当所有人还在讨论谁的模型参数更多时，Google DeepMind 的 CEO 已经开始谈论算法创新了。

---

2026 年 4 月，Google DeepMind 联合创始人兼 CEO Demis Hassabis 在 20VC 播客中接受了一个长达数小时的访谈。

访谈的内容很多，但最让我在意的是这句话：

“旧一轮 scaling 红利并没有消失，但已经开始走到后半段。”

这句话从 Demis 嘴里说出来，分量不一样。

毕竟，DeepMind 是做出 AlphaGo、AlphaFold 的团队，也是目前地球上最有资格谈论 AGI 的实验室之一。

当他说"把模型做大"的红利快吃完了，我们得认真听听，下一阶段的胜负手到底是什么。

---

01 AGI 时间表：五年内，概率很高

访谈一开始，主持人就问了一个老问题：AGI 到底是什么？我们离它还有多远？

Demis 给出的定义很简洁：能够展现人类心智全部认知能力的系统。

时间表呢？

“未来五年内出现 AGI 的概率很高。”

但有意思的是，他说这个时间表其实并没有比之前想的更近。

DeepMind 在 2010 年创立时，联合创始人 Shane Legg 就写过博客，根据算力增长和算法进步推演，大概二十年左右会走到 AGI。

现在回头看，基本还在那条轨道上。

换句话说，AGI 不是突然加速了，而是按照他们当年的推演，正在如期到来。

---

02 算力瓶颈：永远不够

主持人问了一个很直接的问题：现在最卡住我们的是什么？

Demis 的回答很干脆：算力。

原因有两层：

第一层很直观——你需要更大的系统、更多参数、更大的训练规模。

第二层容易被忽略——算力是实验台。

“你有一个新的算法想法，必须在足够合理的规模上验证它，否则你根本没法知道，这个想法放进真正的大系统后还能不能成立。”

所以只要你有很多研究者、很多新想法，你就永远需要更多算力。

这也是为什么全球几家前沿实验室都在疯狂建数据中心、囤 GPU——算力本身就是护城河。

---

03 Scaling Laws：红利进入后半段

但真正值得注意的，是 Demis 对 scaling laws 的判断。

现在很多人都在说，scaling law 可能已经见顶了，模型进步开始进入平台期。

Demis 不这么认为，但他的表述很细：

“最开始各家都在做大语言模型的时候，每一代系统之间确实都有极其巨大的跃升。但这种幅度不可能永远保持下去。”

回报依旧可观，只是没有最开始那么夸张了。

这句话的潜台词是：

旧一轮 ideas 的红利正在被越榨越干。

那下一轮靠什么？

---

04 真正的胜负手：发明新算法

这才是整场访谈最核心的判断。

主持人问：模型能力是不是正在商品化？不同实验室之间的差距会不会越来越小？

Demis 的回答完全相反：

“现在最前面的三四家实验室，差距反而会开始重新拉开。”

原因是什么？

“那些还具备发明新算法能力的实验室，在接下来几年里会有更大的优势。”

换句话说：

下一阶段能继续拉开差距的，不再是规模，而是谁还能继续发明新算法。

如果今天还把前沿 AI 竞争理解成"谁能继续把模型做得更大"，那真正更冷、更硬的那层判断，反而会被直接漏掉。

---

05 四大能力缺口：什么让现有系统不像"通用智能"

Demis 列出了现有系统最不像 AGI 的四个地方：

1. 持续学习

系统在训练完成、发布到世界里之后，并不能很好地继续学习新东西。

“大脑在这件事上做得非常优雅，也许和睡眠、强化学习之类的过程有关。”

2. 记忆系统

现在大家用超长上下文窗口，其实有点过于蛮力——就是把所有东西一股脑塞进去。

“这里还会有很多有意思的新架构被发明出来。”

3. 长期规划

分层规划、长时间尺度上的规划，现有系统并不擅长。

4. 一致性

“我有时把这些系统叫作’参差不齐的智能’——它们在某些事情上非常惊人，但你稍微换一种提问方式，它们又可能在一些很基础的地方失败。”

真正的通用智能，不应该是这样坑坑洼洼的。

---

06 开源 vs 闭源：长期分层

关于开源模型的未来，Demis 给出了一个很具体的判断：

开源模型大概率会长期比绝对前沿落后一步，大概半年左右。

但这不意味着开源不重要。

DeepMind 自己也在认真做 Gemma 这样的开源模型，目标是让它们在各自尺寸上做到最好，尤其适合：

• 小开发者
• 学术研究者
• 早期创业团队
• 边缘计算场景

所以这不是"开源赢"或者"闭源赢"的简单问题，而是长期分层。

---

07 AI for Science：Demis 真正的押注

整场访谈里，最让人兴奋的部分其实是 AI for Science。

Demis 说：

“我一直把 AGI 视为科学和医学的终极工具。”

AlphaFold 之后，他们成立了 Isomorphic Labs，想做的是药物发现流程剩下的部分：化学设计、化合物优化、毒性和安全性评估。

“我觉得未来五到十年内，我们会把这套药物设计引擎做出来。”

再往后，AI 还能帮助临床试验环节——比如模拟人体代谢的一部分过程，帮助患者分层。

真正的革命会发生在后面：

当一批 AI 药物真正通过整个流程之后，监管机构积累了足够数据，也许未来就能信任模型预测到某个程度，从而跳过一部分步骤。

除了药物，还有：

• 电网效率（可能提升 30%-40%）
• 天气和气候建模
• 聚变、新电池、超导材料

“如果 AI 只是更会聊天，那不是我最想做的事。”

---

08 安全与监管：需要国际协调

安全问题当然绕不开。

Demis 说他主要担心两件事：

第一，坏人滥用。 因为 AI 是双用途技术，既能用于科学和健康，也能被拿去做有害的事。

第二，技术层面的约束。 当系统更强、更具代理性、更自主之后，能不能真正被约束在护栏内。

他的解决方案是：

“至少在前沿提供者之间建立最低标准，而且理想情况下要有国际层面的协调。”

他甚至提到了一个长远的想法：

“某种国际层面的机构，某种意义上有点像国际原子能机构那样。”

---

09 社会冲击：10 倍工业革命，10 倍速度

最后，关于劳动力市场和财富分配，Demis 给了一个很重的比喻：

“AGI 的到来是’10 倍工业革命，10 倍速度’——在十年内完成过去一百年的剧烈变化。”

每一轮革命性技术都会替换掉一部分旧工作，同时创造一些事先很难想象的新工作。

但这一次的尺度会比互联网、移动互联网都更大。

“所以我们这次必须比工业革命时期更早、更主动地去处理副作用。”

财富分配也是一个问题。如果生产率暴涨，但收益高度集中到少数公司和少数国家，怎么办？

他的想法包括：

• 养老基金更系统地配置大型 AI 公司
• 国家主权财富基金
• 政府把收益转换成基础设施、公共服务

“如果收益只在很窄的地方累积，而不被重新分配，那会成为非常大的问题。”

---

写在最后

整场访谈读下来，我最大的感受是：

AGI 正在从一个远景判断，变成一个现实工程问题。

谁先补齐持续学习、记忆系统、长期规划、一致性这些缺口，谁就更可能定义未来五年的 AI 格局。

而 Demis 真正想被记住的，不是做出了多强的 AI，而是：

“推动科学进步，做出能真正给世界带来巨大好处的技术。”

五年后回头看，这句话可能会很重要。

---

参考：20VC 播客对 Google DeepMind CEO Demis Hassabis 的访谈