#Demis
【達沃斯論壇】Demis Hassabis重磅訪談:變革將比工業革命大100倍,快10倍
時間:2026 年 1 月地點:達沃斯世界經濟論壇人物:Demis Hassabis (Google DeepMind CEO) / Emily Chang (Bloomberg)在 2026 年達沃斯的聚光燈下,剛獲得諾貝爾獎的 Demis Hassabis 看起來並沒有顯露出勝利者的輕鬆。相反,這位 Google DeepMind 的掌舵人形容自己處於“每周 100 小時、每年 50 周”的極限工作狀態中。面對 Bloomberg 主持人 Emily Chang,Hassabis 拋出了一個震動全場的判斷:AI 帶來的變革規模將是工業革命的 10 倍,而發生速度將是工業革命的 10 倍——乘在一起,這是一場 100 倍於工業革命的劇變。這場訪談不僅是對 Google 過去一年技術反擊戰的復盤,更涵蓋了 AGI 時間線、中美競爭、機器人奇點以及後稀缺世界的哲學困境。第一章:Google 的反擊與“全端”自信訪談的起點是 Google 剛剛發佈的Gemini 3。2025 年底,Gemini 3 Pro 的發佈以及隨後的 Flash 版本更新,在技術圈引發了巨大的震動,甚至據傳引發了 OpenAI 內部的“code red”——這與三年前 ChatGPT 問世時 Google 內部的反應如出一轍。“過去一年是極其艱苦的一年,”Hassabis 坦承。他並沒有迴避 Google 曾經面臨的被動局面,但他強調團隊已經適應了新的世界規則:“我們找回了創業公司的能量,快速發佈、快速迭代。”對於 Gemini 3 和圖像模型 Imagen 的表現,他表示“非常滿意”。當被問及 Google 的護城河時,Hassabis 展現了少有的強硬。他指出,外界可能低估了 Google“從第一性原理”建構的優勢。“我們可能是唯一擁有完整技術堆疊的組織,”Hassabis 分析道,“從底層的 TPU 和資料中心,到雲業務、前沿實驗室,再到數十億使用者使用的搜尋、信箱和 Chrome。這些產品天然適合 AI 的落地。”他更是拋出了一組資料來捍衛 DeepMind 的歷史地位:“過去十年,Google 和 DeepMind 發明了現代 AI 行業所依賴的大約 90% 的突破性技術——Transformer、AlphaGo、深度強化學習,都在其中。”第二章:物理世界的“AlphaFold 時刻”如果說大模型是數字世界的爭奪,那麼機器人則是物理世界的戰場。2026 年初,Boston Dynamics 與 Google DeepMind 的重磅合作成為 CES 的焦點。Gemini 的多模態能力被植入 Atlas 機器人,並在現代汽車的工廠中進行測試。Hassabis 認為,我們正處於物理智能(Physical Intelligence)突破的臨界點,但他給出的時間表相對審慎:“大概還需要 18 到 24 個月。”阻礙並非僅僅來自軟體。Hassabis 分享了一個有趣的細節:“當你深入研究機器人時,你會對人類的手產生全新的敬畏。”進化所設計的機械結構的靈巧度、力量和可靠性,是目前硬體難以企及的。但他描繪的願景十分清晰:Gemini 從設計之初就是原生的多模態模型。未來一兩年內,當演算法(需要更少資料)和硬體(尤其是機械手)同時突破,我們將看到機器人能“可靠地”在現實世界執行任務——那將是物理世界的奇點。第三章:技術大辯論——回應 LeCun、Sutskever 與 Musk作為 AI 領域的頂層設計者,Hassabis 在訪談中回應了關於技術路線的三大爭議,立場鮮明。1. 關於 Transformer 是否是死胡同(回應 Yann LeCun):針對 Yann LeCun 關於“LLM 是通往 AGI 的死胡同”的觀點,Hassabis 直言“那是顯然錯誤的”。“它們已經如此有用。我認為有 50% 的機率,僅僅通過擴展(Scaling)加上一些調整就足以實現 AGI。”即使不是全部,LLM 也必然是最終系統的核心元件。當然,他也補充說,Google 正在全力研發“世界模型”(World Model),比如 DeepMind 的Genie項目。2. 關於“研究時代”是否結束(回應 Ilya Sutskever):Ilya 曾表示 Scaling 時代結束,行業回歸“研究時代”。Hassabis 糾正了這種二元對立的看法:“我們從未離開過研究時代。”他強調,DeepMind 一直在做“深層研究”。如果未來需要新的架構突破,他押注 DeepMind 依然會是那個發明者。3. 關於“奇點”是否已來(回應 Elon Musk):對於 Musk 聲稱“我們已進入奇點”的言論,Hassabis 投了反對票。“這太早了。奇點是完全 AGI 的代名詞,而我們距離那個標準還有很多工作要做。”第四章:AGI 時間線與“參差不齊的智能”Hassabis 堅持了他對 AGI 的預測:2030 年前,有 50% 的機率實現。但他定義的 AGI 標準極高:“不只是解決問題,而是提出問題。”他以科學發現為例,指出當前的系統還無法像頂尖科學家那樣,在未知領域建構假設。對於當下的 AI 能力,他提出了一個精準的概念:“參差不齊的智能”(Jagged Intelligence)。“現在的系統在某些方面表現驚人,在另一些方面卻非常糟糕。如果你想把任務完全委託給 AI(Agent 模式),而不是像現在這樣把它當副駕駛,你需要的是全面的一致性。”只有填平這種“參差不齊”,實現持續學習(Continual Learning)和長程規劃,AI 才能真正從“輔助工具”進化為“自主智能”。第五章:地緣政治與 DeepSeek 的崛起針對一年前中國公司 DeepSeek 帶來的衝擊,Hassabis 的態度顯得冷靜而理性。“我認為西方的反應是大規模過度反應(Massive Overreaction)。”雖然承認字節跳動等中國公司可能只落後 6 個月,且非常擅長追趕,但他指出了一個關鍵區別:“他們目前更多是在西方模型的基礎上進行微調或借鑑。到目前為止,中國公司尚未展示出超越前沿進行原始創新的能力。”