TL;DR：
Demis Hassabis犀利驳斥当前“博士级AI”的说法，认为真正的通用人工智能（AGI）仍需在创造力、一致性和持续学习上实现关键突破，预估5-10年方能实现。DeepMind正通过混合模型和具身智能探索AGI，并在AI for Science领域（如AlphaFold和Isomorphic Labs）展现巨大商业和社会价值，同时正视AI能耗挑战。
人工智能领域正上演一场高层对话，其核心关乎AGI的定义、现状与未来路径。诺贝尔奖得主、谷歌DeepMind首席执行官Demis Hassabis，以其在AI和科学领域的深厚积淀，公然驳斥了将当前大型语言模型（LLM）称为“博士级智能”的说法，直指这种表述“纯属扯淡” 1。这场与OpenAI首席执行官Sam Altman等乐观派的分歧，不仅揭示了对AGI技术认知的深层差异，更映射出技术、哲学与商业版图重塑的复杂图景。
技术认知的边界：何为“博士级”智能？
Hassabis的批评并非空穴来风，而是基于对“通用智能”本质的深刻理解。他指出，虽然当前的LLM在某些特定子任务上展现出“博士水平的能力”，但其整体上并不具备全面性 1。真正的“博士级智能”应是在所有领域都能达到该水准，并且不会犯低级错误 1。他强调，目前的AI不具备持续推理、适应和学习的能力，在面对稍作改变的提问方式时，甚至会在高中数学或简单计数上失误 1。
这不仅仅是技术层面的细枝末节，更是对“智能”核心要素的哲学拷问。它挑战了我们对于能力与通用性、知识广度与深度、以及智能系统鲁棒性之间的认知。MIT Technology Review的风格要求我们深入思考，这种“局部天才，全局白痴”的现象，揭示了当前AI仍停留在模式识别与概率推断的层面，远未触及真正意义上的理解与认知。
通往AGI的“创造力”鸿沟
Hassabis进一步指出，当前AI最显著的短板在于缺乏真正的“创造力”。他将其定义为人类顶尖科学家和艺术家所共有的那种“直觉式跃迁” 1。AI目前擅长在给定命题下进行证明和求解，但难以自主提出全新的猜想、假说或理论 1。他提出了两个颇具启发性的测试：
- 1905年狭义相对论测试：如果将AI的知识截断在1901年，它能否在1905年“自己想出”狭义相对论那样的理论？ 1
- 围棋发明者测试：AlphaGo虽能下出“神之一手”——第二局那手著名的“第37手”，但AI能否“发明一款像围棋那样优雅、耐玩、审美上同样动人的游戏”？ 1
这些例子直指AI在跨领域类比、模式迁移以及提出“好问题”方面的欠缺。Wired的哲学思辨提醒我们，创造力并非简单的排列组合，而是将看似无关的事物勾连起来，形成全新认知的核心能力。这种能力的缺失，是AGI发展道路上的一个核心瓶颈，意味着我们距离能够重塑科学发现乃至艺术创作的AI，仍有关键的距离。Hassabis认为，要实现这种突破，还需要一两次关键性的原创突破，而非仅仅依靠Scaling Law的持续改进 1。
DeepMind的AGI路径：混合模型与具身智能
尽管对AGI的到来时间持谨慎态度，DeepMind在Hassabis的领导下，正积极探索通往通用智能的路径。他将新DeepMind描述为谷歌和Alphabet的“发动机” 1，负责Gemini、Gemma、Veo等核心AI模型的开发。其核心战略聚焦于：
-
多模态与物理世界理解：Gemini从一开始就坚持多模态，能够看图、听音频、看视频，并输出多种形式 1。Hassabis强调，AI要走向通用智能，必须理解并操控物理世界，这是机器人和智能眼镜类助手成功的关键 1。DeepMind推出的世界模型Genie 3和Gemini Robotics，正致力于实现这一目标，Gemini Robotics甚至被构想为未来机器人领域的“Android操作系统” 1。他预测，未来一两年内，机器人领域有望迎来“Aha时刻” 1，通用模型将更强、更稳健、更懂物理世界细节，足以完全支撑机器人在物理世界的操控能力。
-
混合模型范式：Hassabis强调AlphaFold作为一种混合模型的成功经验。这种模型结合了基于概率预测的神经网络（如Transformer）和预设的确定性物理或化学规则 1。在大数据不充足或需要高精度约束的领域，将已知规则内置到模型中，可以极大地提升效率和准确性 1。他以AlphaZero为例，说明了如何通过移除定制规则、从零开始自我学习，实现模型更强的通用性 1。这种软硬结合、知识嵌入与数据驱动融合的策略，为下一代AI系统的设计提供了重要启示。
AI for Science：重塑发现范式与商业价值
AI加速科学发现（AI4S）是Hassabis投身AI领域的根本驱动力 1。DeepMind已通过AlphaFold在蛋白质结构预测上取得诺奖级别的突破 1，并将其应用扩展到材料设计、受控核聚变、天气预报乃至奥数难题 1。
在此基础上，DeepMind的衍生公司Isomorphic Labs 2，正致力于革新药物发现过程。Hassabis的愿景是将药物发现周期从数年甚至十年，缩短到几周乃至几天 1。Isomorphic Labs正构建一个能“定期、短时间”产生数十个候选药物的平台 2，并已与礼来、诺华等大型跨国医药公司深度合作 1，其内部研发项目预计明年进入临床前阶段 1。这展现了AI在生命科学领域巨大的商业潜力和社会价值，有望开辟一个数千亿美元的新兴产业。
然而，Hassabis也坦言，要真正重塑药物研发，还需要“六个AlphaFold级别的突破” 2，例如预测ADME（吸收、分布、代谢、排泄）属性，以及更精确地模拟药物-蛋白质相互作用。这揭示了AI4S领域的巨大机遇与仍待攻克的难点。
能源困境与可持续发展：AI的悖论与希望
随着大模型参数的指数级膨胀，训练和推理带来的巨大能源消耗已成为AI发展中不可回避的挑战 1。Hassabis坦承，DeepMind也面临着这一问题，但他们通过蒸馏等技术，已将模型效率提升了几十倍 1。尽管目前节约的能源又被投入到前沿模型研发中，但Hassabis坚信，AI系统为解决能源和气候变化问题所带来的贡献，将远远超过其自身的消耗 1。
他预测，未来十年，AI将在优化电网系统、设计新型材料、提升新能源效率等方面发挥关键作用 1。Wired的批判性思维在此刻显现：AI的发展既带来了环境压力，也提供了解决全球性危机的强大工具，这构成了一个深刻的悖论与希望并存的图景。理解和平衡这种双重影响，将是AI产业未来发展的重要课题。
展望：AGI的黄金时代与人类文明
Hassabis预估，距离能实现上述能力的AGI，还有大约5到10年 1。如果AGI能够以正确的方式构建，它将成为**“终极的科学工具”** 1，开启一场“科学的黄金时代”，甚至是一场“全新的文艺复兴” 1。
这不仅仅是技术进步的预测，更是对人类文明进程深层影响的洞察。当AI具备了真正的创造力、持续学习和全面的通用性，它将极大地加速知识的发现和应用，改变我们的工作方式、教育体系乃至社会结构。MIT Technology Review的前瞻性洞察和Wired的未来主义视角在此交织：我们正站在一个技术奇点的前夜，但通往这个新时代并非坦途。对AGI的谨慎定义、对核心能力（如创造力）的深入探讨，以及对技术伦理和可持续性的关注，将共同塑造我们与未来智能共存的方式。