Demis Hassabis
前沿洞察
AGI或于五年内质变，其颠覆性远超工业革命。Scaling法则红利尚存，但终局胜负已转向新算法发明与世界模型突破；真正的瓶颈在于持续学习、长程规划与物理世界落地。谷歌正依托全栈生态将前沿能力转化为自主Agent与生成软件，向科学、生物制药及具身智能等实体边界高速渗透。然而，虚火泡沫、算力承载力与全球安全治理，仍是实现确定性商业变现与AGI落地前的核心悬刃。
观点集合
Demis Hassabis：为什么 AGI 的影响将超过工业革命，以及 AI 的瓶颈在哪里
Hassabis 认为 AGI 在5年内实现的概率非常高，Scaling 仍有可观回报，而前沿优势正转向能够发明新算法的实验室。持续学习、记忆、长周期规划和一致性仍是缺失能力；Isomorphic 的药物设计平台与国际 AI 安全治理则提供长期商业和监管催化剂。
查看摘要（7段）
- Hassabis 认为，AGI 在未来 5年内实现的概率“非常高”，并坚持这不是被近期进展带偏的判断：联合创始人 Shane Legg 在2010年的博客文章中，根据算力和算法进步外推出大约20年实现 AGI，“我认为我们基本按计划推进”。 他的标准也没有降低：系统必须具备人类心智的全部认知能力，因为大脑是“我们唯一能证明通用智能确实可能存在的样本”。
- Scaling laws 还没有触顶——进一步扩展的回报“仍然非常可观，只是比过去低了一些”，但他反对前沿能力商品化：三四家领先实验室之间的差距“开始拉开”，因为代码和数学工具会复利式推动下一代模型；随着现有思路“已经榨干了所有汁液”，优势将转向能够发明新算法的实验室。
- 他看好 DeepMind 成为这样的实验室：“支撑现代 AI 产业的大约90%突破”来自 Google Brain、Google Research 或 DeepMind；近期加速来自将人才和算力集中到最大模型上，而不是公司内部“搞两三个版本”，同时“几乎像一家创业公司那样行动”。 开源模型在结构上仍“可能落后绝对前沿一步”——大约需要6个月才能重新实现——Gemma 则面向小型开发者和边缘计算。
- AGI 之前缺失的能力并不神秘：持续学习是其中之一（大脑做得“非常优雅”，可能依靠睡眠和强化学习等机制，通过巩固与回放实现），此外还有超越“蛮力”长上下文的记忆能力、长周期规划，以及一致性——今天的模型是“锯齿状智能”，某种问法下表现惊人，换一种方式问一个基础问题却会失败。
- Hassabis 认为，Isomorphic Labs 可能在5到10年内拥有完整的药物设计引擎；真正的突破来自“十几种 AI 药物走完整个流程”，监管机构能够回测模型预测——届时临床试验可能跳过动物测试，并更快完成剂量递增。 Hassabis 认为，总部位于伦敦的 Isomorphic 有潜力成长为一家万亿美元公司。
- 在安全问题上，他认同 Hawking 的判断：“我们必须把它做对，因为我们可能没有第二次机会”，担心系统会“变得更具智能体属性、更自主……也许就在一两年内”，并希望建立类似原子能机构的国际组织、纳入欺骗行为在内的基准测试，以及认证“风筝标志”；但他也承认，或许世界上影响最深远的技术，正在“一个高度碎片化的国际体系”中到来。
- 宏观上，AGI 是“规模达到工业革命10倍、速度达到工业革命10倍”——用10年完成，而非一个世纪。 AI 今天“有些被过度炒作”，但从10年视角看又“远远没有得到应有重视”；或许养老基金应该买入大型 AI 公司，让每个人都拥有一部分资产，同时由主权财富基金参与；至于能源，他认为 AI 将“创造远超自身消耗的价值”——让国家电网效率提升30-40%，而核聚变也可能成为突破之一。
Google 的 Gemini 3 已发布：特别提前体验
