在Fry's AI播客中，Demis Hassabis清晰阐述了通往AGI的路线图，被视为年度最明确的规划。他系统性拆解了发展步骤与核心挑战，为混乱的AI讨论提供了权威的行业基准。
从神童棋手到AGI掌舵人
德米斯·哈萨比斯（Demis Hassabis）是谁？他是DeepMind联合创始人兼CEO，谷歌旗下最神秘又最硬核的AI实验室掌舵人。13岁成为国际象棋大师，20岁从剑桥大学计算机科学系毕业，之后创立游戏公司、攻读认知神经科学博士，最终在2010年创办DeepMind——目标只有一个：构建人工通用智能（AGI）。
2014年被谷歌以5亿美元收购后，他带领团队接连推出AlphaGo、AlphaFold、Gemini等里程碑式成果，堪称AI界的“现实版钢铁侠”。他不仅是技术极客，更是哲学思考者，长期关注意识、创造力与人类独特性的边界。
在最新一期谷歌DeepMind播客中，他与主持人汉娜·弗莱（Hannah Fry）展开长达万字的深度对话，首次系统阐述了他对AGI路径、社会冲击与人类未来的全景预判。
AGI不会只靠堆数据，而是规模与创新各占一半
通用人工智能（AGI）的实现并非仅靠规模化就能完成。德米斯·哈萨比斯认为，规模化和创新各占50%。更大的模型固然重要，但新思路同样至关重要。
很多人以为人工通用智能（AGI）就是把模型做得更大、数据喂得更多，但DeepMind联合创始人兼CEO德米斯·哈萨比斯（Demis Hassabis）直言：“我们的努力50%在规模化，50%在创新。要抵达AGI，两者缺一不可。”
他承认过去一年Gemini系列模型能力突飞猛进，但强调真正的突破来自底层科研——比如世界模型、推理机制、在线学习架构。
他指出，当技术进入深水区，“仅靠工程已远远不够，必须回归世界级科学”。
这正是DeepMind的护城河：既有谷歌TPU等顶级基础设施，也有横跨神经科学、物理学、数学的顶尖研究团队，能同时驾驭规模化与基础创新。
今天的AI强大却“锯齿状”：能拿奥数金牌，也会算错小学题
当今的人工智能功能强大，但并不完善。它在数学奥林匹克竞赛中达到了金牌水平，却仍然无法通过基本的逻辑和一致性测试。正是这种差距导致我们尚未实现通用人工智能（AGI）
当前AI最令人困惑的悖论是：它能在国际数学奥林匹克竞赛中斩获金牌，却在高一逻辑题上频频翻车。
哈萨比斯称之为“锯齿状智能”（jagged intelligences）——某些维度达到博士水平，某些维度连中学生都不如。
这种不一致性，正是AGI尚未到来的核心标志。
他解释，问题可能出在输入表征（如图像转文本丢失细节）、推理时间未有效利用、或缺乏工具调用验证机制。
真正的通用智能必须稳定可靠，而非只在特定任务上“超神”。（这里有定义分歧：成为专家是不是AGI？Claude Opus 4.5在Claude Code中基本就是AGI ）
哈萨比斯坦言：“我们可能只走了50%的路。”
缺的不是算力，是可靠性、推理与对“不确定”的自知
缺失的要素不是智能，而是可靠性、推理能力和对不确定性的自我意识。人工智能需要知道自己不知道什么。
哈萨比斯指出，AI真正的短板不是知识量，而是“知道什么不知道”。
他说：“现在的模型总在被迫回答，哪怕它其实没把握。”这导致大量幻觉（hallucinations）——并非模型在撒谎，而是它被训练成“必须输出”。
对比AlphaFold的成功，关键在于它输出每个氨基酸置信度分数，用户一眼可知哪些结构可靠。
Gemini正尝试类似机制，通过“推理链”回溯验证自身输出，但尚未成熟。
“理想状态是模型能像人一样：停顿一下，自问‘这话靠谱吗？’再开口。”
幻觉本质是被迫输出：好模型应学会说“我不确定”
幻觉并非随机出现。它们通常是因为模特被迫回答问题，而他们本应该说“我没有信心”。
哈萨比斯对“幻觉”有颠覆性解读：“有些幻觉其实是创造力的副产品——关键是如何按需开关。”
他承认当前系统常在不该回答时强行作答，但解决方向不是消除幻觉，而是赋予模型“拒绝回答”的能力。
这需要训练模型在推理过程中主动调用计算器、代码解释器等工具，形成“思考-验证-修正”闭环。
