4月29日，谷歌AI掌门人、DeepMind CEO Demis Hassabis（哈萨比斯）接受了YC访谈，披露了他关于AGI（通用人工智能）、大模型演进路径、AI驱动科学发现与科技创业的最新思考。作为AGI领域的先驱者，哈萨比斯的职业路径在科技界极为罕见：他早年是国际象棋神童，17岁主导设计畅销电子游戏《主题公园》，此后重返学术界获得认知神经科学博士学位，其关于大脑记忆与想象力运作机制的研究成为该领域基础性成果；2010年联合创立DeepMind，带领团队实现AlphaGo战胜人类围棋世界冠军、AlphaFold攻克蛋白质结构预测难题等重大突破，凭借后者获得去年诺贝尔化学奖，如今正带领Google DeepMind团队开发Gemini模型，持续推进AGI目标。
此前，哈萨比斯曾提出一个硬核AGI判定标准：「一个训练数据截止到1911年的模型，能不能自己推导出爱因斯坦1915年提出的广义相对论？」而GPT之父Alec Radford等人近期推出的Talkie模型（130亿参数，训练数据截止1931年），正是对这一问题的初步探索。此次访谈中，哈萨比斯进一步深化了对AGI的认知，梳理出其核心观点与未来方向，以下是访谈重点内容解读。
01 核心论断：通往AGI，需突破上下文窗口扩容的「暴力模式」
当前AI行业的普遍做法是不断扩大模型上下文窗口，试图通过提升“工作记忆”容量来优化模型表现，但哈萨比斯认为，这是一种计算成本极高的暴力做法。即便拥有千万级Token的上下文，检索特定信息的成本也高得不切实际——将所有有用、无用甚至错误的信息全塞进工作记忆，不仅效率低下，还无法适配长期场景需求。
他强调，真正的AGI系统需要具备持续学习能力，能够优雅地将新知识融入现有知识库中，并在合适的场景精准调用，而不是每次都从头读取冗长的历史记录。这一观点与他博士期间的研究高度相关：他曾深入研究海马体如何运作并进行记忆整合，而大脑正是在睡眠期间（尤其是快速眼动睡眠阶段），通过回放重要片段完成知识巩固，DeepMind早期的Atari游戏AI程序DQN，就借鉴了这一思路，通过经验回放训练模型精通游戏。
哈萨比斯坦言，目前行业对模型记忆系统的探索仍有巨大创新空间，现有技术更像是“用胶带勉强拼凑”，尚未形成成熟的持续学习机制，而这正是实现AGI的关键缺失环节之一。
02 技术路径：强化学习将重塑大模型的内省与推理能力
在访谈中，哈萨比斯明确表示，强化学习在迈向更高维智能的道路上被严重低估。他指出，当前前沿大模型展现的思维链推理，本质上是AlphaGo和AlphaZero理念在大规模基础模型上的复现——DeepMind自成立以来，就通过Atari游戏、AlphaGo、AlphaStar等项目深耕智能体系统，核心就是强化学习与搜索技术的结合。
他认为，目前的大模型在推理时往往缺乏内省能力：即便意识到自己选错答案，也会盲目重试，陷入思维循环。对此，DeepMind正重新引入蒙特卡洛树搜索等经典算法，将强化学习与大模型深度融合，以此打破当前模型推理能力的天花板。
哈萨比斯以国际象棋对弈为例，观察到领先基础模型在游戏中的表现较差，即便能解答极难的国际数学奥林匹克竞赛题目，也可能在基础初等数学推理上出错，这正是因为模型缺乏对自身思维过程的反思能力——而强化学习，正是解决这一问题的关键。
03 部署趋势：端侧小模型与开源战略成必然选择
谈及模型部署，哈萨比斯表示，通过模型蒸馏技术，极小参数量的模型已能达到前沿大模型90%至95%的性能水平，且具备极高的速度和成本优势。未来计算的主流形态，将是“云端大模型统筹+端侧小模型落地”：云端大模型负责复杂决策与统筹，运行在手机、智能眼镜或家庭机器人上的端侧模型，处理本地隐私数据，兼顾效率、隐私与安全。