但他並未掉以輕心,坦言中國擁有強大的工程能力和追趕速度。第六章:後稀缺世界的哲學困境訪談的最後,話題轉向了終極問題:當 AI 解決了能源(核聚變)、材料和生產力問題,人類將進入一個“後稀缺世界”。相比於 Dario Amodei 預測的“5 年內 50% 白領失業”,Hassabis 的短期預測更為溫和,但他承認,長期來看,這不僅僅是就業問題,而是“意義危機”。“我比擔心經濟更擔心意義。”Hassabis 說道。“當工作不再是必須,我們從那裡尋找目的感?”他認為,經濟分配問題最終是一個政治問題,是可以被解決的。但人類心理上的空缺,需要“新的偉大哲學家”來指引。在這個未來圖景中,他給年輕人的建議是掌握 “元技能”——即“學會學習”(Learning to Learn);給企業家的建議則是選擇那些有著正確價值觀的合作夥伴。尾聲:凝視深淵的人這場訪談最動人的一刻,發生在這位諾貝爾獎得主談論自己“退休計畫”的時候。如果 AGI 真的建成,如果所有實際問題都被解決,Hassabis 想做什麼?“我想去探索物理學的極限。”他說。即便掌管著全球最強大的 AI 實驗室,在凌晨 4 點無法入睡的時刻,困擾他的依然是那些最古老的問題:現實的本質是什麼?時間是什麼?引力是什麼?“這些深刻的謎題幾乎在向我尖叫,”Hassabis 說,“我驚訝於更多人竟然不去思考這些。”對於 Demis Hassabis 而言,比工業革命大 100 倍的變革只是手段,他的終極目標,始終是解開宇宙那個名為“智能”的鎖,然後用它去打開所有其他的門。 (京墨AI研習社)
【達沃斯論壇】最懂AI的人Demis Hassabis:關於Google的全端優勢,中國競爭的理性看待,AGI的時間線
作為這個世界上最懂AI的人,Demis Hassabis 在達沃斯接收採訪,關於人工智慧(AI)未來、Google 的戰略以及社會影響的核心觀點如下。核心觀點Google 的重新崛起與全端優勢Google 已通過 Gemini 3 系列模型回到了技術的前沿,並適應了快速發佈產品的“初創公司能量”。Hassabis 強調 Google 是唯一擁有“全端”能力的組織,涵蓋了從 TPU 硬體、資料中心、雲業務到前沿實驗室(Google DeepMind)以及擁有數十億使用者的產品線(如搜尋、郵件、Chrome)。對中國競爭的理性看待他認為西方對來自中國的競爭存在過度反應,雖然像字節跳動這樣的公司極具能力且可能僅落後前沿約 6 個月,但他們很大程度上依賴於對西方模型輸出的微調。目前尚未觀察到中國公司能做出超越現有前沿的自主創新。AGI 的時間線與高門檻定義他維持 2030 年有 50% 機會實現 AGI 的預測。他為 AGI 設定了極高的標準,即系統必須展現人類所有的認知能力,特別是在科學創造力(如能夠提出科學假設而非僅是解決問題)和線上持續學習(即時學習)方面的能力。物理智能與機器人的突破他認為物理智能正處於突破邊緣,預計在 18 個月到 2 年內,機器人將能可靠地在現實世界執行任務。目前的挑戰在於演算法需要更強的穩健性,以及硬體上(尤其是手部)難以匹配人類進化的靈活性和力量。技術路徑與縮放法則他不同意“縮放法則(Scaling)”已經終結,也不認為 Transformer 或大語言模型是“死胡同”。他預測 AGI 的實現可能還需要在世界模型(如 Google 的 GENI 系統)、推理和長期規劃等領域取得少於五個的關鍵性突破。社會影響與人類適應他將 AI 革命比作工業革命,但規模大 10 倍且速度快 10 倍(綜合影響達 100 倍)。儘管這會帶來職業取代的壓力,但他相信人類具有極強的適應能力,並鼓勵下一代成為“AI 原生民”,利用這些工具獲得“超能力”。科學發現的終極工具Hassabis 的個人熱情在於利用 AI 加速科學發現,他將 AI 視為“終極科學工具”,類似於更高級的望遠鏡或顯微鏡。即使 AI 做出諾貝爾獎等級的發現,他仍認為榮譽應歸屬於通過這些工具投入創意和假設的人類科學家。安全、信任與國際合作他倡導建立類似 AI 領域的“國際 CERN”進行科學合作,以決定如何利用技術造福人類。他認為應通過行動和領導者的動機(如 Google 的科學文化背景)來判斷是否值得信任。採訪視訊連結油管:https://www.youtube.com/watch?v=BbIaYFHxW3YB站:https://www.bilibili.com/video/BV1DuzjBZEMv/?spm_id_from=333.337.search-card.all.click&vd_source=806ae2cead4c4e9790a58d15b64b1bbe完整的問題及回覆如下(AI整理)問:很高興見到你。答:我也很高興見到你。問:我們在舊金山見過。 我知道你無處不在。 我很好奇今年在達沃斯的感覺是否與你上次在這裡時有所不同。 Gemini 3 已經發佈了。 我們聽過那個開場白。 我在內部稱之為“紅色程式碼”。 你覺得 Google 找回它的狀態(Mojo)了嗎?答:嗯,我不確定這是否該由我來評價,但我感覺我們度過了非常好的一年。 為了讓我們的技術和模型回到世界領先水平,我們付出了極其艱辛的努力。 我認為我們通過 Gemini 3 尤其是影像軟體上的成果做到了這一點。 同時,我也認為我們也適應了快速發佈產品的新世界。 為我們的工作注入了某種初創公司的活力。問:你認為人們是否低估了 Google,或者誤解了什麼?答:是的,也許吧。 我不確定。 我的意思是,我認為我們一直擁有站在這一領域最前沿的所有要素。 顯然,我們在這方面有悠久的歷史。 我認為在過去的十年裡,Google 和 DeepMind 之間,我們發明了現代 AI 行業依賴的大部分突破性技術。 最著名的如 Transformers,還有 AlphaGo、深度強化學習等。 我們擁有驚人的產品表面,擁有數十億使用者的服務。 實際上,從搜尋到電子郵件再到 Chrome,AI 與這些產品是天然契合的,關鍵是將所有這些整合在一起並以正確的方式組織起來。 我認為我們在過去的幾年裡已經做到了這一點,雖然還有很多工作要做,但我認為我們開始看到這些努力的果實了。