2025 年 12 月 4 日，Axios AI+ 峰会。最后一场对话，Axios 联合创始人 Mike Allen 对面坐着去年诺贝尔化学奖的获得者， Google DeepMind CEO Demis Hassabis。当被问到离 AGI 还有多远时，他没有回避：我们距离 AGI，只差一到两个 AlphaGo 级别的技术突破。

这句话让整个 AI 圈震动，因为说得太具体。但这不是拍脑袋的预测，而是基于当前技术进展做出的推理。

关键的是，他还把 AI 竞赛的底层逻辑说透了：不是谁烧的钱多、GPU 多，而是谁能把研究、工程、产品全打通。

第一节｜AGI 快到了？他凭什么这么说

Hassabis 给出的时间窗口是 5 到 10 年内实现 AGI。 这不是从模型参数规模推断，而是基于几个非常具体的进展：

1、模型从文本专家变成多模态理解系统

Gemini 最让他惊讶的，不是写代码或生成文字，而是能看懂视频，读出动作背后的意图。

他测试 Gemini 时播放了电影《搏击俱乐部》的片段，主角在打斗前摘下戒指。他随口问：

这个动作有什么意义？

Gemini 没有只描述表面动作，而是给出了一段深度解读：这是抛开身份、摆脱规则的象征，是角色从现实到极端的转变。

Hassabis 的评价是：震惊。

因为这已经超出了模式识别，开始具备洞察能力。

2、模型有自己的判断，不再只是迎合

Hassabis 特别提到，Gemini 做到了一件小事，但意义重大。就是当你说：你错了，它不会一味迎合，而是会温和地反驳你。

这不只是对错判断，而是模型在理解上下文、纠正偏差的同时，还能控制语气、平衡表达。

Hassabis 说他喜欢 Gemini 的性格：简洁、冷静、有自信，不讨好。

这意味着模型开始摆脱聊天工具定位，向稳定人格型系统靠近。

3、从生成内容到打造产品

Gemini现在能完成两件事：

一键生成可玩的小游戏：以往需要数周开发，现在数小时生成完整原型

生成前端网页：不只写代码，还知道怎么让它好看、好用

这背后是模型对代码结构、设计逻辑、交互体验的整体理解。不只是生成文字，而是能做出可以直接用的东西。

当前模型已经开始具备理解能力、判断能力和创造能力。

所以他说：我们非常接近了，只差一两个 AlphaGo 级别的技术突破。

第二节｜但还不是 AGI：差在哪？

这些能力在突破，但他同样承认：我们还没到 AGI，现在的模型还有明显短板。

如果说上一节讲的是它已经能做什么，这一节就是它还做不到什么。

1、不具备持续学习能力

当前大模型不能持续学习，它们只能用训练时的数据一次性学完。

这意味着：它不会在使用过程中成长，不会因与用户互动变得更聪明，不像人类那样用经验改正错误。

在线学习和长期记忆系统，是通向 AGI 的关键突破之一。

2、无法执行长期规划

尽管模型在单轮推理、代码生成方面越来越强，但它无法执行长链式推理，无法制定和执行一个长期目标。

这不是能力不够，而是底层结构未设计为多步决策系统。AGI 需要能完成为期数天的科研任务，适时调整策略，分阶段达成目标。

现阶段的模型更像是即时响应系统，而不是目标驱动系统。

3、 智能体系统仍不稳定

谈到 Gemini 的通用助手目标时，他强调：我们还不能把整个任务交给它们，并确信它们会完成。

现在的智能体还不能在复杂环境中可靠执行多步骤任务。

智能体能否稳健运行，决定了 AGI 能否落地到实际场景中。

4、 缺乏跨对话的稳定记忆

尽管 Gemini 有“性格”，但它只在单次对话中保持一致，而非真正拥有个性记忆的智能体。

真正的 AGI，要能：

保持立场一致（前后不自我矛盾）

记住用户长期偏好（记忆与决策协同）

根据上下文调节行为，而非重新开始

这需要更底层的架构设计，比如长期记忆网络、目标保留机制，而不只是优化提示词。

那么，这些突破会从哪里来？

第三节｜关键突破会来自哪？他给了两个方向

Hassabis 没有直接列出那一到两个 AlphaGo 级别突破具体是什么，但他在对话中指出了两条明确路径。

这也是他正在推进的方向。

1、 世界模型：让 AI 理解物理世界的运行规律

DeepMind 有一个叫 Genie 的世界模型，你可以生成一个视频，然后像在游戏里一样在里面走动，保持一分钟的连贯性。

