剛看完 DeepMind 創始人 Demis Hassabis 在 Y Combinator 的最新分享，有些想法挺值得聊。這位仁兄直言不諱地說，距離真正的 AGI 其實只差兩個關鍵拼圖——持續學習、長期推理和記憶體系。按他的判斷，這些難題在 2030 年左右有望被攻克。

最有意思的是他對當前大模型的吐槽。說這些系統呈現出一種"參差不齊的智能"——能解國際數學奧林匹克金牌級問題，轉身卻在小學數學題上翻車。這不是能力問題，而是推理鏈路還是太粗糙，缺少對自身思考過程的反思。他甚至用下棋舉例，模型有時候意識到某步是壞棋，卻找不到更好的替代方案，最後還是重複同樣的錯誤。這種現象說明推理系統還有大量創新空間。

關於 Agent 的部分我特別感興趣。他認為 Agent 才是通往 AGI 的真正路徑，但現在還只是初期階段。有個細節很扎心——沒人用 AI 編程工具真正做出過登頂應用商店的 3A 遊戲。理論上按照現在的工具水平應該能做到，但就是沒人做成。這說明工具鏈或者流程本身還缺點什麼。他預計這個突破會在 6 到 12 個月內出現。

模型蒸餾技術的進展也挺令人印象深刻。他們的 Flash 模型能用十分之一的成本達到旗艦模型 95% 的性能。而且這個壓縮周期越來越快——新模型發布後的 6 到 12 個月內，其能力就能被壓縮到邊緣設備可運行的小模型裡。他坦言目前還沒有遇到信息密度的理論上限，所以未來空間還很大。

科學發現這塊，他提出了一個有趣的概念——"愛因斯坦測試"。就是用 1901 年之前的知識訓練系統，看它能否獨立推導出愛因斯坦 1905 年的相對論。一旦 AI 系統能做到這個，就意味着它真的接近自主創新的能力了。AlphaFold 已經證明了 AI 在蛋白質折疊領域的潛力，全球 300 萬研究者都在用它。但他認為這只是開始，材料科學、藥物發現、氣候建模等領域都在"AlphaFold 1 時刻"——有前景但還沒真正突破。

給創業者最實用的建議是：如果你今天啟動一個十年級的深科技項目，必須把 AGI 的出現納入規劃。這不是危言聳聽，而是要考慮你的產品在 AGI 時代是否還有用。他的想法是，通用系統（比如 Gemini）會把專用系統（比如 AlphaFold）當工具來用，而不是什么都塞進一個大模型裡。這對你現在的建築方向有很大影響。

整個分享的核心邏輯是：追求難題和追求簡單問題的難度其實差不多，只是難在不同地方。既然生命有限，為什麼不把精力投在那些"只有你不做別人也不會做"的事情上？這話聽起來簡單，但真要做到需要極強的定力。