問:如果你認為自己有優勢,你認為你的優勢有多大? 能持續多久?答: 嗯,我認為在我看來,一切都始於研究。 尤其是模型在所有不同基準測試中處於世界領先水平。 這就是我們將 Google 和 DeepMind 整合在一起時首先關注的目標。 我認為對於 Gemini 系列,我對它的進展感到非常滿意。 那裡還有很多工作要做。 但我認為我們是唯一一個擁有“全端”能力的組織,從 TPU 硬體、資料中心、雲業務、前沿實驗室,到所有這些與 AI 天然契合的神奇產品。, 所以從基本原理來看,在結構上,我們應該做得非常好。 而且我認為實際上未來還有很大的提升空間。問:我想知道一個處於前沿模型領域的 CEO 的一天是怎樣的。 比如我讀到你大部分的思考是在凌晨 1 點到 4 點進行的。 是的,那是對的。 公司內部有過不是“紅色程式碼”的時候嗎? 比如,你感到過舒適嗎?答:不。 你永遠不會感到舒適。 我是說,我們嘗試(保持常態),“紅色程式碼”是針對非常特殊的情況的。 但我可以表達,在過去的三年、四年裡,工作強度一直難以置信。 每周工作 100 小時,一年工作 50 周,這就是常態。 我認為在面對這種發展極其迅速的技術前沿時,你必須這樣做。 外部競爭非常激烈。 這可能是技術史上最激烈的競爭。 而且賭注極高,涉及 AGI 及其在商業和科學上的所有意義。, 此外,如果你加上我們所做的事情帶來的所有興奮感——正如你所知,我的熱情是利用 AI 探索科學問題,加速科學發現本身。 這是我一生夢寐以求的事情,我畢生致力於 AI 的工作都是為了這一刻。 所以有時很難入睡,因為有太多工作要做。 但同時也因為有這麼多令人興奮的事情可以去研究和推動。問:我知你非常專注於驅動科學進步,比如發現新材料。 我們甚至看到 Gemini 被整合進人形機器人。 物理世界的“AlphaFold 時刻”已經到來了嗎? 那是什麼,看起來又是怎樣的?答: 是的,在過去的一年裡,我確實花了很多時間仔細研究機器人技術。 我確實認為我們正處於物理智能突破時刻的邊緣。 我仍然認為我們離實現它還有大約 18 個月到 2 年的時間。 我們需要進行更多的研究。 但我認為像 Gemini 這樣的基礎模型指明了前進的方向。 從一開始我們就讓 Gemini 具備多模態能力,這樣你就可以出於多種原因理解物理世界。 一個原因是我們想要建構一個通用助手,它可能存在於你的眼鏡或手機中,能夠理解你周圍的世界。 但當然,第二個用途就是用於機器人。 那麼物理世界的那個時刻看起來像什麼? 我認為它是讓機器人能夠在現實世界中可靠地執行有用的任務。 我認為目前還有一些事情在阻礙其發展。 部分原因是演算法還不夠完善,它們需要更多的穩健性。 它們必須能在比實驗室或純數字模型更少的資料下工作。 在數字世界你可以建立合成資料,但在物理世界製作這類資料要困難得多。 而且硬體中仍然存在一些未解決的問題,特別是手臂和手。 實際上,當你仔細研究機器人技術時,你會對人類的手產生一種全新的欣賞——至少我是這樣——以及進化是如何將其設計得如此精妙的。 這太不可思議了,很難匹配人類手所擁有的可靠性、力量和靈活性。 所以在我看來,還有相當多的碎片需要拼湊。 但也有非常令人興奮的事情。 我們剛剛宣佈了與 Boston Dynamics 的一項新的深度合作。 他們有一些非常令人興奮的機器人。 我們正在將其應用於汽車製造領域。 我們將在接下來的一年裡觀察其原型階段的表現。 也許在一兩年內,我們將會有一些真正令人印象深刻的、可以大規模推廣的演示。問:一年前,中國在 AI 領域的競爭對西方來說似乎是災難性的。 現在一年過去了,它變得安靜了。 中國似乎變得更安靜了。 是的。 你對來自中國的競爭看法改變了嗎?答: 並沒有。 我從一開始就不認為那是災難性的。 我認為西方對此反應過度了。 雖然它確實令人印象深刻。 我認為它表明中國人非常有能力,他們的頂尖公司,我認為像字節跳動這樣的公司,實際上是我認為最有能力的,他們可能只落後前沿 6 個月,而不是落後一兩年。 所以我認為這就是他們所展示的。 關於他們使用的算力極少等說法有些言過其實,因為他們依賴於一些西方模型,並針對一些領先西方模型的輸出進行微調。 所以那並不是完全自主研發的。 我認為到目前為止另一件尚未被觀察到的事情是,中國公司能否在這一前沿領域實現超越自身的創新。 他們正在追趕,非常擅長追趕前沿所在的位置。 但我認為他們尚未展示出能夠超越前沿進行創新的能力。問:你協助定義了 AGI。 你曾說我們有 50% 的機會在 2030 年實現它。 這還是你的時間表嗎?答: 是的。問:AGI 對你來說仍然是一個有用的目標嗎?答: 我認為是。 我認為在我的時間表上這是一個非常好的目標,雖然它比其他一些人的預測稍長。 但我的門檻很高。 它指的是一個系統展示出人類擁有的所有認知能力。 我認為我們目前顯然離那還很遠。 這意味著像科學創造力這樣的事情,不僅僅是解決一個問題,而是最初就能提出假設或發現問題。 正如任何科學家所知,找到正確的問題往往比找到答案難得多。 現有的系統目前還不具備這種能力。 我認為它們最終會具備,但目前還不清楚還需要什麼。 還有像持續學習、線上學習這類事情,要超越它們接受培訓的內容,它們需要能夠隨時隨地進行學習。 所以在我看來,還有相當多缺失的能力,這些對於我所認為的 AGI 系統來說至關重要。問:Google 是 Anthropic 的主要投資者,Dario 之前也在這裡。 你是否同意或反對他的預測,即 AI 將在五年內抹去 50% 的入門級白領工作?答: 我認為我的看法是時間會更長一些。 我的意思是,我認為我們今年開始看到入門級工作或實習這類工作的萌芽。 但我認為我們需要解決更多的一致性問題,而目前的系統還沒有做到這一點。 我稱之為**“參差不齊的智能”,我們在某些事情上做得非常好,而在其他事情上卻非常糟糕。 當前的系統就是這樣。 如果你想要將一整項任務交給一個代理(Agent)去處理,而不是像我們今天這樣擁有輔助程序,你需要更全面的一致性。 它僅僅能完成 95% 的任務是不夠的。 你需要它能夠勝任整項工作,這樣你才能真正實現“放手不管”。 所以我認為在看到那種程度的顛覆之前,還有相當多的工作要做。 