Gemini 3 Pro在Humanity’s Last Exam上的成绩接近Gemini 2.5 Pro的两倍，生成式界面和agent工作流也让Google从回答问题转向生成软件、执行任务。Google通过Search、Gemini及整个生态分发前沿能力，可能避免服务器过载并实现变现，但AGI时间表未变，泡沫与采用仍是核心风险。
查看摘要（7段）
- Gemini 3 Pro 最明确、可量化的跃升出现在 Humanity’s Last Exam，得分从 Gemini 2.5 Pro 的 21.6% 升至 37.5%。 Google 表示，新模型在十多个基准测试中都取得了类似幅度的进步，Josh Woodward 则提到它“突破了 LMArena 的 1,500 Elo”。Roose 转述了 Google 的绝对化宣传：凡是 ChatGPT、Claude 或旧版 Gemini 能完成的事情，在这里都应该完成得更好。
- Google 正试图把交互界面从聊天机器人的回答，推进到按需生成的软件。 Gemini 3 可以把一个请求变成定制界面，比如交互式 Vincent van Gogh 教程或房贷计算器；目前正在测试的 agent，则被设计用来整理收件箱并拟写回复。Casey Newton 的保留意见是：这款 agent 的展示只有“几张动图”。
- 分发能力的重要性可能不亚于模型质量：Gemini 3 本周将在 Gemini app 和 Search 的 AI Mode 上线，也会面向开发者进入多个产品，但还没有接入 Docs 或 Gmail 集成。 Demis Hassabis 表示，Google 的目标是达到“成本与性能的 Pareto 前沿”，因为 AI Overviews 等产品必须服务数十亿用户。Kevin Roose 面向投资者的推论是，Google 能部署前沿能力，而不至于让服务器“融化”。
- Gemini 3 并没有缩短 Hassabis 对 AGI 的 5至10年预测。 他称进展“完全按计划推进”，但仍预计还需要“再来 1到2次”突破，同时继续改善推理、记忆和世界模型，Simmer、Genie 等项目都属于这一方向。他承认规模化可能面临回报递减，但仍能带来“极其丰厚的投资回报”。
- Hassabis 驳斥了“Google 正在简单赢下竞争”的叙事，认为进展速度比暂时领先更重要。 他称 Google DeepMind 是公司的“发动机舱”，其 AI 工作不仅覆盖 AI-first 产品，也正在进入 Search、Maps、YouTube、Android、Workspace 和 Gmail。Google 的庞大用户基础，为 Alphabet 提供了多条获取使用量和近期收入的路径。
- Hassabis 看到的是选择性的 AI 泡沫，而不是整个行业的幻象。 对于几乎“一无所有”的团队拿到“数百亿美元级”的种子轮融资，他认为确实带有泡沫特征；但他也看好大约 6至12个从零起步的业务，涵盖机器人、游戏、药物研发和 Waymo，有望成长为“数千亿美元级的超级企业”。他的投资组合判断是：无论行业继续扩张还是投资退潮，Alphabet 都应处于赢家位置。
- 更强的工具调用和函数调用能力提升了编程与推理表现，也放大了网络安全风险。 Hassabis 称 Gemini 3 是 Google “经过最全面测试”的模型，测试覆盖内部工作、外部测试人员和安全研究机构。Josh 将产品定位为工具，并提议衡量“我们一天帮你完成了多少项任务”，而不是把重点放在陪伴关系上。
Demis Hassabis：AI 的未来、模拟现实、物理学与电子游戏｜Lex Fridman Podcast #475
