新智元报道

编辑：KingHZ 艾伦

【新智元导读】诺奖得主哈萨比斯直击AI痛点：当前LLM远非博士级智能，仅在特定领域闪光，却缺乏全面性和一致性。真正的AGI，还񞘁-2项关键突破，等待񀙟-10年。

目前的博士级人工智能就是扯淡！

实属没想到，诺奖得主、谷歌DeepMind CEO哈萨比斯（Demis Hassabis）竟公然怒怼奥特曼。

在最近的访谈中，哈萨比斯公开表示，把如今的LLM称作「博士级智能」，纯属无稽之谈！

它们并非真正的博士级智能——虽然具备某些博士水平的能力，但整体上并不具备全面性。

而真正的通用智能，应该是在所有领域都能达到博士级别的全面能力。

真正的通用人工智能不会犯低级错误，现在的AI并不具备持续推理、适应和学习的能力。

哈萨比斯认为：目前，还大概率还缺𷯫-2项关键突破，距离真正的「博士级智能」仍񀙟�年之遥。

哈萨比斯对「博士级AI」的批评、对AGI本质能力的真知灼见，颇有市场：

左右滑动查看

不过，他对 AGI 到来时间的判断，未必准确。

除了对AGI路线的探讨，在All-In峰会上，哈萨比斯先回忆了诺奖时刻，之后系统阐述了他对世界模型、机器人、科研加速、能耗与效率的最新判断：

Genie 3把一段文字变成可实时交互的「世界」，Gemini正在成为Alphabet的「AI引擎」，而真正具备创造力与一致性的AGI，仍需关键突破与时间磨砺。

AI天才执掌DeepMind

AlphaFold助力摘诺奖

哈萨比斯，4岁成为国际象棋天才，2023年因对AI的贡献被英国皇室册封为爵，2024年获得诺贝尔化学奖。

因蛋白质结构预测，谷歌DeepMind的哈萨比斯、John M.Jumper共享𱄽/2的诺奖

但是在正式公布前的十分钟，他本人才得到获奖通知，根本来不及消化这个消息，整个人都有点懵。

随后，在瑞典参加为期一周的颁奖典礼，更是精彩绝伦，包括与王室成员的交流，每项安排都让他惊叹。

这项延�年的荣誉传统中，最让人震撼的环节是组委会有个特殊安排——他们会从保险库中取出诺贝尔奖历史签名簿。

哈萨比斯体验了终生难忘的人生高光时刻：

将自己的名字与居里夫人、爱因斯坦等历史上所有诺奖得主签在同一本名册上。

哈萨比斯作为DeepMind的CEO，是谷歌AI的掌舵人。

为了加入发展AI，谷歌和Alphabet旗下的AI团队（包括原来的DeepMind）进行了整合，成立了现在的谷歌DeepMind。

哈萨比斯把新DeepMind描述为整个谷歌和Alphabet的「发动机」。

DeepMind负责Gemini、Gemma、Veo等生成式AI模型的开发，同时负责以AlphaFold为代表的科学项目研究。

Gemini是谷歌的核心AI模型，应用到谷歌搜索、Gmail等多个产品。

他领导的全部人员大�人，超�%都是工程师或博士研究员。

谷歌开始做Gemini时，就坚持多模态——能看图、听音频、看视频，也能输出多种形式。

要走向通用人工智能，系统不能只懂语言和抽象，还得懂身边的物理世界；这是机器人之所以难、智能眼镜类助手之所以关键的原因。

他这次介绍了最新推出的世界模型Genie 3、谷歌「新安卓」Gemini Robotics以及爆火的「Nano Banana」

前两项落到一个共同方向：让AI真正理解并操控物理世界。

DeepMind在推进把Gemini Robotics做成跨机器人平台的「准操作系统层」，可以把它理解成机器人的「androids」。

哈萨比斯认为机器人还处在偏早期的阶段，但接下来一两年里，大概率出现「Aha时刻」。

而未来几年，通用模型更强、更稳健、更懂物理世界的细节，足以完全支撑机器人在物理世界的操控能力。

关于未来创意工作将如何发展，哈萨比斯表示：顶尖的创意者，依然会主导引人入胜的体验和动态故事线；他们可能变为「世界观的编辑」，负责引导和整合众人的集体创造力。

AGI路在何方？

AI的科学应用是哈萨比斯最关心的方向。

他之所以把整段职业生涯押在AI上，就是为了用它加速科学发现、改善人类健康。

如果以正确方式构建AGI，它会成为终极的科学工具。

过去几年，DeepMind已经展示了不少路径：最出名的是AlphaFold，但谷歌也把AI用在材料设计、受控核聚变装置的等离子体控制、天气预报、甚至奥数级别的数学问题上。

