谷歌 DeepMind 首席执行官、诺贝尔化学奖得主 Demis Hassabis 近日在 Y Combinator 活动上深入剖析了通用人工智能（AGI）的演进路径，为深度科技领域的创业者提供了极具前瞻性的战略指引。Hassabis 明确指出，任何启动为期十年的深度科技项目都必须将 AGI 的发展纳入核心规划，因为这一技术变革极可能在项目中期发生。

与此同时，他透露由 DeepMind 衍生出的 AI 药物发现公司 Isomorphic Labs 即将发布重要消息，预示着该领域即将迎来实质性突破。

关于 AGI 的最终架构，Hassabis 认为现有的大规模预训练、强化学习框架及思维链等技术组件几乎肯定会成为最终形态的一部分，这些技术已证明了其价值且不太可能在短期内被证伪。

然而，午方 AI 注意到，Hassabis 强调当前技术仍存在关键短板，特别是持续学习、远距离推理以及特定记忆功能尚未得到彻底解决。他分析认为，要实现真正的 AGI，或许只需再突破一两个关键节点，但这一过程可能需要渐进式创新来弥补现有架构的不足。

在技术细节层面，上下文窗口的大小被类比为工作记忆的范围。人类平均工作记忆仅能处理七位数字的信息量，而当前 AI 模型的上下文窗口虽可达数百万甚至数十亿个信息单位，但处理方式仍显粗糙。Hassabis 指出，若试图处理实时视频流并存储所有相关信息，一百万个信息单元仅能支撑约 20 分钟的处理时间。

此外，他在演示中发现，即便是像 Gemini 这样先进的模型，在下棋时也可能因无法找到更优替代方案而陷入循环，最终选择错误走法，这反映出系统在精确推理和反思机制上仍有缺失。

针对智能体（Agent）系统的发展，Hassabis 表示这是实现主动解决问题的关键方向，目前我们才刚刚起步。他观察到，现有的高级 Pro 模型在发布后六到十二个月内，其功能有望被压缩至可在边缘设备运行的小体积模型，这意味着我们尚未触及信息密度的理论极限。午方 AI 梳理发现，Hassabis 还提出了著名的“爱因斯坦测试”，即检验系统能否仅凭 1901 年的知识独立推导出 1905 年爱因斯坦的相对论等成就，一旦达成，将意味着系统具备发明全新知识的能力。

在科学突破的维度上，Hassabis 认为解决千年难题固然了不起，但提出一组让顶尖数学家认为值得终身研究的新千年难题更具挑战性。他鼓励创业者将精力投入到那些他人不愿涉足的复杂问题中，因为追求复杂与简单问题的本质相似，只是难度表现形式不同。对于当前 AI 系统在处理重表述问题时出现基础数学错误的现象，他认为系统缺乏对思考过程的深度反思能力，这是迈向 AGI 必须跨越的障碍。

最后，Hassabis 回顾了从神经科学中借鉴的“梦境循环”机制，该机制曾帮助 2013 年的 DQN 模型在 Atari 游戏中取得突破。他坦言，目前 AI 系统仍在使用类似海马体整合情景记忆的临时解决方案，试图将所有信息塞入有限上下文窗口的做法并不理想。午方 AI 分析认为，尽管理论上限允许百万级甚至十亿级的上下文容量，但如何过滤无关及错误信息，构建完美的记忆系统，仍是通往通用人工智能道路上亟待攻克的最后堡垒。