Demis Hassabis 与 Sergey Brin 谈 AI Scaling、AGI 时间表、机器人技术与模拟理论
Google 联合创始人 Brin 表示：“任何计算机科学家现在都不该退休，他们应该在研究 AI。”
Alex Kantrowitz 2025 年 5 月 21 日
Google 本周在 I/O 开发者大会上发布了一系列令人印象深刻的 AI 更新，包括改进的视频生成能力、搜索中扩展的 AI Mode，以及一种名为 Deep Think 的高级推理架构。但这条消息发布之际，AI 行业正在思考这些模型还能好到什么程度，以及是否存在通往 artificial general intelligence（AGI）的路径（这个词因被过度使用，一些人希望它消亡）。为了探讨这些关于 AI 前沿的问题，我周二在 Google I/O 上与 Google DeepMind CEO Demis Hassabis 进行了一场台上访谈。就在我别好麦克风后，Google 联合创始人 Sergey Brin 走了进来，作为惊喜嘉宾加入对话。对话深入探讨了技术本身，并延伸到一些有趣的方向，包括网络的未来、机器人技术，以及模拟理论。你可以在 Apple Podcasts、Spotify 或任意播客应用上收听我与 Hassabis 和 Brin 的对话。如果你更喜欢阅读，以下是我们经过轻度删减和整理的完整讨论。
Alex Kantrowitz：Demis，鉴于我们今天对 AI 前沿模型的了解，还有多少提升空间有待释放？
Demis Hassabis：我们看到现有技术正在带来惊人的收益，我们也在将其推向极限。但同时我们也在不断发明新东西。我认为，要完全实现类似 AGI 的目标，可能还需要一两个新的突破。我们有很多正在酝酿的有前景的想法，希望能将其融入 Gemini 的主分支中。关于扩大数据中心规模是否能解决构建更好 AI 模型的所有问题，一直存在争论。在你们研发今天的模型时，scale 仍然是主角，还是只是配角？
Hassabis：我一直认为两者都需要。你需要将已知技术 scale 到极限。无论是数据、算力还是规模，你都想将其利用到极致。同时，你也想投入大量精力研究接下来的方向，也许是半年或一年之后的东西，这样你才能拥有下一次可能在某些方面带来 10 倍飞跃的创新，并与规模效应相结合。所以两者都要。Sergey，你怎么看？
Sergey Brin：我同意两者都需要。你可以有算法层面的改进，也可以有单纯的计算能力提升——更好的芯片、更多的芯片、更强的电力、更大的数据中心。从历史来看，如果你观察 N-body 问题、引力体模拟这类问题——正如你绘制图表时所看到的——即使在摩尔定律的背景下，算法进步的贡献实际上也超过了计算进步。如果让我猜，我认为算法进步可能会比计算进步更加重要，但两者目前都在快速发展，所以我们正在同时享受两者的红利。那么，你们的大部分进步是否来自 scale？有人说未来整个世界都会被数据中心覆盖。这是你的设想吗？
Hassabis：我们肯定还需要多得多的数据中心。从科学角度看，把沙子变成会思考的机器，这件事至今仍让我感到惊奇。但这不仅仅是为了训练。现在，我们有了这些人人想用的模型，我们看到 Gemini 2.5 Pro 和 Gemini Flash 的需求极为旺盛。它们的性能如此出色，而成本却极低，这让我们非常兴奋。全世界都会想用这些东西。我们需要大量数据中心来提供服务，也需要用于 inference-time compute。你们今天看到了 2.5 Pro 的 deep-thinking。你给它的思考时间越长，它的表现就越好。对于某些任务——价值极高、难度极大的任务——值得让它思考很长时间。我们正在考虑如何进一步把这一点推到极致。同样，这将需要大量芯片和运行时间。我们进入这种 reasoning 范式已经大约一年了。Demis，你能否帮我们具体理解一下 reasoning 带来的改进幅度有多大？
