谷歌DeepMind CEO放话，AGI十年内或将实现，科学黄金时代要来了

谷歌DeepMind的掌舵人、新晋诺贝尔奖得主德米斯·哈萨比斯在最近的一次访谈中表示，“未来十年，通用人工智能（AGI）或将全面实现，开启一个科学的黄金时代。”

哈萨比斯这位站在AI研究金字塔尖的人物，他看到的，究竟是我们尚未察觉的哪些技术突破？

事实上，当前的的AI产品远非完美。它们在某些特定任务上，确实超越了人类顶尖专家，但在通用性上却表现平平。

哈萨比斯对此直言不讳地反驳了当前AI已具备“博士级智能”的说法，认为那纯属“一派胡言”。

他指出，真正的AGI应该在所有领域都保持博士级的表现，而不是一个“偏科生”。一个连简单计数都会出错的系统，显然担不起“通用智能”的名号。

他甚至提出了一个极为苛刻的测试标准：把AI的知识库设定在1901年，看它能否像1905年的爱因斯坦那样，独立提出狭义相对论。目前来看，答案是否定的。

用哈萨比斯的话说，AI能下好围棋，但它不能创造出像围棋一样优雅、在美学上同样美丽的游戏。这正是当前AI缺失的“原始创造能力”。

哈萨比斯的逻辑并非“因为现在的AI很强，所以AGI快来了”，而是“我们已经清晰地识别了当前AI的根本缺陷，并正在针对性地攻克这些瓶颈”。

要实现AGI，光在语言和数学这些抽象世界里打转是远远不够的。它必须理解我们身处的物理世界。

对此，哈萨比斯团队给出的答案是“世界模型”，其中一个最新的代表作就是Genie。

这个模型通过观看数百万个来自YouTube等平台的真实世界视频，自主地学习和推导出现实世界的运行逻辑。

它不是靠程序员一行行代码去告诉它光该如何反射、水该如何流动，而是自己“看”会的。

在演示中，用户可以用文字指令在Genie生成的虚拟场景里实时加入“穿鸡仔服的人”，或者操控角色在墙上涂鸦，转身再看，涂鸦的痕迹还在。

这一切都不是预先渲染好的，而是在你探索到某个区域之前，那个地方根本不存在。这说明，Genie已经开始初步理解物体、空间和相互作用的规律。

这种从“描述世界”到“模拟世界”的跨越，正是为了弥补当前人工智能缺失的最关键一环：对物理世界的真实理解。

哈萨比斯强调，无论是Genie还是文生视频模型Veo，其本质都是在构建理解世界动态的系统。

但纯粹靠AI自己学习还无法一步到位，哈萨比斯推崇一种非常务实的架构——“混合系统”。

需要人类专家给AI“开小灶”，预先植入一些规则。

比如，在开发AlphaFold时，研究人员不仅让AI从海量数据中学习，还把“原子键角必须符合化学原理”这类确定性的规则作为约束条件加了进去。

同样，AlphaGo也结合了用于模式识别的神经网络和用于策略规划的蒙特卡洛树搜索。

这是一条被证明行之有效的捷径。

哈萨比斯解释，理论上模型可以自学所有规则，但这会浪费巨大的学习能力。把已知的、确定的知识作为一种约束，效率会高得多。

更关键的是，这只是一个过程。

混合系统的最终目标，是把这些被验证有效的外部规则，逐步“上游化”，最终完全整合到学习组件内部，实现真正的端到端学习。

这个过程最好的例子，就是从AlphaGo到AlphaZero的转变。前者需要学习人类棋谱，而后者则完全摒弃人类数据，通过自我对弈达到更高境界。

这种“混合系统”并非终点，而是通往纯粹通用智能的一条务实阶梯，它允许AI先在人类知识的辅助下解决问题，再反过来将解决方案内化为自身的通用能力。

哈萨比斯的信心并非建立在对AI现有能力的夸大之上，而是源于对当前技术局限的深刻洞察和一套清晰的攻坚蓝图。

从坦然承认AI的“不完美”，到通过“世界模型”为它补上理解物理世界的关键一课，再到以“混合系统”作为务实的演进阶梯，这条路径的每一步都显得扎实而明确。

因此，那个科学的“黄金时代”，或许并非空中楼阁，而是建立在对当下每一个技术瓶颈的精准拆解和逐一击破之上。