对于开源战略，他解释道，端侧模型一旦部署到物理设备上，其技术极易被提取，因此直接将其完全开放是战略上的必然选择。DeepMind近期发布的Gemma开源模型，在短短两周半内下载量就达到四千万次，正是这一战略的实践——通过开源边缘模型，吸引更多开发者参与，同时巩固自身在端侧领域的优势。
他还提到，目前尚未看到模型蒸馏的理论极限，随着技术迭代，未来小型模型有望逐步接近前沿大模型的能力，而速度和成本优势，将让小模型在日常工作负载中发挥更大价值。
04 科学探索：AI需跨越模式匹配，实现「爱因斯坦测试」
哈萨比斯始终认为，AI的终极价值之一是作为科学研究的工具，而科学发现不能仅停留在对已有数据的插值计算——AI不仅需要完美解决现有问题，更需具备发明新规则、提出全新假设的能力。这一观点，与他此前提出的AGI判定标准一脉相承。
他提出了衡量AI科学发现能力的“爱因斯坦测试”：仅输入1901年之前的物理知识，让AI跨越模式匹配，独立推导出狭义相对论。目前，DeepMind正在推进从“细胞核”切入，目标在未来十年内构建完整的“虚拟细胞”——通过模拟细胞扰动与输出，跳过大量实验搜索步骤，为生物学、药物研发提供支撑。
他坦言，目前AI尚未实现真正意义上的重大科学发现，但已非常接近：前沿实验室正在开发Co-Scientist、AlphaEvolve等系统，试图突破现有模式匹配的局限，实现类比推理与全新假设提出。他认为，只要解决这一核心问题，AI将能在黎曼猜想等深奥科学难题上发挥关键作用。
05 创业启示：构建专业化垂直系统，协同AGI发展
针对科技创业者，哈萨比斯给出了明确建议：科技企业的成长周期通常需要十年，而AGI大概率会在2030年左右实现，恰好处于当前创业周期的中途。面对这一确定性变量，创业者不应试图将垂直领域的复杂参数强行塞进通用大模型中——这会破坏通用模型的效率和其他能力。
他认为，合理的路径是构建高度专业化的独立工具系统或基础设施，未来顺应通用AGI作为“大脑”，自主调用这些垂直系统的协作关系。比如AlphaFold作为专业的蛋白质结构预测工具，未来将被Gemini等通用模型调用，而非被整合进通用模型本身。
同时，他强调，真正推动前沿发展的初创公司，与“仅在基础模型上封装API”的公司的核心区别，在于是否将AI与深科技领域（如材料学、医学）深度结合——这类跨学科结合的项目，难以被基础模型的更新所颠覆，能创造更持久的价值。
06 延伸思考：Talkie模型与AGI探索的契合点
哈萨比斯提出的“爱因斯坦测试”，与近期Alec Radford等人开发的Talkie模型，形成了奇妙的呼应。Talkie作为训练数据截止1931年的13B模型，被切断了所有现代知识污染，恰好为“AI能否凭借过往知识推演未来”提供了理想的实验载体——正如哈萨比斯所追问的，一个只掌握过去知识的模型，能否自主推导出后续的科学理论与发明？
目前，Talkie的实验仍在推进，其在编程测试中展现出的抽象概念理解能力（如掌握“逆函数”逻辑），或许正是AGI所需的基础能力之一。而哈萨比斯强调的持续学习、记忆机制，也为Talkie等复古模型的优化提供了方向——未来，若能为这类模型加入持续学习能力，或许能更接近“爱因斯坦测试”的目标。
07 总结：AGI的未来，在突破与协同中前行
哈萨比斯在访谈中明确，当前大模型的技术组件（大规模预训练、RLHF、思维链等），都将成为AGI最终架构的一部分，但还需攻克持续学习、长期记忆、内省推理等1-2个关键难题。他认为，AGI的实现并非遥不可及，预计在2030年左右落地，而其发展路径，将是通用模型与专业工具协同、云端与端侧互补、强化学习与基础模型深度融合的过程。
从AlphaGo到AlphaFold，从Gemini到Talkie，AGI的探索之路从未停止。哈萨比斯的思考，不仅为行业指明了技术方向，也让我们意识到：AGI的终极目标，不仅是构建一个“聪明”的系统，更是打造一个能持续学习、自主思考、助力人类突破认知边界的终极工具。