphaFold这样的专业系统如何作为工具与通用模型结合，而不是把所有东西都塞进一个庞大的模型。

最后一件让我共鸣的事——他谈到AI让跨学科工作变得更容易，以及我们需要停止把一切都看作一个统一的大脑。专业工具将与通用系统共存。这可能是你今天构建任何东西时值得考虑的框架。