刚看完 DeepMind 创始人 Demis Hassabis 在 Y Combinator 的最新分享，有些想法挺值得聊。这位仁兄直言不讳地说，距离真正的 AGI 其实只差两个关键拼图——持续学习、长期推理和记忆体系。按他的判断，这些难题在 2030 年左右有望被攻克。

最有意思的是他对当前大模型的吐槽。说这些系统呈现出一种"参差不齐的智能"——能解国际数学奥林匹克金牌级问题，转身却在小学数学题上翻车。这不是能力问题，而是推理链路还是太粗糙，缺少对自身思考过程的反思。他甚至用下棋举例，模型有时候意识到某步是坏棋，却找不到更好的替代方案，最后还是重复同样的错误。这种现象说明推理系统还有大量创新空间。

关于 Agent 的部分我特别感兴趣。他认为 Agent 才是通往 AGI 的真正路径，但现在还只是初期阶段。有个细节很扎心——没人用 AI 编程工具真正做出过登顶应用商店的 3A 游戏。理论上按照现在的工具水平应该能做到，但就是没人做成。这说明工具链或者流程本身还缺点什么。他预计这个突破会在 6 到 12 个月内出现。

模型蒸馏技术的进展也挺令人印象深刻。他们的 Flash 模型能用十分之一的成本达到旗舰模型 95% 的性能。而且这个压缩周期越来越快——新模型发布后的 6 到 12 个月内，其能力就能被压缩到边缘设备可运行的小模型里。他坦言目前还没有遇到信息密度的理论上限，所以未来空间还很大。

科学发现这块，他提出了一个有趣的概念——"爱因斯坦测试"。就是用 1901 年之前的知识训练系统，看它能否独立推导出爱因斯坦 1905 年的相对论。一旦 AI 系统能做到这个，就意味着它真的接近自主创新的能力了。AlphaFold 已经证明了 AI 在蛋白质折叠领域的潜力，全球 300 万研究者都在用它。但他认为这只是开始，材料科学、药物发现、气候建模等领域都在"AlphaFold 1 时刻"——有前景但还没真正突破。

给创业者最实用的建议是：如果你今天启动一个十年级的深科技项目，必须把 AGI 的出现纳入规划。这不是危言耸听，而是要考虑你的产品在 AGI 时代是否还有用。他的想法是，通用系统（比如 Gemini）会把专用系统（比如 AlphaFold）当工具来用，而不是什么都塞进一个大模型里。这对你现在的建筑方向有很大影响。

整个分享的核心逻辑是：追求难题和追求简单问题的难度其实差不多，只是难在不同地方。既然生命有限，为什么不把精力投在那些"只有你不做别人也不会做"的事情上？这话听起来简单，但真要做到需要极强的定力。