Genie 的意义不只是生成视频，而是建立一个具备物理一致性和时空连贯性的虚拟世界。它不靠数据堆砌，而是模拟世界运行逻辑。

这意味着 AI 正在：

从看懂画面跳到理解物理规律，

从处理文本跨越到推演真实世界。

能构建并理解模拟环境的多模态世界模型，是 AGI 的基础。

2、 智能体系统：从回答问题到完成任务

现在模型虽然能聊天、写代码，但还无法让人放心地把整个任务交给它，并确信能从头到尾完成。

Gemini 的通用助手愿景，就是要解决这个问题，就是下一代智能体：

嵌入到眼镜、生活场景、工作流中，

能记忆、能推理、能代办，

不只回答问题，而是完成目标。

如果能打造出能自主规划、执行任务并根据结果调整的稳定智能体系统，AGI 将不再遥远。

这也是为什么他强调，单纯扩大 LLM 规模不会带来 AGI，真正的突破来自世界建模和智能体系统的技术创新。

第四节｜变量：风险与竞赛

不过，5-10 年的预测有个前提：AGI 不是时间到了就能实现，路上还有很多变数。

最大的不确定性，来自技术风险和地缘竞赛。

1、技术风险与防护措施

主持人提出一连串尖锐问题：恶意行为者会不会用 AI 合成病原体？攻击基础设施？智能体会不会脱离控制？

Hassabis 的回答是：

“这些风险都存在，概率不为零，但没人知道确切数字。唯一能做的是认真对待并提前准备。”

他梳理了三种主要风险：

恶意使用：坏人利用 AI 做坏事，特别需要防范黑客和有组织犯罪

智能体跑偏：AI 越复杂越容易偏离指令，但还没到完全失控的程度

安全机制失效：AI 在持续学习中可能逐渐偏离安全边界

但他同时指出，市场本身会形成防护措施：企业不会买不安全的智能体。企业客户会要你证明 AI 可靠，一旦出问题就会换供应商。商业逻辑会奖励更负责任的 AI 公司。

AI 安全竞争的核心是信任，谁能让客户相信，谁就能活下来。

2、 中美竞赛：领先窗口只有几个月

谈到地缘技术格局，Hassabis 说：

西方目前在算法和创新层面仍领先，但中国没有落后太远。

他点名中国的 Qwen 和 DeepSeek 模型，它们技术能力强、进展快，尤其在执行层面、迭代速度、模型规模上跟得很紧。

差距是几个月，而不是几年。

AGI 的竞争窗口正在压缩，中美不是第一对第二，而是在两条平行赛道齐头并进。

安全是前提，速度是关键。谁能在保证安全的前提下跑得更快、做得更全，谁就能在竞赛中领先。

第五节｜竞争优势：真正的护城河是科学方法

技术进展可以追，GPU 资源可以买，工程团队可以组。

但对 Hassabis 来说，决定谁能真正走到 AGI 终点的，不是能干什么，而是怎么干。

1、 科学方法，是文明级别的工具

主持人问他为什么总是强调自己首先是科学家。

他说：

“科学方法可能是人类历史上最强大的工具。它催生了启蒙运动，也催生了现代文明。”

开发 AI 也是同样的道理，不是简单的技术进化，而是用科学方法一点点逼近人类智能的本质。

2、 不迷信单一路线，全面试错

DeepMind 早期并不迷信 LLM。他们同时探索强化学习（AlphaGo、AlphaZero）、认知架构、神经科学建模，还发现了后来被广泛应用的 Chinchilla scaling law。

当外界还在争论强化学习好还是 Transformer 好时，DeepMind 的策略是：

全面探索、

严格追踪数据表现、

保留多个可能性并不断验证。

这是 DeepMind 的最大非技术资产：科学决策能力。

3、 真正的优势，把未知问题变成可用产品

当被问到 DeepMind 的优势时，Hassabis 这样总结：我们把世界级的研究、工程和基础设施融合在一起，这是我们独有的能力。

他强调的不是资源规模，而是三者的配合：

研究有原创能力也能落地验证

工程不只写代码而是构建完整方案

基础设施不是烧钱而是让技术以正确方式变现

总的来说，DeepMind 真正的护城河，是怎么把一个从没被解决过的问题，转化为真正可用的产品。

结语｜时间窗口正在关闭

Hassabis 给出了时间表：5-10 年，1-2 个突破。

这不是预测，而是基于技术进展的工程判断。竞争窗口正在快速关闭，留给所有人的时间不多了。

你今天的每个选择，都将决定未来的位置。

标签: AGI