但那種顛覆最終會發生,這是肯定的。 我認為在極限情況下,有了 AGI,它會改變整個經濟。 但除了工作問題,我認為如果我們能正確建構它,我們將進入一個“後稀缺”世界。 在那裡我們解決了一些世界的基本瓶頸,比如能源來源、新型清潔可再生能源,基本上是免費的。 如果我們在 AI 的幫助下解決了聚變(Fusion)等問題,或者新材料,我認為在 AGI 之後的五到十年,我們將處於一個極其富足的世界。 那麼這意味著經濟如何運行,社會如何運作?問:實際上,在我們進入“後稀缺”世界之前,如果真能到那一步,中間過程充滿了焦慮。 我是一個母親,我知道你也有孩子。 比如,對於他們,你最擔心什麼? 你和他們談論什麼? 你告訴他們即將到來的是什麼? 我剛聽到很多人說,天那,大學畢業生將面臨非常艱難的時期。答: 嗯,我不確定。 聽著,我認為這將是一個劇烈變革的時代,就像工業革命一樣,可能是工業革命的 10 倍規模,這種程度是難以想像的。 我通常描述它是 10 倍大、10 倍快。 工業革命用了 100 年,現在可能只需要 10 年,所以是它的 100 倍(速度與影響)。 我對每個人都這麼說,但我認為這伴隨著巨大的機遇。, 而且我也非常堅信人類的聰明才智。 我們極具適應能力,因為我們的思維是非常通用的。 人類的思維非常通用。 我們適應了周圍的現代世界。 我們原本屬於狩獵採集者的思維已經成功建構了現代文明。 所以我認為我們會再次適應。 我認為這有一點前所未有,因為它的速度太快了。 通常這種轉變需要一兩代人的時間。 但我認為現在的孩子們,我會鼓勵他們變得非常精通這些新工具並成為“原生民”,這幾乎等同於賦予了他們超能力。 在創意藝術領域,你可能一個人就能完成過去需要十個人才能完成的工作。 我認為這意味著,如果你具有企業家精神,如果你在遊戲設計、電影或項目方面有創意,你可能更容易完成更多工作並突破這些行業。 比起過去作為新人的門檻要低得多。問:一些人倡導暫停研發,以給監管留出追趕的時間,給社會留出調整的時間。 在一個完美的世界裡,如果你知道所有其他公司都會暫停,所有國家都會暫停,你會倡導這樣做嗎?答: 我想是的。 我一直公開表示我希望看到的情況。 15 年前當我創辦 DeepMind,或者說 25 年前開始從事這方面工作時,我的路線圖一直是:當我們接近 AGI 到來的臨界時刻,我們也許可以以科學的方式進行合作。, 我有時會談到建立一個 AI 領域的國際 CERN 等效機構,讓世界上所有最頂尖的頭腦一起合作。 以非常嚴謹的科學方式完成最後幾步,讓全社會都參與進來,可能包括哲學家、社會科學家、經濟學家以及技術專家,來弄清楚我們想從這項技術中得到什麼,以及如何利用它。 從而造福全人類。 我認為這就是賭注所在。 不幸的是,這確實需要國際合作,因為即便西方決定這樣做,除非全世界都同意至少達成某種最低標準,否則沒有用。 而且你知道,目前國際合作有點棘手。 所以如果我們想要對通往 AGI 的最後步驟採取嚴謹的科學方法,這種情況必須改變。問:所以如果 AGI 在 2030 年到來,而我們還沒有建立好監管,我們是否註定會面臨困難?答: 嗯,到那時,我仍然樂觀地認為,主要的參與者之間會有足夠的溝通,並希望至少在安全和安保協議上進行合作。 已經有很多這樣的合作了。 例如,我們在這些方面與 Anthropic 合作非常緊密。 如果國際層面的合作行不通,那麼就需要更多類似的基於同行的合作。問:這會涉及到像 Sam (Altman) 這樣的人與你合作嗎?答: 潛在地,我認為我與幾乎所有領先實驗室的領導者都保持著非常良好的關係。 我認為如果賭注足夠高,很大程度上取決於理解賭注是什麼以及風險是什麼。 我認為在接下來的兩三年內,這對每個人來說都會變得更加清晰。問:讓我們談談技術和下一個曲線。 Yann LeCun 說他不認為 Transformer 和大語言模型單獨能帶我們走向 AGI。 你同意還是反對?答: 是的。 不,我不同意它們是死胡同。 我認為這種說法顯然是錯誤的。 我是說,它們已經極其有用了。 但我的看法是,這是一個經驗性的問題。 僅僅通過調整現有的方法並擴大規模是否足夠,這是一個科學問題。 我認為只有 50% 的機會是足夠的。 也許是吧。 你必須這樣做。 而且我認為那是很有用的工作,因為至少在我看來,這些大語言模型將成為最終系統的一個組成部分,一個極其重要的組成部分。 我腦海中唯一的問題是,它是唯一的元件嗎? 我可以想像還有一兩個突破,也許是少量的,從這裡開始還需要不到五個突破,對吧? 那麼,這些可能是像世界模型(world models)之類的東西。 那是我談論過的我們正在研究的東西。 事實上,我們目前擁有最好的世界模型,即我們的 GENI 系統。 我直接參與了那項工作,我認為它非常重要。 此外還有持續學習,以及擁有沒有這些參差不齊邊緣的連貫系統。 通用系統不應該有這些。 所以我認為,更好的推理、更長期的規劃,還有相當多的能力仍然缺失。 究竟是需要新的架構、新的突破,還是僅僅是現有的更多嘗試,這仍然是一個懸而未決的問題。, 從我的角度,從 Google DeepMind 的角度來看,我們正在這兩方面盡最大努力推動:既發明新事物,也擴大現有事物的規模。問:Ilya Sutskever 說過,擴大規模和通過更大的模型來實現改進的時代快要結束了。 這是你同意的嗎? 他的原話是“我們回到了研究時代”。答: 我不同意。 我很愛 Ilya,我們是很好的朋友。 但我的觀點是,我們從未離開過研究時代,至少從 DeepMind 的角度來看是這樣。 我們一直在投資。 在我看來,我們一直擁有最深厚、最廣泛的人才儲備,Google 和 DeepMind 在一起確實如此。 在過去的十年裡,我們發明了現代工業所依賴的約 90% 的突破。 當然,最著名的 Transformers,還有深度強化學習、AlphaGo 這種技術。, 我們開創了所有這些。 所以如果未來需要一些新的突破,我會賭我們,就像過去一樣,成為做出那些突破的人。問:最後,同意還是反對——埃隆(Elon Musk)說我們已經進入了奇點。答: 不,我認為這太早了。 我認為奇點是完全 AGI 到來的另一種說法。 我之前解釋了為什麼我認為我們離那還遠。