Hassabis：我们一直非常相信我们现在称之为 thinking paradigm 的东西。如果你回顾我们早期在 AlphaGo、AlphaZero 上的工作，以及我们在游戏智能体方面的工作，它们都有一个共同特征：在模型之上还有一个 thinking system。你可以量化这能带来多大的差异。如果你观察国际象棋或围棋这样的游戏，我们有过 thinking 功能关闭版本的 AlphaGo 和 AlphaZero——也就是模型直接给出它的第一个想法。这并不差，大概能达到大师级别。但如果你把 thinking 打开，它的水平就远超世界冠军了。两个版本之间的 ELO 分差超过 600 分。在游戏中尚且如此，更不用说现实世界了——现实世界要复杂得多。当然，挑战在于你的模型需要成为一个 world model，而这比构建一个简单游戏的模型要困难得多。其中会存在错误，而这些错误可能在长期规划中被放大。但我认为我们在所有这些方面都取得了非常好的进展。
Brin：正如 Demis 所说，DeepMind 确实开创了大量 reinforcement learning 工作。他们在 AlphaGo 和 AlphaZero 上所做的工作，正如你提到的，表明你需要 5000 倍的训练量，才能匹敌你在 Go 上通过大量训练加 inference time compute 所达到的效果。所以这显然是一个巨大的优势。而且显然，就像我们大多数人一样，说话前先思考会让我们受益。我刚才也被提醒要这么做。AI 显然在增加了这种能力后变得强大得多。我们现在只是看到了冰山一角。从这个意义上说，这些模型真正出现还不到一年。
Hassabis：AI 在思考过程中还可以使用大量工具，甚至其他 AI，来提升最终输出的质量。这将是一种极其强大的范式。
DeepThink 是一项新功能，本质上会运行大量并行的 reasoning 过程，然后让它们相互验证并优化。这就像是打了兴奋剂的 reasoning。Demis，这是你提到的、可能让行业更接近 AGI 的少数几项进展之一吗？
Hassabis：可以说，它也许是其中之一的一部分？我们还需要其他技术来共同提升 reasoning。真正的发明创造从何而来？不是你只是在解一个数学猜想，而是你真正提出一个猜想，或者假设物理学的新理论？我们目前还没有能做这类创造性工作的系统。但它们正在到来。我们需要在建模的 world models 准确性上取得大量进展。你们在 Veo 上看到了这一点。Veo 3 的潜力让我惊叹，比如它如何能直觉地理解光线和重力的物理规律。我早年曾从事电子游戏工作，不只是 AI，还有图形引擎。我记得那时候所有东西都要手动完成，要编程实现光照、shader 等所有这些东西。早期游戏里我们做的东西复杂得令人难以置信。而现在模型只是凭直觉就能做到。这非常惊人。
Demis，我看到你分享了一张煎锅的照片，里面有一些洋葱和油。这里面没有什么潜意识信息吧？
Hassabis：没有，没有。也许只是一个很隐晦、很隐晦的信息。现在 AI 界有一股运动，主张停止使用 AGI 这个词。一些人认为它被过度使用，已经变得毫无意义。但 Demis，你认为它很重要。为什么？
Hassabis：这非常重要。有两件事被稍微混淆了。一是，一个普通人能做什么？我们都非常有能力，但无论能力多强，一个人能成为专家的领域总是有限的。你可以说，你能做到90%的人类做不到的事？这在经济上显然非常重要，从产品角度来看也非常重要。所以这是一个非常重要的里程碑。我们应该说，这属于典型的人类智能。但我感兴趣的，也是我称之为 AGI 的，是一个更具理论性的概念，即：人类大脑作为一种架构，能够做什么？人类大脑是一个重要的参照点，因为它也许是我们在宇宙中唯一拥有的证据，证明通用智能是可能的。