新智元報道

編輯：KingHZ 艾倫

【新智元導讀】諾獎得主哈薩比斯直擊AI痛點：當前LLM遠非博士級智能，僅在特定領域閃光，卻缺乏全面性和一致性。真正的AGI，還需1-2項關鍵突破，等待有5-10年。

目前的博士級人工智能就是扯淡！

實屬沒想到，諾獎得主、谷歌DeepMind CEO哈薩比斯（Demis Hassabis）竟公然怒懟奧特曼。

在最近的訪談中，哈薩比斯公開表示，把如今的LLM稱作「博士級智能」，純屬無稽之談！

它們并非真正的博士級智能——雖然具備某些博士水平的能力，但整體上并不具備全面性。

而真正的通用智能，應該是在所有領域都能達到博士級別的全面能力。

真正的通用人工智能不會犯低級錯誤，現在的AI并不具備持續(xù)推理、適應和學習的能力。

哈薩比斯認為：目前，還大概率還缺失1-2項關鍵突破，距離真正的「博士級智能」仍有5到10年之遙。

哈薩比斯對「博士級AI」的批評、對AGI本質能力的真知灼見，頗有市場：

左右滑動查看

不過，他對 AGI 到來時間的判斷，未必準確。

除了對AGI路線的探討，在All-In峰會上，哈薩比斯先回憶了諾獎時刻，之后系統(tǒng)闡述了他對世界模型、機器人、科研加速、能耗與效率的最新判斷：

Genie 3把一段文字變成可實時交互的「世界」，Gemini正在成為Alphabet的「AI引擎」，而真正具備創(chuàng)造力與一致性的AGI，仍需關鍵突破與時間磨礪。

AI天才執(zhí)掌DeepMind

AlphaFold助力摘諾獎

哈薩比斯，4歲成為國際象棋天才，2023年因對AI的貢獻被英國皇室冊封為爵，2024年獲得諾貝爾化學獎。

因蛋白質結構預測，谷歌DeepMind的哈薩比斯、John M.Jumper共享了1/2的諾獎

但是在正式公布前的十分鐘，他本人才得到獲獎通知，根本來不及消化這個消息，整個人都有點懵。

隨后，在瑞典參加為期一周的頒獎典禮，更是精彩絕倫，包括與王室成員的交流，每項安排都讓他驚嘆。

這項延續(xù)120年的榮譽傳統(tǒng)中，最讓人震撼的環(huán)節(jié)是組委會有個特殊安排——他們會從保險庫中取出諾貝爾獎歷史簽名簿。

哈薩比斯體驗了終生難忘的人生高光時刻：

將自己的名字與居里夫人、愛因斯坦等歷史上所有諾獎得主簽在同一本名冊上。

哈薩比斯作為DeepMind的CEO，是谷歌AI的掌舵人。

為了加入發(fā)展AI，谷歌和Alphabet旗下的AI團隊（包括原來的DeepMind）進行了整合，成立了現在的谷歌DeepMind。

哈薩比斯把新DeepMind描述為整個谷歌和Alphabet的「發(fā)動機」。

DeepMind負責Gemini、Gemma、Veo等生成式AI模型的開發(fā)，同時負責以AlphaFold為代表的科學項目研究。

Gemini是谷歌的核心AI模型，應用到谷歌搜索、Gmail等多個產品。

他領導的全部人員大約5000人，超過80%都是工程師或博士研究員。

谷歌開始做Gemini時，就堅持多模態(tài)——能看圖、聽音頻、看視頻，也能輸出多種形式。

要走向通用人工智能，系統(tǒng)不能只懂語言和抽象，還得懂身邊的物理世界；這是機器人之所以難、智能眼鏡類助手之所以關鍵的原因。

他這次介紹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」

前兩項落到一個共同方向：讓AI真正理解并操控物理世界。

DeepMind在推進把Gemini Robotics做成跨機器人平臺的「準操作系統(tǒng)層」，可以把它理解成機器人的「Android」。

哈薩比斯認為機器人還處在偏早期的階段，但接下來一兩年里，大概率出現「Aha時刻」。

而未來幾年，通用模型更強、更穩(wěn)健、更懂物理世界的細節(jié)，足以完全支撐機器人在物理世界的操控能力。

關于未來創(chuàng)意工作將如何發(fā)展，哈薩比斯表示：頂尖的創(chuàng)意者，依然會主導引人入勝的體驗和動態(tài)故事線；他們可能變?yōu)椤甘澜缬^的編輯」，負責引導和整合眾人的集體創(chuàng)造力。