Hassabis认为自然系统包含可利用结构，使经典学习能够处理10^170种围棋局面和10^300种蛋白质结构；Veo3也能通过被动观察学习直觉物理。AlphaEvolve、虚拟细胞和能源创新扩大科学发现空间，但约2030年前实现AGI仍只有50%概率，研究品味、架构跃迁和治理尚未解决。
查看摘要（7段）
Hassabis 的核心论点是，自然系统的可经典学习程度，远高于其组合规模所暗示的水平。 AlphaGo 和 AlphaFold 能够穿越约 10^170 种围棋局面和 10^300 种蛋白质结构组成的空间，是因为进化、地质学和物理学留下了可利用的结构——“最稳定者生存”——而非均匀随机性。如果这一猜想成立，神经网络就能以可处理的方式建模大量生物学、化学、天气乃至物理问题；真正没有模式的问题，例如大数分解，可能仍属于暴力计算或量子计算的领域。
Veo 3 表明，世界模型可以仅凭被动观察学到有用的物理规律，这削弱了“智能必须先具身化”的论据。 它生成的约 8秒视频已经能够较好地复现液体、材料、光照和人体动态，足以让 Hassabis 认为其中存在“某种直觉物理”，尽管这并非人类式的哲学理解。他预计未来两三年仍会快速提升真实感，而互动版本可能在5至10年内实现真正由模型生成的游戏世界。
科学发现的技术栈正在成形，但研究品味仍是最关键的缺失层。 AlphaEvolve 将基础模型提出方案与进化搜索结合起来，延续了“模型加目标导向探索”的 AlphaGo 路线；但今天的系统仍难以选择重要且可证伪的问题——“选对问题是科学中最难的部分”。Hassabis 更长期的虚拟细胞计划，将从 AlphaFold 的静态结构、经过 AlphaFold 3 的分子相互作用，推进到多尺度模拟，可能把大部分实验搜索转移到硅基环境中，并将湿实验效率提高100倍。
Hassabis 认为，未来5年内、约在2030年前实现 AGI 的概率为50%，但他设定的门槛明显高于基准测试领先。 真正的 AGI 必须消除今天这种“锯齿状智能”，经受数万项认知任务和数百名顶尖专家的审查，并产生多个“灯塔时刻”：从1900年的知识截止点推导出相对论、提出重要的新猜想，或发明一款像围棋一样深邃而优雅的游戏。现有扩展路线是否足够，还是仍需一两次架构跃迁，在他看来是“50/50”。
即使前沿训练只占总算力需求的一小部分，算力需求仍会持续复合增长。 服务数十亿用户的产品、Veo 3 等多模态生成器，以及能够从测试时算力中获益的推理系统，都会扩大推理需求；因此 Google 正在同时推进 TPU、专用推理硬件、散热和电网优化，而不仅是更大模型。Hassabis 还预计，未来5年内 AI 将实质性帮助聚变、太阳能材料、电池，并可能帮助解决室温超导问题；在未来20至40年的能源押注中，他最看好聚变和太阳能。
在 Hassabis 的叙述中，Google 的战略优势来自前沿研究、充足算力、覆盖数十亿人的分发能力，以及“持续进步”与“持续交付”的结合。 Lex 将 Gemini 1.5 到 Gemini 2.5 的变化概括为从输转赢；Hassabis 则把功劳归于合并后的 Google Brain–DeepMind 人才储备，以及巨型产品公司内部类似创业公司的决断力。新的基础模型代际来自约6个月的研究积累，随后进行一次“巨型英雄训练”；后训练和蒸馏则铺开 Pro、Flash 和 Flash-Lite 的性能—成本前沿。
最大的风险不是某一个技术故障，而是制度必须适应一场 Hassabis 预计影响力是工业革命10倍、速度也快10倍的转型。 未来5至10年，与 AI 工具深度融合的程序员生产率可能提高10倍，而常规工作会迅速转移，需要新的治理机制，甚至普遍基本供给。Hassabis 拒绝对 p(doom) 给出虚假的精确数字，只说风险“绝对非零”且“可能不可忽略”；他的处方是“谨慎乐观”、将安全研究增加10倍、推进国际协调，并让最终结局更像 CERN，而不是曼哈顿计划。