•
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：
這四筆帳，指向同一個核心：這輪 AI 競賽，錢到底該花在那？
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：
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：
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。
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：
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。
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。
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：
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
節流：提高能源效率
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：
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。
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：
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：
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：
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。
Demis Hassabis 給出了四個方向：
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)