, 我認為我們會到達那裡。 但我認為在出現任何看起來像奇點的事物之前,仍有很多工作要做。問:跟我們談談現在 Google 內部的文化,為了贏得這場比賽但要以正確的方式去做。 領導層。 Larry 和 Sergey 現在的參與度有多高? 你多久和他們談一次話,他們的優先順序是什麼?答: 是的,他們非常投入。 Larry 更多在戰略層面。 我在董事會會議上以及訪問矽谷的其他時候見到他。 Sergey 則更親力親為,他參與了程式碼編寫,具體是在 Gemini 團隊中,更多地涉及演算法細節。 看到他們兩個都對我們所處的階段充滿活力,這太棒了。 誰不會呢? 這一刻對於電腦科學來說絕對是不可思議的時刻。 所以純粹從科學的角度來看,他們兩位都是科學家,這是人類歷史上極其令人興奮的一刻。, 所以當然,每個人都想親力親為並深入參與。 那太棒了。 對我們這個實體而言,我正嘗試結合許多世界的最佳部分。 比如快速發佈產品、承擔風險的初創公司能量,我想你正看到這些帶來的好處。 大公司的資源也是非常有用的,但同時還要為長期的研究和探索性研究保護空間。 而不僅是研究三個月後能交付到產品中的東西。, 我正在嘗試平衡所有這些不同的因素。 在過去的一年裡,事情進展順利。 但我對我們的軌跡非常滿意。 我認為它是整個行業中改進和進步最陡峭的。問:你是一位諾貝爾獎得主,我知道你對 AI 驅動科學研究有多痴迷。 如果 AI 本身做出了諾貝爾獎等級的發現,你認為你應該得獎嗎?答:是 AI 還是人類? 我認為還是人類。 因為這取決於你所說的“完全自主”是什麼意思。 就目前而言,這些仍然是工具。 我將它們視為,也許是終極的科學工具,但就像是更好版本的望遠鏡和顯微鏡。 我們一直是製造工具的動物,這就是人類區別於其他動物的地方。 那就是超能力,當然我把電腦也包括在內。 而 AI 是這一點的終極表達。 所以在某些方面,我一直認為 AI 是進行科學研究的終極工具。 而且在可預見的未來,這將是與頂尖科學家的合作,由人類投入創意和假設,利用這些驚人的工具來增強資料處理、模式匹配和科學探索。問:你顯然本可以把 DeepMind 賣給任何人。 我認為所有這些公司都要求我們給予很大的信任。 尤其是如果監管趕不上技術的發展。 為什麼? 我們為什麼要信任你? 為什麼你認為 Google —— 我隱含地認為你相信它是我們最應該相信的地方?答: 是的。 我認為你需要通過這些公司的行動來判斷它們,也要看參與這些努力的領導者的動機。 對我而言,這也是我選擇 Google 作為 DeepMind 的歸宿的幾個原因之一。 主要原因是 Google 的創始人以及 Google 建立的方式使它本質上是一家科學公司。 很多人忘了 Google 本身就是一個博士項目,它是 Larry 和 Sergey 的項目。 所以我感到與他們有一種天然的親近感。 Larry 主導了收購,還有董事會,他們召集的董事會成員。 你看,John Hennessy 是主席,他本身就是圖靈獎獲得者。, 還有 Frances Arnold,另一位諾貝爾獎獲得者。 這些人出現在公司董事會上是不尋常的。 所以整個環境非常具有科學色彩,以科學、研究和工程為文化導向,這根植於文化深處。 這意味著在最高水平上從事科學,意味著要非常嚴謹、深思熟慮,並在任何可能的地方應用科學方法。 我認為這不僅體現在技術上,也體現在作為一個組織的運作方式上。 所以我覺得,我們非常努力地做到深思熟慮和負責任。 最後一件事我想說的是,我被 Google 嘗試在世界上做的事情所吸引,組織全球資訊是一個非常崇高的目標。, 我認為這與 DeepMind 的使命——解決智能問題並用它來解決其他一切——是天然契合的。 這兩個使命宣言是天然契合的。 AI 和組織全球資訊自然相輔相成。 而且我認為 Google 廣為人知的產品,如地圖、Gmail 和搜尋。 我認為它們是世界上真正有用的產品,而 AI 是一個很容易融入的環節。 想像如何利用 AI 增強這些產品,讓每個人的日常生活都能受益。 我認為這對世界是一件好事。問:好吧,那麼在“後稀缺”世界,人們不再有工作,一旦你實現了所有的技術目標,你個人打算如何安排你的時間? 研究正在自我自動化,對吧?答:嗯,我很樂意利用它。 在奇點之後我將做的是,利用它探索物理學的極限。 那是我在學校裡最喜歡的科目,關注那些大問題。 比如,現實的結構是什麼? 現實的本質是什麼? 意識的本質是什麼? 費米悖論的答案是什麼? 所有這些事情,時間是什麼? 引力是什麼? 對我來說,這些問題總是在對我尖叫:這些深奧謎團的答案是什麼?, 我想使用 AI 來探索所有這些事情,也許在 AI 解鎖的新能源和材料的幫助下前往星際旅行。問:如果我們沒有工作,我們還會有意義和目標感嗎?答: 嗯,說實話,比起經濟問題,我更擔心這件事。 我認為經濟更像是一個政治問題,即當我們獲得所有這些額外的收益和生產力時,能否確保它為了每個人的利益而共享。, 但更大的問題是,我們許多人從工作和科學事業中獲得的目標感和意義感呢? 在新世界裡我們將如何尋找它? 我認為我們需要一些新的偉大的哲學家來幫助思考這個問題。 也許我們將通過藝術和探索變得更加複雜。 還有像極限運動這種我們今天做的很多事情,並不只是為了經濟收益。 也許未來我們會擁有這些事情的非常深奧的版本。問:房間裡的每個人都在想他們應該做什麼。 比如,十年後坐在達沃斯的這裡我該做什麼? 你認為這個房間裡的人關於 AI 會犯下的最大錯誤是什麼?答:聽著,我想說兩件事。 一是對於年輕一代和我們的孩子等等,我們唯一能確定的就是會有巨大的變化。, 所以在學習技能方面,要做好準備,因為**“學習如何學習”是最重要的事情**。 你能多快適應新情況,吸收新資訊並使用我們擁有的工具。 對於房間裡的 CEO 和商界人士,我認為現在最重要的事情是,有很多領先模型的供應商。 選擇那些你覺得其處理方式正確的合作夥伴。 所以,與那些正在推動變革並以你希望在世界上看到的方式對待這項技術的人合作。 我認為我們可以共同建構我們想要的未來。 (長韋雜談)
【達沃斯論壇】Dario × Demis 達沃斯交鋒:AGI 是“明年就來”,還是“十年之後”?