相同范式的AI系统，加上一点任务定向的微调，就能在很多复杂领域里起作用。

哈萨比斯认为AI加速科学发现才刚刚开始。

当然，目前还缺一块：真正的「创造力」。

在给定命题的前提下，今天的AI能去证明、去求解，但还谈不上自己提出全新的猜想、假说或理论。什么时候它能自主提出好的问题，那也许才是一项关键的里程碑测试。

什么是「创造力」？

哈萨比斯认为：那是我们常为之喝彩的「直觉式跃迁」——历史上的顶尖科学家和艺术家都会做的那种跨越。

也许，创造力靠的是类比，靠把看似无关的事物勾连起来。

心理学和神经科学对人类如何做到这一点各有理论，但一个可操作的测试是：

把一套现代AI的知识截断�年，看看它能不能�年「自己想出」狭义相对论那样的理论。

如果能，那就说明人类触及到了真东西，也许AGI近在眼前。

再举个例子：十年前，AlphaGo不仅击败了围棋世界冠军，它还下出「神之一手」——第二局那手著名的「�手」。

但问题是：AI能不能不仅发明新策略，而是「发明一款像围棋那样优雅、耐玩、审美上同样动人的游戏」？

答案目前是否定的。这正是距「通用」的短板：真正的AGI，也该能做到这种层面的创造。

那具体还缺什么？

Anthropic的Dario、OpenAI的奥特曼认为，AGI不久就能到来。

哈萨比斯更谨慎。他认为核心在于：我们能不能复现人类最优秀科学家那种「直觉式跃迁」，而不只是循序渐进的改良？

伟大科学家和优秀科学家的差别，不在于基本功，而在于创造力：他们能从别的学科里捕捉到某种模式，把它类比、迁移到当前难题上。

哈萨比斯相信AI终会做到这一点，但如今在推理思维方式上，AI仍欠火候，难以支撑这种突破。

另一个短板是「一致性」。

奥特曼等人称目前AI已达到「博士级智能」，哈萨比斯认为并非如此。

在若干子任务上，他们已达到「博士水平」，但并不意味着「全面博士级」。

而「通用智能」恰恰意味着在各个维度都能稳定地达到那个水准。事实是，我们都见过：

只要换个提问方式，当下的聊天机器人会在高中数学、甚至简单计数上犯低级错。

对真正的AGI来说，这种情况不该发生。距离能完成上述能力的AGI， 哈萨比斯认为还有大񁼙�年。

除此之外，AI还缺「持续学习」的能力：能在线吸收新知识、及时调整行为。

也许，Scaling Law会继续带来部分改进。

但如果要下注，哈萨比斯认为还需要一两次关键性的原创突破，而这些突破很可能会在未来五年内出现。

破解科研难题，AI4S持续发力

除了已经取得大量重磅成果摘得诺奖的AlphaFold外，AI也将助力提高能源效率，解决自身需要的海量能源带来的衍生问题。

AlphaFold这类混合模型，是AI未来发展方向

AlphaFold是一种混合模型。

所谓混合模型，是指同时使用概率性模型和确定性模型。

概率性模型是目前大模型普遍都在使用的基于概率预测下一个Token的模式，而引入确定性模型是大模型取得关键进步的下一步方向。

确定性模型遵循固定的逻辑算法，相同的输入必然得到相同的输出。

例如在大模型中引入真实世界的物理规则与化学规则，就是确定性模型。

哈萨比斯也在采访中，详细介绍了AlphaFold这个混合模型。

AlphaFold有一个学习组件，也就是概率组件，基于神经网络和Transformer等技术，能从提供的任何可用数据中学习。

但在生物学和化学领域，很多时候数据并不充足。因此，必须将一些已知的化学和物理规则内置到模型中。