他比喻道：“现在的AI像话痨朋友，想到啥说啥；AGI应像严谨科学家，先审视证据再下结论。”
AlphaFold证明：解决一个“根问题”，能撬动整个产业
AlphaFold 展示了成功之道：一次性解决根本问题，就能带动下游整个产业的发展。现在，DeepMind 的目标是材料、核聚变和气候。
DeepMind的AGI路径并非只做通用模型，而是“根问题优先”。
AlphaFold就是典范：它不直接造药，但通过精准预测蛋白质结构，为药物研发、酶工程、罕见病治疗打开大门。哈萨比斯透露，团队正将此模式复制到材料科学（如室温超导体、高能电池）、聚变能源（与Commonwealth Fusion合作控制等离子体）、量子纠错（与谷歌量子AI团队协作）等领域。
他说：“这些是‘根节点’——一旦突破，下游产业将指数级受益。”
聚变能源是终极根节点：廉价清洁能源将重塑一切
聚变是最终的根本节点。清洁、丰富的能源将重塑水资源、食物、气候，甚至太空旅行。人工智能或许能帮助我们攻克这一难题。
在所有根问题中，哈萨比斯最看重可控核聚变：“若实现模块化聚变反应堆，近乎无限的清洁廉价能源将彻底改变世界。”
这不仅直接缓解气候危机，还将解锁海水淡化（解决全球水荒）、电解制氢（打造绿色燃料）、甚至太空推进（从海水中提取火箭燃料）。
他说：“能源若近乎免费，许多当前‘不经济’的方案将变得可行——这才是真正的后稀缺社会起点。”
语言模型令人惊喜：它比我们想象的更懂世界
哈萨比斯承认，语言模型的能力超出预期：“语言比我们想象的更丰富，包含大量关于世界的隐性知识。”
大模型通过压缩人类文本，竟能推断出物体属性、社会关系甚至简单因果。但这仍有硬伤——“语言很难描述空间动态、触觉反馈、力学交互。
你无法用文字精确表达方向盘回正时的力反馈，或雨滴在挡风玻璃的流动轨迹。”
因此，仅靠语言无法支撑具身智能（embodied intelligence）。
世界模型才是关键：AI需“体验”物理，而非只“阅读”描述
语言模型让我们感到惊讶。它们对世界的理解比预期的要多。但单凭语言本身是不够的。
这就是DeepMind押注“世界模型”（world models）的原因。
哈萨比斯说：“真正的智能需理解世界因果机制——直觉物理（intuitive physics）、物体持久性、作用力与反作用力。”团队推出的Genie和VO等视频生成模型，能逼真模拟小球滚落、液体飞溅、光影反射，证明其内部已封装物理直觉。他强调：“若AI能生成逼真世界，说明它已理解其底层规则——这正是语言模型做不到的。”
仿真即理解：能生成世界，就代表已掌握其机制
这就是世界模型的重要性所在。为了理解物理学、空间、因果关系和行为，人工智能必须体验世界，而不仅仅是阅读相关资料。
哈萨比斯提出一个哲学命题：“如果你能完美模拟某物，你就理解了它。”视频生成模型正是这一理念的试验场。他举例：Genie生成的液体流动看似合理，但经物理引擎验证，其牛顿力学仍不够精确。
团队正构建“物理基准测试”——用游戏引擎生成斜面滚球、双摆运动等经典实验，检验模型是否真正掌握定律，而非仅靠视觉拟合。他说：“仿真世界将成为AI的‘物理实验室’。”
让智能体在仿真中自主进化：AI版“无限训练场”
模拟是下一个前沿领域。如果人工智能能够生成一个逼真的世界，它很可能已经理解了世界的运行机制。
更震撼的是，DeepMind将智能体（agents）投入AI实时生成的仿真世界。哈萨比斯描述道：“我们把Simma 2（模拟智能体系统）和Genie（世界生成器）对接——Simma以为自己在探索真实游戏，而Genie以为Simma只是普通玩家。两个AI在彼此的‘心智’中互动。”
这种架构能自动生成无限任务：智能体越想探索，世界越复杂；世界越复杂，智能体越需进化。他说：“这可能是通往人类式学习的关键——先探索，再理解，最后泛化。”
从好奇驱动到科学发现：AI或重演人类认知进化
将智能体放入这些世界中，让好奇心驱动探索学习。现在，您就拥有了无限的、即时生成的训练数据。
哈萨比斯相信，这种“好奇驱动”的仿真训练，或能复现人类认知演化。他回忆圣达菲研究所的实验：在网格世界中，智能体自发发明了市场、银行、信用体系。“只要设定合适激励，社会结构会涌现。”