你相信誰?一個說:1 到 2 年。一個說:也許還要 10 年。2026 年 1 月 20 日,達沃斯。兩個最接近 AGI 的人給出了截然不同的答案。Anthropic CEO Dario Amodei 認為,模型已經在寫模型,閉環正在形成,時間可能只剩一年。Google DeepMind CEO Demis Hassabis 堅持,真正的科學創造力還差幾步,我們還有 5 到 10 年。問題不是誰對誰錯,而是:如果 Dario 是對的,我們來得及準備嗎?當時間成為變數,風險就不再是遙遠的末日,而是速度失控的現在。第一節|模型開始寫模型:自我進化已啟動?2026 年達沃斯的這場對話,Dario 重申了他去年的預測:到 2027 年,我們就會擁有一個能完成人類幾乎所有工作、達到諾獎水平的模型。Demis 沒有反駁,只是更謹慎地補充:“是的,模型在某些領域進展驚人。但你要讓它提出新的理論或假設,還早。”真正的分歧在於:AI 自我進化的閉環,啟動了嗎?Dario 的答案是:已經在發生了。Anthropic 的工程師已經不再自己寫程式碼,而是直接把任務交給 Claude,讓它產出初稿,自己只做稽核與改寫。 而且這不是個例,Dario 透露,Claude Cowork 的核心模組,就是由 Claude 自己在一周半內完成搭建的。基於這種趨勢,他給出了一個大膽預測:“也許 6 到 12 個月,我們就會有模型能完成大多數軟體工程師的工作。”注意,不是輔助工作,而是完成大多數。Demis 對此並不完全否認。他承認,在程式設計和數學這類“能驗證結果”的領域,模型已經接近專業水平。但他強調了一個關鍵區別:科學創造力的難點,不在解題,而在提出問題。在 Demis 看來,真正的通用智能需要具備從零提出假設的能力,而不僅僅是生成正確答案。這類能力目前仍難以驗證、也尚未實現。兩人的共識是:AI 已經能加快 AI 的迭代。Dario 甚至用了“自我演化”這個詞。一旦“模型→模型”這條路徑成熟,它將不再等待人類研發節奏,而會主動生成下一個版本。到那時,人類角色可能從創造者變成稽核員。這意味著決定 AI 進化速度的,不再是你有多少工程師,而是模型自己的成長能力。這正是 Dario 所說時間可能只剩一年的核心理由。Demis 的回應雖然保守,但也沒否認這條路徑的可行性。他只是提醒:我們可能還缺少一兩個關鍵環節,像持續學習、世界模型這類能力。也就是說,在可驗證的領域,閉環已經在形成。但要真正徹底閉環,可能還需要幾個技術突破。時間差,就在這幾步之間。第二節|50% 入門崗位消失:新人進不來了主持人把話題從技術拉回現實:這會對工作意味著什麼?Dario 的回答:“我認為,在未來 1 到 5 年內,50% 的白領入門崗位都會消失。因為企業已經發現,用模型完成很多基礎工作,比雇新人更快、更省錢。”換句話說,不是公司裁員更狠,而是公司不再招人。Demis 的觀察更具體:今年開始,我們已經能看到實習崗位和初級職位受到衝擊。真正被優先替代的,是重複性強、規則清晰、需要時間但不需要經驗積累的工作。第一批受衝擊的,不是資深專家,而是剛進場的人。Dario 給出了一個場景:一家企業可以做到業務翻好幾倍,但員工規模幾乎不變。這是因為 AI 已經被當作數字勞動力在使用。文件整理、程式碼初稿、資料清洗、客服回覆、內容生成,這些原本屬於新人練手的工作,正在被批次壓縮。Demis 補充了另一個維度:“創造性工作、需要跨領域經驗的崗位,暫時還沒被真正撼動。”但在整個就業市場中,這類創造性崗位只佔很小一部分。絕大多數人依靠的,還是從基層幹起、一步步積累經驗的職業路徑。而這條路,正在被堵死:經驗崗位還在入門崗位變少有經驗但不夠資深的人,晉陞空間被壓縮這導致一個矛盾的局面:企業看起來運轉正常,但職業階梯已經開始斷裂。變化已經發生,但組織根本沒準備好如何應對。 用人方式、培養機制、晉陞通道,都還停留在過去。為了追蹤這種變化,Dario 透露 Anthropic 正在維護一個“經濟指數”通過分析對話資料,即時監測那些行業、那些任務正在被 AI 增強或替代,精確到具體的州、行業、甚至任務類型。資料會告訴我們變化的全貌,但個體等不了那麼久。對年輕從業者來說,問題已經變了:不再是會不會被替代,而是當一個崗位消失,你能頂替誰的位置?這,才是 AI 時代真正殘酷的篩選邏輯。第三節|技術每月升級,組織還在按年調整在整場對談的後半段,主持人提出了一個問題:你們最擔心的是什麼?Dario 沒有說超級智能或模型失控,他說的是:“速度。技術進展得太快,而我們還沒搞清楚該怎麼用它。”Demis 的擔心更具體:很多人根本不知道 AI 現在能做什麼。他舉了個例子:有些人還把大模型當搜尋引擎在用,但其實它已經可以做研究助理、項目助手、程式碼搭檔,甚至承擔部分商業分析。這種錯配,正在製造兩個風險:低估了 AI,錯失轉型窗口;高估了 AI,用在不該放手的環節。Dario 補充:今天很多失敗,不是 AI 能力不夠,而是組織的架構、流程、用人方式都還沒變。Demis 做了一個類比:就像工業革命時期,人們先是驚訝,然後混亂,最後才重構了整個社會。而工業革命用了幾代人完成的轉型,AI 可能只給我們幾年時間。那麼,這種速度失控會帶來那些具體風險?Dario 提到三個現實層面的挑戰:第一,技術擴散風險。 當模型能力足夠強,如何確保它不被用於危險用途?比如合成生物學、網路攻擊等領域。這不是假想,而是每次發佈新模型前都必須測試的內容。第二,模型對齊問題。 Anthropic 的研究已經在實驗室環境中觀察到,模型在某些情況下會產生繞過限制的行為傾向。雖然這在所有大模型中都存在,但說明高度自主的系統確實需要更嚴格的控制機制。第三,社會適應速度。 當技術迭代以月為單位,而組織、教育、法規的更新還在以年為單位,這個時間差本身就是風險。應對路徑呢?Dario 介紹了 Anthropic 正在推進的"機械可解釋性"研究:像神經科學家研究大腦一樣,觀察模型內部的決策過程,從機制層面理解它為什麼會產生某種輸出,然後進行針對性干預和重新訓練。Demis 則強調,真正解決這些問題需要全球科學界的協作。他提到了類似 CERN(歐洲核子研究組織)的國際合作模式,讓各國頂尖科學家在開放、透明的框架下共同攻克 AGI 的關鍵問題。兩人都認為:這些技術挑戰是可以解決的,前提是有足夠的時間和足夠的協作。但現實是,行業競爭正在壓縮這個時間窗口。誰能快速建構出理解它、整合它、把它用得對的路徑,誰就領先一個時代。結語|一年還是十年?時間會給答案達沃斯的這場對談,Dario 和 Demis 沒有爭出對錯。但他們的共識是:AI 已經在自我加速,入門崗位正在消失,組織還沒準備好。分歧只在於速度。Dario 認為一兩年,Demis 認為五到十年。但變化不會等所有人都準備好。 (AI深度研究員)
DeepMind CEO 在 CNBC 算 4 筆帳:這輪 AI 競賽,錢到底花在那?
