谷歌 DeepMind 首席執行官、諾貝爾化學獎得主 Demis Hassabis 近日在 Y Combinator 活動上深入剖析了通用人工智能（AGI）的演進路徑，爲深度科技領域的創業者提供了極具前瞻性的戰略指引。Hassabis 明確指出，任何啓動爲期十年的深度科技項目都必須將 AGI 的發展納入核心規劃，因爲這一技術變革極可能在項目中期發生。

與此同時，他透露由 DeepMind 衍生出的 AI 藥物發現公司 Isomorphic Labs 即將發佈重要消息，預示着該領域即將迎來實質性突破。

關於 AGI 的最終架構，Hassabis 認爲現有的大規模預訓練、強化學習框架及思維鏈等技術組件幾乎肯定會成爲最終形態的一部分，這些技術已證明了其價值且不太可能在短期內被證僞。

然而，午方 AI 注意到，Hassabis 強調當前技術仍存在關鍵短板，特別是持續學習、遠距離推理以及特定記憶功能尚未得到徹底解決。他分析認爲，要實現真正的 AGI，或許只需再突破一兩個關鍵節點，但這一過程可能需要漸進式創新來彌補現有架構的不足。

在技術細節層面，上下文窗口的大小被類比爲工作記憶的範圍。人類平均工作記憶僅能處理七位數字的信息量，而當前 AI 模型的上下文窗口雖可達數百萬甚至數十億個信息單位，但處理方式仍顯粗糙。Hassabis 指出，若試圖處理實時視頻流並存儲所有相關信息，一百萬個信息單元僅能支撐約 20 分鐘的處理時間。

此外，他在演示中發現，即便是像 Gemini 這樣先進的模型，在下棋時也可能因無法找到更優替代方案而陷入循環，最終選擇錯誤走法，這反映出系統在精確推理和反思機制上仍有缺失。

針對智能體（Agent）系統的發展，Hassabis 表示這是實現主動解決問題的關鍵方向，目前我們纔剛剛起步。他觀察到，現有的高級 Pro 模型在發佈後六到十二個月內，其功能有望被壓縮至可在邊緣設備運行的小體積模型，這意味着我們尚未觸及信息密度的理論極限。午方 AI 梳理發現，Hassabis 還提出了著名的“愛因斯坦測試”，即檢驗系統能否僅憑 1901 年的知識獨立推導出 1905 年愛因斯坦的相對論等成就，一旦達成，將意味着系統具備發明全新知識的能力。

在科學突破的維度上，Hassabis 認爲解決千年難題固然了不起，但提出一組讓頂尖數學家認爲值得終身研究的新千年難題更具挑戰性。他鼓勵創業者將精力投入到那些他人不願涉足的複雜問題中，因爲追求複雜與簡單問題的本質相似，只是難度表現形式不同。對於當前 AI 系統在處理重表述問題時出現基礎數學錯誤的現象，他認爲系統缺乏對思考過程的深度反思能力，這是邁向 AGI 必須跨越的障礙。

最後，Hassabis 回顧了從神經科學中借鑑的“夢境循環”機制，該機制曾幫助 2013 年的 DQN 模型在 Atari 遊戲中取得突破。他坦言，目前 AI 系統仍在使用類似海馬體整合情景記憶的臨時解決方案，試圖將所有信息塞入有限上下文窗口的做法並不理想。午方 AI 分析認爲，儘管理論上限允許百萬級甚至十億級的上下文容量，但如何過濾無關及錯誤信息，構建完美的記憶系統，仍是通往通用人工智能道路上亟待攻克的最後堡壘。