AGI路在何方？

AI的科學應用是哈薩比斯最關心的方向。

他之所以把整段職業(yè)生涯押在AI上，就是為了用它加速科學發(fā)現、改善人類健康。

如果以正確方式構建AGI，它會成為終極的科學工具。

過去幾年，DeepMind已經展示了不少路徑：最出名的是AlphaFold，但谷歌也把AI用在材料設計、受控核聚變裝置的等離子體控制、天氣預報、甚至奧數級別的數學問題上。

相同范式的AI系統(tǒng)，加上一點任務定向的微調，就能在很多復雜領域里起作用。

哈薩比斯認為AI加速科學發(fā)現才剛剛開始。

當然，目前還缺一塊：真正的「創(chuàng)造力」。

在給定命題的前提下，今天的AI能去證明、去求解，但還談不上自己提出全新的猜想、假說或理論。什么時候它能自主提出好的問題，那也許才是一項關鍵的里程碑測試。

什么是「創(chuàng)造力」？

哈薩比斯認為：那是我們常為之喝彩的「直覺式躍遷」——歷史上的頂尖科學家和藝術家都會做的那種跨越。

也許，創(chuàng)造力靠的是類比，靠把看似無關的事物勾連起來。

心理學和神經科學對人類如何做到這一點各有理論，但一個可操作的測試是：

把一套現代AI的知識截斷在1901年，看看它能不能在1905年「自己想出」狹義相對論那樣的理論。

如果能，那就說明人類觸及到了真東西，也許AGI近在眼前。

再舉個例子：十年前，AlphaGo不僅擊敗了圍棋世界冠軍，它還下出「神之一手」——第二局那手著名的「第37手」。

但問題是：AI能不能不僅發(fā)明新策略，而是「發(fā)明一款像圍棋那樣優(yōu)雅、耐玩、審美上同樣動人的游戲」？

答案目前是否定的。這正是距「通用」的短板：真正的AGI，也該能做到這種層面的創(chuàng)造。

那具體還缺什么？

Anthropic的Dario、OpenAI的奧特曼認為，AGI不久就能到來。

哈薩比斯更謹慎。他認為核心在于：我們能不能復現人類最優(yōu)秀科學家那種「直覺式躍遷」，而不只是循序漸進的改良？

偉大科學家和優(yōu)秀科學家的差別，不在于基本功，而在于創(chuàng)造力：他們能從別的學科里捕捉到某種模式，把它類比、遷移到當前難題上。

哈薩比斯相信AI終會做到這一點，但如今在推理思維方式上，AI仍欠火候，難以支撐這種突破。

另一個短板是「一致性」。

奧特曼等人稱目前AI已達到「博士級智能」，哈薩比斯認為并非如此。

在若干子任務上，他們已達到「博士水平」，但并不意味著「全面博士級」。

而「通用智能」恰恰意味著在各個維度都能穩(wěn)定地達到那個水準。事實是，我們都見過：

只要換個提問方式，當下的聊天機器人會在高中數學、甚至簡單計數上犯低級錯。

對真正的AGI來說，這種情況不該發(fā)生。距離能完成上述能力的AGI， 哈薩比斯認為還有大概5到10年。

除此之外，AI還缺「持續(xù)學習」的能力：能在線吸收新知識、及時調整行為。

也許，Scaling Law會繼續(xù)帶來部分改進。

但如果要下注，哈薩比斯認為還需要一兩次關鍵性的原創(chuàng)突破，而這些突破很可能會在未來五年內出現。

破解科研難題，AI4S持續(xù)發(fā)力

除了已經取得大量重磅成果摘得諾獎的AlphaFold外，AI也將助力提高能源效率，解決自身需要的海量能源帶來的衍生問題。

AlphaFold這類混合模型，是AI未來發(fā)展方向

AlphaFold是一種混合模型。

所謂混合模型，是指同時使用概率性模型和確定性模型。

概率性模型是目前大模型普遍都在使用的基于概率預測下一個Token的模式，而引入確定性模型是大模型取得關鍵進步的下一步方向。

確定性模型遵循固定的邏輯算法，相同的輸入必然得到相同的輸出。

例如在大模型中引入真實世界的物理規(guī)則與化學規(guī)則，就是確定性模型。

哈薩比斯也在采訪中，詳細介紹了AlphaFold這個混合模型。