在AlphaFold中，需要设定原子间的键角，并确保模型理解原子不能重叠等基本物理约束。

键角有约束规则

理论上，模型可以自己学会这些，但这会极大浪费模型的学习能力。

所以，将这些规则作为约束条件直接加入，是更高效的做法。

哈萨比斯也表示，无论是AlphaGo还是其他混合系统，其关键和难点都在于如何将学习系统与一个更偏向于人工设计的、定制化的系统完美结合，让它们协同工作。这其实相当有挑战性。

他认为，最终的目标是，当通过混合系统取得进展后，应将这些经验反哺并整合到学习组件中。

为了更具体地说明这点，哈萨比斯举了从AlphaGo到AlphaZero的例子：

这有点像我们对 AlphaZero 所做的改进。

AlphaZero是AlphaGo的一个更通用的版本，AlphaGo内部包含了一些针对围棋的特定知识。

但在 AlphaZero中，我们移除了这些定制规则，包括我们用来训练的人类棋谱数据，而是让它从零开始，通过自我对弈进行学习。

最终的结果是，它不仅能下围棋，还能学会任何其他的棋类游戏。

AI加速药物发现

哈萨比斯仍在管理Isomorphic。

这家公司是DeepMind的衍生公司，建立在AlphaFold蛋白质折叠预测的突破之上，致力于革新药物发现。

了解蛋白质结构只是药物发现过程的第一步，以便后续解决问题，如设计出能与蛋白质靶点精准结合且无副作用的化合物。

哈萨比斯表示，在未来十年内，有望将药物发现的周期从数年甚至十年，缩短到几周乃至几天。

Isomorphic正在构建平台，礼来（美国大型跨国医药公司）、诺华（英国大型跨国制药公司）也将深度参与其中。

Isomorphic自己内部也同步开展了药物研发项目，预计明年即可进入临床前阶段。

Isomorphic目前正在把重心放在癌症和免疫学等领域，并与美国MD安德森癌症中心这类全球顶尖机构进行科研合作。

与此同时，DeepMind也在着力研究AlphaFold模型的更先进版本，让模型不仅能够理解蛋白质相互作用，还能理解更多内容，从而助力药物研发。

AI能源需求庞大，但为优化能源效率贡献更大

随着大模型参数不断膨胀，训练和推理带来的巨大能源消耗也越来越成为一个万众瞩目的问题。

面对指数级增长的能源需求曲线，哈萨比斯解释了DeepMind是如何应对的。

由于背靠谷歌这个全球最庞大的AI应用场景，极高的效率、极低的延迟和极低的服务成本是对模型的迫切要求。

DeepMind使用蒸馏等技术来提高模型效率，在同等性能下，效率提升了几十倍。

然而，由于大家仍在探索AGI的路上，节约下来的能源又被投入到前沿模型研发上了。

当然，哈萨比斯也指出，AI系统为解决能源和气候变化问题带来的贡献，将远远超过其自身的消耗。

可能的贡献包括优化电网系统、设计具有新特性的材料，以及提升新能源的效率等。

未来十年，人工智能将在很大程度上帮助我们解决这些重大挑战，其贡献将远超今天的能源消耗。

哈萨比斯认为，十年后若AGI降临，将开启一场科学的黄金时代，也将是全新的文艺复兴。

参考资料：

http://www.youtube.com/watch?v=Kr3Sh2PKA8Y

http://x.com/vitrupo/status/1966752552025792739

http://x.com/rohanpaul_ai/status/1966950863685157368