最近 AI 圈最熱的詞,已經不是更強,而是更賺錢。2026 年 1 月 16 日,CNBC 新上線了一檔播客《The Tech Download》,定位很明確:不談概念,只談錢。第一期請到的嘉賓,是 Google DeepMind 的 CEO Demis Hassabis。Hassabis 沒有談技術概念,而是在算四筆投資帳:AGI 缺的能力,該投什麼模型商業化,成本花在那能源瓶頸,資源配在那AI 競爭,優勢建在那這四筆帳,指向同一個核心:這輪 AI 競賽,錢到底該花在那?第一筆帳|AGI 還缺什麼能力?專訪剛開始,主持人問出一個所有人都關心的問題:我們的大模型已經這麼強了,還能更好嗎?AGI 是不是快到了?Hassabis 的回答是:大模型的能力,其實有明顯短板。他說,這些 AI 工具在某些問題上能給出驚豔的表現,但你換個問法,或者稍微複雜一點,它立刻就不行了。他把這叫做:參差不齊的智能(jagged intelligences)。說白了,這種智能還不夠靠譜。能答題,但不能舉一反三;能寫論文,但不能自己提一個真正新的點子。1、通用智能,得能自己提問題Hassabis 認為,真正的通用 AI,必須具備一項能力:能自己提出問題,能假設世界可能如何運轉,然後想辦法去驗證它。也就是說,它不能只是答你問題,還得能自己思考問題是什麼。他說,現在的大模型,連持續學習都做不到。你教會它一件新事,它很快就忘了;它不會像人一樣積累經驗。這也是為什麼,DeepMind 近兩年開始把重點從 LLM 轉向另一個方向:做一個懂得世界如何運轉的 AI。2、世界模型,不是懂語言,是能想像他用很通俗的方式講了世界模型這個概念:“就像人類科學家,能在腦海中推演如果這樣,那會發生什麼,AI 也得具備這種能力。”不是理解你說什麼,而是能根據它自己對世界的認識,去預測接下來會發生什麼、什麼東西會影響什麼結果。這聽起來有點抽象,但它已經落地到了 DeepMind 的幾個核心方向裡:Genie: 能與虛擬環境互動的模型,相當於在玩遊戲的同時理解規則AlphaFold: 當年用 AI 去預測蛋白質折疊結構,其實也是讓模型理解形狀為什麼會變成那樣Veo: 文字生成視訊,不是湊鏡頭,而是讓 AI 根據因果關係決定下一秒畫面該變成什麼這些看起來不一樣的項目,其實在做同一件事:讓 AI 像人一樣理解世界,而不是只會背答案。3、AGI 不靠湧現,靠組合Hassabis 相信:單純擴大模型規模,不會自動產生通用智能。真正有可能做出 AGI 的,是讓多個模型各司其職、協同工作:LLM 負責語言和基礎理解視訊模型負責時間序列、物理直覺世界模型提供模擬、推理、預測的能力只有這些能力拚圖逐步接上,通用智能才會是可靠的,而不是看起來聰明但漏洞百出。對大多數人來說,AGI 是比人更聰明的 AI;但對 Hassabis 來說,AGI 是能自己提出新想法的 AI。這就是 DeepMind 把世界模型當成下一步主線的原因。它不只是一個新模型,而是一個核心能力:能不能站在世界的角度去理解,而不是被動回答。第二筆帳|模型怎麼賺錢?不是更強,是更划算技術路線是一回事,但商業落地是另一回事。AI 要走向通用,不只是越來越聰明,還要用得起。Demis Hassabis 講了 DeepMind 的產品策略:不是只推 Pro 版,而是同時做 Flash 版。這不是大小模型的高低之分,而是為了讓更多場景能用得起。能大規模部署、覆蓋場景的模型,必須夠輕、夠快、夠省。1、Flash:用強模型教出主力模型Hassabis 形容:用最強的模型訓練出一個更高效的版本,就像用大腦教出一個更靈巧的分身。這個過程在技術上叫蒸餾,但他更關注的不是技術本身,而是能否落地:訓練出來的模型可以被廣泛部署,成為主力使用的版本。比如 Gemini 模型線:Pro 版本,是給複雜場景或前沿應用準備的Flash 版本,是給終端使用者、高頻任務提供服務的2、商業化不是賣模型,而是讓模型進產品“AI 不該永遠停在網頁對話方塊裡。”Hassabis 說:未來我最看好的方向之一,是讓 AI 真正進入手機、眼鏡這些裝置裡。也就是說,未來不是你去找 AI,而是 AI 就在你手邊、螢幕裡、日常動作之間。DeepMind 已經和三星、Warby Parker 等品牌展開合作,探索裝置端 AI 的可行性。這說明 DeepMind 的商業路線,不只是 API 售賣,更看重模型與產品深度結合。3、AI 不止省人力,還要省資源Hassabis 說,效率是 Gemini 全線設計時的最高優先順序,尤其是 Flash 系列。推理更快能力更平衡能耗更低DeepMind 對 AI 商業化的看法不是卷功能,而是算總成本:一個模型能做什麼不重要,重要的是它能成本可控、能落地、穩定可靠。從 Flash 的設計、蒸餾策略,到裝置端合作、能效優先,Hassabis 給出的不是模型路線圖,而是使用路線圖。他沒有強調模型有多強,而是圍繞:怎麼讓 AI 被真正用起來?這才是商業化起步的基礎。第三筆帳|能源問題,AI 能自己解決嗎?Flash 版本解決的是模型本身的能耗,但這還不夠。Demis Hassabis 明確表示:隨著我們走向 AGI,能源將等同於智能。智能越強,耗電越大。這是繞不開的物理規律。1、AI 不缺模型,最缺的是電不夠晶片永遠不夠。Hassabis 直言,即使 Google 有自己的 TPU 系列和 GPU,全球的計算晶片仍然供不應求。