你必须证明你的系统能够完成一系列事情，即使是历史上最优秀的人类，用相同的大脑架构所能做到的事情。不是指某一个大脑，而是相同的大脑架构：爱因斯坦做了什么，莫扎特能做什么，居里夫人做了什么，等等。在我看来，今天的系统显然还不具备这种能力。如今关于 AGI 的炒作有点过度了，因为我们的系统还不够一致，不足以被认为是完全“通用”的。不过它们已经相当通用了。它们能做成千上万件事。你今天已经看到了很多令人印象深刻的东西，但我们每个人都和今天的聊天机器人和助手打过交道。你可以在几分钟内轻松发现它们的一些明显缺陷：某道高中数学题解不出来，或者某个基础游戏玩不了。在系统中找到这些漏洞并不难，而要被称为 AGI，它需要更加一致，比今天全面得多地保持一致。应该需要一个专家团队花几个月时间才能找出它的一个漏洞，一个明显的漏洞，而现在，一个人只需几分钟就能找到一个。
Sergey，这个问题很适合你。你认为 AGI 会被某一家公司率先实现，然后游戏结束吗？或者你能想象 Google 拥有 AGI，OpenAI 拥有 AGI，Anthropic 拥有 AGI，中国拥有 AGI 吗？
Brin：某一家公司、国家或实体将会率先达到 AGI。当然，这有一点渐进的过程。它不是一件完全精确的事情。可以想象，在那之后可能会有不止一个实体大致同时处于那个范围内。接下来会发生什么？这很难预见，但你当然可以想象会有多个实体实现突破。在我们的 AI 领域，当我们取得某项进展时，其他公司会很快跟进，反之亦然。当其他公司取得某些进展时，也会出现不断的你追我赶。其中有一种相互启发的因素，而这可能会鼓励越来越多的实体跨过那个门槛。
Hassabis：AI 领域就 AGI 的定义达成共识是很重要的。我们应该努力达成一致，假设确实存在一个定义的话。很可能会有一些组织率先达到。重要的是，这些最初的系统要以可靠和安全的方式构建，在此之后，如果是这样的话，我们可以想象利用它们来分支出许多系统，这些系统底层有着安全的架构。你可以拥有个人 AGI，各种各样的事情都会发生。正如 Sergey 所说，要预测这之后的情况相当困难，要看清事件视界之外的东西，预测那将会是什么样子。传统观点认为 AGI 必须是知识层面的，是大脑的智能。那心灵的智能呢？Demis，AI 必须具备情感才能被视为 AGI 吗？
Hassabis：它需要理解情感。如果我们想模拟情感，这几乎会是一个设计决策。我认为理论上没有理由做不到，但它可能会有所不同，或者可能没有必要，事实上，让它们拥有我们人类那样的情感反应可能并不可取。同样，随着我们接近 AGI 的时间框架——大约在未来 5 到 10 年内——这是一个有待研究的开放性问题。我们还有一点时间，不多，但还有一些时间来研究这类问题。当我思考时间框架可能如何缩短时，我想知道这是否会来自于自我改进系统的诞生。上周，Google DeepMind 发布了 AlphaEvolve，这是一种帮助设计更优算法的 AI。Demis，你是在试图引发智能爆炸吗？
Hassabis：不，不是那种不受控制的。这是一个有趣的首个实验。它是一个惊人的系统，有一个很棒的团队在做这项工作。现在有趣的是，开始将其他类型的技术——在这里是进化编程技术——与日益强大的最新基础模型结合起来，实际上在我们的探索性工作中，我们已经看到越来越多这样的组合系统，将不同方法配对在一起。你说得对，如果有人发现了自我改进的循环，这可能是事情比今天更进一步加速的一种方式。我们之前在自己的工作中就见识过，比如 AlphaZero，从零开始，通过自我改进的流程，在不到 24 小时内学会国际象棋、围棋以及任何双人游戏。所以我们知道这是可能的，但话说回来，那些都是在描述得非常清晰的有限游戏领域内。现实世界要混乱得多，也复杂得多。这种方法能否以更通用的方式奏效，还有待观察。我们讨论了一些非常强大的系统。这是一场竞赛。一场开发这些系统的竞赛。Sergey，这就是你回到 Google 的原因吗？