新智元报道
编辑：KingHZ 艾伦
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，还需1-2 项关键突破，等待有5-10 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，还大概率还缺失1-2 项关键突破，距离真正的「博士级智能」仍有 5 到 10 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 共享了1/2 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。
这项延续 120 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约 5000 人，超过 80% 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「Android」。
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 的知识截断在 1901 年，看看它能不能在 1905 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「第 37 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概 5 到 10 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：
https://www.youtube.com/watch?v=Kr3Sh2PKA8Y