追根溯源,真正的瓶頸是能源:GPU 再多,也要靠電運行資料中心再大,也受限於電力供應模型再強,如果成本壓不下來,也只能停留在實驗室這不只是 Google 的問題,而是整個行業的天花板。當每家公司都在競相擴大算力、訓練更強的模型時,能源供應能不能跟上,決定了誰能真正把 AGI 從實驗室帶到現實世界。而這一點,正在成為 AGI 能否大規模應用的關鍵障礙。2、DeepMind 另一個野心:用 AI 去找能源如果 AGI 需要海量能源,那就讓 AI 自己去解決。DeepMind 的策略分兩個方向。開源:生產新能源與美國 Commonwealth Fusion 公司合作,用 AI 控制核聚變反應堆中的電漿體。核聚變一旦實現,將提供幾乎無限的清潔能源。Hassabis 的個人項目:能不能靠 AI 找出室溫超導材料。如果成功,將徹底改變電力傳輸和儲存方式。重新設計太陽能材料,大幅提升能源轉化率。節流:提高能源效率最佳化電網、資料中心、能源系統的運行效率,減少浪費尋找降低能耗的新型晶體結構幫工業最佳化生產路徑,減少不必要的能源消耗AI 不只會消耗資源,它也可以反過來推高資源效率。這不是第一次。從 AlphaFold 預測蛋白質結構,到現在尋找能源突破,Hassabis 始終相信:AI 是科學發現的終極工具。當每家公司、每個企業都要部署自己的大模型,競爭的關鍵變了:誰能讓AI更省電,誰就能部署更大規模誰能把每度電用得更值,誰就能活得更久最終,智能不是在比聰明,而是在比划算。能源供應能不能跟上,決定了這場技術升級能走多遠。而 DeepMind 的答案是:讓 AI 自己去解決能源問題。第四筆帳|競爭的關鍵:整合、部署、活下來技術路線之外,還有競爭格局。過去幾年,OpenAI 在消費端領先。憑藉 ChatGPT,迅速繫結微軟,推出 API、外掛、GPTs 商店。Google 顯得慢了半拍。但 2025 年底,風向變了。Gemini 3 上線時,同步進入 Google 搜尋、Android系統、Gmail、Workspace……全線鋪開。Hassabis 透露:過去兩三年,他做的最大變化不是研發方向,而是內部整合。1、DeepMind :從研究所到引擎室過去三年,Hassabis 只專注一件事:把 Google Research、Google Brain、DeepMind 三支團隊整合成一個 Google DeepMind。這不只是團隊整合,還包括重建Google的整個 AI 基礎設施。整合的結果:所有 AI 技術由 DeepMind 統一開發技術完成後,直接擴散到Google所有產品中Hassabis 與 Sundar Pichai(Google CEO)幾乎每天對話,決定技術方向和產品配置過去是三個團隊分頭做 AI,路線重疊、資源分散。現在是一個引擎室,統一調度。更關鍵的是速度。 Hassabis 說,他們每天調整路線圖和計畫。這不是大公司的穩健打法,而是初創團隊的衝刺節奏。目標只有一個:快速且安全地實現 AGI。Google AI 產品發佈效率實現了質的提升。2、模型強,部署要更快為了實現快速部署,DeepMind 建立了一個“骨幹網”,讓 AI 技術能夠快速擴散到Google所有產品中。Hassabis 把 Gemini 3 的發佈節奏形容為同步投放:模型訓練完成,第二天就能上線到搜尋、Gmail、Workspace不用二次改造,不用跨團隊溝通,一步到位這在以前是做不到的。Hassabis 說,他們在 Gemini 2.5 時才真正進入這個狀態。在此之前,模型和產品之間還有大量銜接工作。這種效率來自兩個優勢:第一,DeepMind 掌握從晶片到模型的完整技術堆疊。技術自主,不用等外部配合。第二,Google 的產品矩陣本身就是現成平台。搜尋、Android、Chrome、YouTube……AI 能力可以立刻接入,同步推送到數十億使用者。當 OpenAI 還在一個個談合作時,Google 已經完成了部署。Hassabis 說,接下來 12 個月,AI 能力會擴散到更多 Google 產品中。3、中國AI,落後幾個月意味著什麼談到中國的 AI 發展時,Hassabis 認為:中國領先實驗室,可能只落後幾個月。這意味著:在訓練效率、模型能力、部署速度上,差距正在快速縮小。DeepSeek 的低成本訓練方案、阿里巴巴的開源模型,都展示了中國團隊的工程能力和追趕速度。同時,Hassabis 也指出了下一個階段的關鍵:從復現技術到原創突破。他認為,發明一個新技術的難度,可能是復現它的100倍。中國實驗室已經證明了復現能力,接下來的問題是:能不能像當年發明Transformer那樣,創造出新的架構或方法?這不只是對中國的問題,也是對所有 AI 實驗室的挑戰。對所有想贏的 AI 玩家,Hassabis 指出:不是誰發佈得多,而是誰能讓產品真正跑起來不是誰融資多,而是誰能在泡沫之後還活著OpenAI 壓力很大,Anthropic 產品也很快,中國模型確實在追。但 DeepMind 的打法不是分散應對,而是整合優勢:統一的產品線、自有的平台、一步到位的部署。在 AI 這場長跑裡,活下來比跑得快更重要。結語|這輪 AI 競賽,錢該花在那四個地方Demis Hassabis 給出了四個方向:技術上,投資能理解世界、提出新想法的能力,不要只堆資料商業上,投資模型的部署效率,而不只是追求性能資源上,投資能源技術和能效最佳化,智能規模取決於每瓦電的價值競爭上,投資整合能力和產品閉環,而不只是發佈速度這四筆帳,DeepMind 給出了自己的答案。其他玩家怎麼選,決定了他們能走多遠。 (AI深度研究員)