一场由 Y Combinator 主办的访谈中，Google DeepMind 联合创始人兼 CEO 德米斯·哈萨比斯（Demis Hassabis）深入探讨了通用人工智能（AGI）、智能体（Agents）、AI 在科学领域的应用以及对创业者的建议。以下是其主要言论的详细总结：

1. 关于 AGI 的架构与时间表

  • AGI 预测：哈萨比斯重申了他对 AGI 出现的时间预测，大约在 2030 年 左右 [00:00:13]。他提醒创业者，如果现在开始一项为期 10 年的深科技（Deep Tech）创业，必须考虑 AGI 在这一过程中期出现的可能性 [00:39:35]。

  • 现有架构的局限：他认为当前的预训练（Pre-training）、强化学习（RLHF）和思维链（Chain of Thought）等技术将是 AGI 最终架构的一部分，不会是“死胡同” [00:02:22]。

  • 缺失的拼图：要实现真正的 AGI，目前仍缺少 1-2 个大创意，核心挑战包括：

    • 持续学习（Continual Learning）：模型能够像人脑一样，在睡眠或休息时通过“经验回放”整合新知识，而不是目前这种“死记硬背”的方式 [00:04:04]。

    • 长期推理（Long-term Reasoning）：目前的系统在复杂推理中仍会出现“锯齿状智能”，即能解极难的数学题，却会在简单逻辑上犯错 [00:15:05]。

    • 记忆系统：目前的“长上下文窗口”类似于人类的短时工作记忆，虽然强大但效率低且成本高。他认为将所有东西塞进上下文窗口的做法并不理想，需要更优雅的长期记忆解决方案 [00:05:41]。

2. 智能体（Agents）是通往 AGI 的必经之路

  • 主动系统：他强调 AGI 必须是一个能够主动解决问题、制定计划并独立完成任务的“主动系统” [00:00:26]。

  • 智能体现状：虽然目前智能体非常火热，但他认为我们仍处于实验阶段。真正的价值将在未来 6 到 12 个月内 显现，届时智能体将从“演示玩具”转向能显著提升效率的实用工具 [00:17:49]。

  • 缺失的适应性：目前的智能体还无法很好地适应特定语境，这限制了它们处理完整任务的能力 [00:13:04]。

3. 模型蒸馏与边缘计算

  • 小模型的价值：DeepMind 擅长将大模型的能力蒸馏到更小、更快的模型（如 Gemini Flash 和 Nano）中 [00:08:22]。

  • 端云协作：他预见到未来的一种端状态：处理个人隐私、音视频流的小模型运行在本地（手机、眼镜或机器人上），只有在遇到复杂问题时才调用云端的大模型 [00:12:01]。

4. AI 改变科学研究（AI for Science）

  • AlphaFold 的后续：AlphaFold 已经改变了生物学，几乎所有药物研发过程现在都会用到它 [00:29:41]。

  • 虚拟细胞（Virtual Cell）：他预测在大约 10 年内，我们将能实现对完整细胞的模拟，这能跳过大量的实验搜索步骤，并生成合成数据来训练其他模型 [00:26:34]。

  • 科学发现的模式：他寻找那种具有“海量组合搜索空间”且有“明确目标函数”的科学问题（如蛋白质折叠），这些是 AI 发挥作用的绝佳领域 [00:34:47]。

  • 爱因斯坦测试：他提出了一个衡量 AI 创新能力的测试：给系统提供 1901 年以前的知识，看它能否像爱因斯坦在 1905 年那样自主推导出狭义相对论 [00:37:25]。

5. 对创业者的建议

  • 深科技（Deep Tech）：他鼓励创业者去解决那些困难的、跨学科的问题，尤其是 AI 与原子世界（材料、医学等）结合的领域。这些领域具有更高的技术壁垒，不易被基础模型的简单更新所取代 [00:31:14]。

  • 保持激情：哈萨比斯分享了自己的经历，称自己从青少年时期就决定要研究 AI，无论成败都会坚持下去。他建议创业者也要投入到自己真正热爱、即使失败也愿意为之奋斗的事业中 [00:32:52]。

  • 工具与灵魂：他指出，虽然 AI 可以极大地提高效率（例如 30 分钟做一个游戏原型），但成功的作品仍需要人类的“灵魂”和审美（Taste） [00:17:16]。

这个视频展示了哈萨比斯对 AI 未来的高度乐观，同时也揭示了他在追求 AGI 过程中极其严谨和科学的态度。