未来，这类仿真可研究“意识起源”“生命涌现”等根本问题——“你能运行百万次对照实验，微调初始条件，这在现实世界根本不可能。”
这可能是人工智能像人类一样学习的方式do. ：先探索，再理解，最后概括。最被忽略超能力：“探索”决定了AI和人类智商上限
仿真也是科学引擎：从天气到生命起源
哈萨比斯认为，模拟或许也能解开科学之谜，例如天气、生物学、材料，甚至生命的起源。
哈萨比斯强调，仿真不仅用于训练AI，更是科学发现工具。团队正用世界模型构建天气系统、生物通路、材料原子结构的动态模拟。“从原始数据学习复杂系统动力学，比暴力计算更高效。”他预言：“专用世界模型将加速材料、气候、生物医学突破——甚至帮我们理解生命如何从化学汤中诞生。”
哲学基石：能模拟即代表理解
为什么模拟在哲学上很重要：如果你能模拟某件事，你就理解了它。
这一思路背后是哈萨比斯的哲学信念：“宇宙本质是信息，物质与能量只是其表现形式。”生物学、物理学、意识，皆可视为信息处理系统。
因此，“若能用经典计算机模拟某现象，就证明它可被计算——也就没有神秘不可解之物。”仿真世界正是验证该信念的终极试验场。
宇宙中是否存在“不可计算”之物？
这就引出了一个最深刻的问题：宇宙中是否存在不可计算的事物？
到目前为止，我们还没有找到。蛋白质折叠。开始。复杂的生物学。一切皆可计算。
这引向图灵机的根本问题：宇宙是否存在非计算性（non-computable）现象？哈萨比斯的回答是：“至今未发现。蛋白质折叠、围棋、复杂生物系统——全被我们用经典计算攻克。”
他承认量子效应或有例外（如罗杰·彭罗斯认为意识依赖量子过程），但坚持：“除非物理证明否则，我默认一切皆可计算。”
AGI将成为人类心智的镜子
意识或许是下一个目标。通用人工智能（AGI）可能成为一面镜子，向我们展示人类思维的独特之处（如果有的话）。
哈萨比斯的终极愿景是：“用AGI模拟人类心智，再与真实大脑对比——差异处就是‘人性特有成分’。”可能是创造力，可能是情感，也可能是梦境。他说：“这将终结千年哲学争论——人性是否有不可复制的核心？”
若创造力可计算，机器也能做梦
如果创造力、情感或梦境是可以计算的，那么机器也可能拥有它们。如果不是，我们最终会知道它们的边界在哪里。
他进一步推演：若实验证明创造力、情感、梦境皆可被算法复现，“那机器也可能拥有它们”。反之，“若AGI始终无法模拟某特质，我们才算真正定位了人类独特性”。无论哪种结果，AGI都将成为理解“何以为人”的最强大工具。
AGI不仅是技术革命，更是文明重构
通用人工智能不仅仅是一个技术问题，它还是一个经济、社会和哲学问题。
哈萨比斯警告，AGI冲击将“比工业革命剧烈10倍，速度也快10倍”——可能在10年内而非100年完成。当AI接管绝大多数劳动，现有“以工换酬”经济体系将崩塌。他推动团队研究“后稀缺社会”新范式：“通用基本收入（UBI）只是起点，或许还需新型民主机制。”但他更忧心哲学危机：“若工作不再是生活核心，人类如何寻找新意义？目的感（purpose）可能比面包更稀缺。”
工业革命耗时百年，AGI或只需十年
哈萨比斯研究工业革命史后警醒：“当时社会用整整一个世纪适应纺织机、蒸汽机。而AGI可能十年内颠覆一切——从就业到教育，从能源到地缘政治。”他呼吁经济学家、社会学家、哲学家提前介入：“我们不能等到洪水来了才造船。”
哈萨比斯的宇宙观：信息是万物本源，智能是终极透镜
哈萨比斯的核心信念：宇宙的运行依赖于信息。而智慧或许是理解宇宙的终极途径。
贯穿所有思考的，是哈萨比斯的底层信念：“宇宙由信息构成，智能是理解它的终极方式。”从AlphaFold破解蛋白质，到仿真世界探索物理，再到用AGI映照人类心智——所有努力都指向同一目标：用计算揭示宇宙秩序。
极客一语道破
AGI是不是包含具身智能性？AGI是特定领域专家这还不够吗？成为通用上帝是不是过于拔高？
具身智能性是更靠近人的特定领域专家而已，百年内能做出复制人类智能的AGI吗？这些不可能性几乎没有人出来定义，一个没有定义天花板的繁荣是不是最大泡沫？