AlphaFold有一個學習組件，也就是概率組件，基于神經網絡和Transformer等技術，能從提供的任何可用數據中學習。

但在生物學和化學領域，很多時候數據并不充足。因此，必須將一些已知的化學和物理規(guī)則內置到模型中。

在AlphaFold中，需要設定原子間的鍵角，并確保模型理解原子不能重疊等基本物理約束。

鍵角有約束規(guī)則

理論上，模型可以自己學會這些，但這會極大浪費模型的學習能力。

所以，將這些規(guī)則作為約束條件直接加入，是更高效的做法。

哈薩比斯也表示，無論是AlphaGo還是其他混合系統(tǒng)，其關鍵和難點都在于如何將學習系統(tǒng)與一個更偏向于人工設計的、定制化的系統(tǒng)完美結合，讓它們協同工作。這其實相當有挑戰(zhàn)性。

他認為，最終的目標是，當通過混合系統(tǒng)取得進展后，應將這些經驗反哺并整合到學習組件中。

為了更具體地說明這點，哈薩比斯舉了從AlphaGo到AlphaZero的例子：

這有點像我們對 AlphaZero 所做的改進。

AlphaZero是AlphaGo的一個更通用的版本，AlphaGo內部包含了一些針對圍棋的特定知識。

但在 AlphaZero中，我們移除了這些定制規(guī)則，包括我們用來訓練的人類棋譜數據，而是讓它從零開始，通過自我對弈進行學習。

最終的結果是，它不僅能下圍棋，還能學會任何其他的棋類游戲。

AI加速藥物發(fā)現

哈薩比斯仍在管理Isomorphic。

這家公司是DeepMind的衍生公司，建立在AlphaFold蛋白質折疊預測的突破之上，致力于革新藥物發(fā)現。

了解蛋白質結構只是藥物發(fā)現過程的第一步，以便后續(xù)解決問題，如設計出能與蛋白質靶點精準結合且無副作用的化合物。

哈薩比斯表示，在未來十年內，有望將藥物發(fā)現的周期從數年甚至十年，縮短到幾周乃至幾天。

Isomorphic正在構建平臺，禮來（美國大型跨國醫(yī)藥公司）、諾華（英國大型跨國制藥公司）也將深度參與其中。

Isomorphic自己內部也同步開展了藥物研發(fā)項目，預計明年即可進入臨床前階段。

Isomorphic目前正在把重心放在癌癥和免疫學等領域，并與美國MD安德森癌癥中心這類全球頂尖機構進行科研合作。

與此同時，DeepMind也在著力研究AlphaFold模型的更先進版本，讓模型不僅能夠理解蛋白質相互作用，還能理解更多內容，從而助力藥物研發(fā)。

AI能源需求龐大，但為優(yōu)化能源效率貢獻更大

隨著大模型參數不斷膨脹，訓練和推理帶來的巨大能源消耗也越來越成為一個萬眾矚目的問題。

面對指數級增長的能源需求曲線，哈薩比斯解釋了DeepMind是如何應對的。

由于背靠谷歌這個全球最龐大的AI應用場景，極高的效率、極低的延遲和極低的服務成本是對模型的迫切要求。

DeepMind使用蒸餾等技術來提高模型效率，在同等性能下，效率提升了幾十倍。

然而，由于大家仍在探索AGI的路上，節(jié)約下來的能源又被投入到前沿模型研發(fā)上了。

當然，哈薩比斯也指出，AI系統(tǒng)為解決能源和氣候變化問題帶來的貢獻，將遠遠超過其自身的消耗。

可能的貢獻包括優(yōu)化電網系統(tǒng)、設計具有新特性的材料，以及提升新能源的效率等。

未來十年，人工智能將在很大程度上幫助我們解決這些重大挑戰(zhàn)，其貢獻將遠超今天的能源消耗。

哈薩比斯認為，十年后若AGI降臨，將開啟一場科學的黃金時代，也將是全新的文藝復興。

參考資料：

https://www.youtube.com/watch?v=Kr3Sh2PKA8Y

https://x.com/vitrupo/status/1966752552025792739

https://x.com/rohanpaul_ai/status/1966950863685157368