承认误判：LLM 的意外扩张与哈萨比斯反思
在公开场合，Google DeepMind 的联合创始人兼 CEO Demis Hassabis 以理性冷静的科学家形象著称。但在近期一系列深度访谈中，他坦言自己曾经“低估了大语言模型的能力和发展速度”。这种坦率在顶级 AI 研究者中并不多见。多年前，他曾认为基于自回归预测的 LLM 路径只是一条“局部最优解”，无法通向真正的通用人工智能（AGI）。不过，过去两年间 GPT-4、Claude 3、Gemini 等的表现，以及它们在代码生成、逻辑推理、多模态理解上的突破，迫使哈萨比斯重新审视这一技术路线。
他向公众承认：“我过去认为仅靠扩大模型规模不足以产生推理能力，但现在看来，规模化的确带来了许多意想不到的涌现行为，这超出了我最初的预期。”这一反思并非全盘否定自己的判断，而是承认 LLM 在模式识别和知识压缩方面的巨大潜力。但同时他强调，这种路径仍缺少通往 AGI 的关键拼图——世界模型。
通往 AGI 的三块“缺失拼图”
哈萨比斯在 2025-2026 年的多次访谈中（包括 Axios AI+ Summit、诺奖获奖后专访等）系统性地描述了当前 LLM 的三大核心缺陷，他认为这三项突破是实现 AGI 的必要条件。
第一：知识冻结与持续学习
当前的 LLM 在训练完成后，其内部权重就固定下来，无法像人类那样在实时交互中更新知识。这种“一次训练、终身使用”的模式导致模型无法快速适应环境变化，也无法从与用户的对话中持续积累经验。哈萨比斯认为，真正的 AGI 必须具备在线持续学习的能力——能在不遗忘旧知识的前提下不断吸收新信息。
第二：长期规划与推理一致性
现有大模型擅长“一句接一句”的局部生成，但缺乏对长程目标的规划能力。当需要执行复杂任务（如写一篇论文、设计一个实验）时，模型往往在中期出现逻辑断层或目标漂移。还有，模型的“一致性”问题突出：在不同时间、不同语境下可能给出矛盾的回答。哈萨比斯指出，AGI 需要融合 深度规划算法（如 AlphaGo 中的蒙特卡洛树搜索）来保证长期行为的一致性。
第三：缺失的世界模型
这是哈萨比斯最强调的差距。他认为，LLM 本质上是在学习语言的统计规律，而非像人类那样在头脑中建立一个可操作的因果世界模型。缺乏世界模型的 AI 无法进行有效的反事实推理、物理模拟和新概念抽象。DeepMind 团队正在探索将强化学习、结构化因果模型与语言模型融合的路径，目标是让 AI 能够像 AlphaFold 预测蛋白质结构那样，对现实世界进行因果建模。
AGI 时间线：从 5 年到 10 年的预期调整
哈萨比斯对 AGI 实现时间的判断经历过数次调整。在 2024 年之前，他相对保守，认为需要“几十年”。但在 2025 年底至 2026 年的访谈中，他将时间窗口缩短为 5 年以内，概率高达 50% 以上。但同时他也明确表示：
“我认为还需要两个类似 AlphaGo 或 AlphaFold 级别的突破性的科学创新，才能真正触达 AGI。”
具体而言，他认为 2027-2028 年左右可能出现第一个具备通用推理雏形的系统，而到 2030 年前后，我们可能迎来能够胜任绝大多数人类认知任务的通用智能体。这一判断与 OpenAI、Anthropic 等机构的高管预测大致吻合，但哈萨比斯更强调“科研突破”而非“规模扩展”的作用。
后稀缺世界的雏形：资源丰裕与分配挑战
当 AGI 实现后，世界将进入“后稀缺”状态——这是哈萨比斯在多次演讲中描绘的远景。他对比工业革命：后者用 100 年将人类生产力提升了约 10 倍，而 AGI 带来的变革将在 10 年内达到同样量级。能源、制造、医疗、教育等领域的效率将指数级提升，许多当前稀缺的资源（如优质教育、医疗诊断、能源）可能转变为近乎免费的基础服务。
但哈萨比斯同时警告，这并非自动导向乌托邦。他引用了诺奖得主关于财富集中和技术垄断的研究，指出：
- 劳动力替代：短期内大量白领、蓝领岗位可能被 AI 自动化取代，但长期来看，新职业形态会涌现。
- 能源约束：AGI 的算力需求可能吞噬全球 10% 以上的电力，需要核聚变等突破与之同步。
- 治理风险：若少数实体垄断 AGI 能力，可能导致前所未有的权力不平等。
所以，哈萨比斯主张“深科技 + AI”的创业路径：不是单纯在 LLM 应用层做微调或包装，而是利用 AI 去攻克真正的硬科技（如可控核聚变、蛋白质设计、新材料发现），从而创造增量价值，而非在存量中内卷。
对创业者的启示：从应用层内卷到深科技突围
参考其 2026 年 5 月的公开对话，哈萨比斯指出当前 LLM 应用层正面临极度同质化竞争——所有人都使用相似的 API 搭建产品，护城河极低。他建议创业者将目光投向那些“AI 能够加速但人类难以独立完成”的科学和工程领域，例如：
- 药物分子设计与临床试验模拟
- 气候模型与碳捕捉材料优化
- 自动化实验室与机器人操控
- 量子计算控制算法
他指出，真正的护城河来自于数据闭环和物理世界交互能力：谁能获取高质量的结构化科学数据，并让 AI 在真实实验中不断验证和修正模型，谁就拥有了无法被通用 API 轻易复制的核心壁垒。
安全对齐与未来议程
哈萨比斯多次强调，AGI 的研发不能只追求能力增长，而必须同步进行对齐研究。DeepMind 内部设有独立的安全研究团队，专注于：
- 可解释性：让模型内部决策过程透明化。
- 人类价值观的内化：通过示范学习和逆强化学习让智能体理解深层偏好。
- 鲁棒性：在分布外场景下依然保持安全行为。
他提出一个形象的观点：“如果把 AGI 比作核能，那么对齐就是反应堆的控制棒。没有控制棒，再大的能量也只是灾难。”
总结与展望
哈萨比斯对 LLM 的谦逊评估——承认自己低估了规模化带来的涌现能力，同时坚持通往 AGI 需要世界模型——反映了一位顶尖科学家既尊重事实又坚守科学直觉的平衡态度。他对后稀缺世界的构想既充满希望又要求警惕：AGI 可能在未来 5-10 年内彻底重塑社会，其影响相当于工业革命的 10 倍，但时间压缩到十分之一。我们能否在此之前建立起安全框架、治理机制和公平分配的国际协议，将决定这场变革是导向人类福祉的飞跃，还是走向不可控的风险。
对于从业者而言，最务实的行动或许是：放弃在 LLM 应用层的无意义内卷，转而深耕“AI + 深科技”的交叉地带——那里不仅有更宽的护城河，也可能孕育出下一个 AlphaFold 级别的突破。