通往通用人工智能（AGI）的征途从来不是线性的扩张，而是对智能本质的深层重构。在近期接受YC访谈时，Google DeepMind的CEO Demis Hassabis再次抛出了对当前大模型发展路径的深刻反思。他指出，行业普遍存在的一种误区是认为只要不断扩大上下文窗口，就能无限逼近AGI的阈值。然而，这种将所有历史数据、有用信息甚至噪音一股脑塞进工作记忆的做法，本质上是一种计算成本极高的暴力破解。真正的智能系统，应当像人类大脑一样，具备持续学习的能力，能够将新知识优雅地融入现有知识图谱，并在特定场景下精准调用，而非每次都需要重新阅读冗长的历史记录。
记忆机制与持续学习的核心挑战
当前的大模型在处理任务时往往表现出无状态的特征，缺乏真正的长期记忆。虽然百万级甚至千万级的Token上下文看似庞大了，但在处理实时视频流或长达数月的生活记录时，这种容量显得捉襟见肘。更关键的问题在于，即使存储了海量数据，检索并提取正确信息的成本依然高昂。Hassabis强调，未来的AGI系统必须解决记忆检索效率与内容整合的难题。他回顾了DeepMind在神经科学领域的早期探索，特别是海马体在记忆巩固中的作用。大脑并非简单存储数据，而是在睡眠期间通过“梦境”回放重要片段，将新记忆整合进旧知识体系。这一机制在2013年的DQN（Deep Q-Network）中便已得到应用，通过经验回放（Experience Replay）技术，AI学会了从失败中提炼教训。如今的挑战是如何将这一生物学智慧引入更复杂的大模型架构中，打破当前“拼凑”式的记忆方案。
强化学习：重塑内省与推理的引擎
在通往更高维智能的道路上，强化学习（Reinforcement Learning, RL）的角色正被重新评估。Hassabis认为，强化学习目前被严重低估了。当前大模型展现的思维链（Chain of Thought）推理，实际上是对AlphaGo和AlphaZero理念的复现。然而，现有的基础模型在推理时往往缺乏内省能力，一旦选错方向，往往会盲目重试，陷入死循环。DeepMind正在重新引入蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）等经典算法，并将其与大模型深度融合。这种融合旨在打破当前模型推理能力的天花板，赋予系统自我监控、自我修正的机制。通过让模型在思考过程中进行自我评估，而不是仅仅输出一个结果，我们有望实现真正的智能跃迁。这种内省能力的缺失，正是导致模型在面对基础问题时依然会犯错的根本原因。
端侧小模型与开源战略的必然性
随着AI技术的普及，计算形态正经历从云端向边缘的转移。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，同时具备极高的推理速度和极低的成本。这种“小而美”的模型将在未来承担处理本地隐私数据、实时交互的重任。Hassabis指出，手机、智能眼镜甚至家庭机器人将成为端侧模型的主战场。由于端侧模型一旦部署到物理设备中，极易面临被提取和逆向工程的风险，因此采取开源战略是必然选择。DeepMind推出的Gemma系列模型，正是这一战略的体现。通过在Nano尺寸级别上进行统一规划并开源，不仅降低了开发门槛，更构建了一个开放的生态系统。这种策略不仅解决了隐私和安全问题，还加速了模型在垂直领域的落地与应用。
从模式匹配到科学假设的跨越
AI在科学探索中的终极目标，不应局限于对已有数据的插值计算，而应致力于提出全新的假设。DeepMind正致力于从“模式匹配”向“类比推理”的跨越。Hassabis提出了一个著名的“爱因斯坦测试”：如果将1901年之前的物理知识输入系统，它能否独立推导出狭义相对论？这一测试不仅衡量了AI的知识储备，更检验了其提出全新科学概念的能力。目前，虽然AlphaFold在蛋白质结构预测上取得了巨大成功，但这更多是基于已知数据的高精度拟合。真正的科学发现需要AI具备发明新规则的能力。DeepMind正在推进的“虚拟细胞”项目，就是这一理念的实践。目标是在未来十年内，构建一个能够模拟完整细胞行为的系统，通过对细胞核等独立子系统的建模，实现对生物复杂性的深度理解。
科技创业者的战略选择：垂直系统协同
面对AGI可能在2030年左右实现的确定性变量，科技创业者应如何布局？Hassabis建议，企业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泛化能力。相反，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，通用AGI将作为“大脑”，自主调用这些垂直系统作为“肢体”。例如，像AlphaFold这样的专业系统，应当作为独立工具被Gemini等通用模型调用，而不是被整合进通用模型的权重中。这种分工协作的模式，既能保护通用模型的效率，又能发挥垂直领域的专业深度。对于创业者而言，这意味着需要深耕特定领域，构建具有不可替代性的深科技（Deep Tech）系统，并在AGI时代构建协同生态。
科学探索的终极工具与未来愿景
Hassabis始终将AI视为科学研究的终极工具。从解决智能问题到利用智能解决其他所有问题，这是DeepMind的双阶段使命。AlphaFold的成功只是一个开始，未来AI将在材料科学、药物研发、气候建模等多个领域引发剧烈变革。这种变革不仅体现在效率的提升，更体现在对自然界根本规律的认知突破上。然而，正如普罗米修斯的寓言所警示，技术的力量必须伴随着对伦理和安全的审慎考量。在推进AGI发展的同时，必须建立有效的治理机制，防止技术滥用。
多模态与机器人技术的融合
Gemini系列模型从一开始就被设计为多模态原生架构，这一特性在构建世界模型和机器人技术中至关重要。传统的文本模型难以理解物理世界的直观规律，而多模态模型能够直接处理视觉、语音等多维度信息，这对于赋予机器人理解物理环境、进行直观推理的能力至关重要。Hassabis指出，数字助手随人类进入现实世界，需要在手机或眼镜等设备上实时理解物理环境，这正是Gemini多模态能力的用武之地。通过结合视觉流与语言理解，未来的机器人将能够像人类一样，通过观察和互动来学习，而非仅仅依赖预设的程序。这种融合将极大推动自动驾驶、家庭服务等领域的智能化进程。
总结与展望
DeepMind的演进路径揭示了一个核心真理：AGI的实现不仅仅依赖于算力的堆叠或数据规模的扩大，更在于对智能机制的深刻理解与创新。持续学习、记忆机制、强化学习与内省能力，这些看似基础的要素，实则是通往通用智能的必经门槛。对于科技行业而言，理解并把握这些趋势，将是在未来十年AGI时代中立于不败之地的关键。无论是构建端侧小模型、深耕垂直领域，还是探索科学假设的新边界，每一个环节都需要基于对智能本质的深刻洞察。随着技术的不断成熟，我们有理由相信，一个能够辅助人类解决复杂问题、推动科学文明进步的AGI时代正在悄然到来。
