AI 学习圈 | 哈萨比斯:虚拟细胞 10 年内 会到来!

最近，诺贝尔化学奖得主 德米斯·哈萨比斯（Demis Hassabis） 在 Y Combinator 专访中，围绕 AGI（通用人工智能）的技术路径、当前大模型的短板、AI 在科学发现中的角色等展开了讨论。

1. 通往 AGI：还缺什么？

• 当前大模型范式（大规模预训练、RLHF、思维链）已是 AGI 架构的重要基础，但仍缺失 持续学习、长期推理、高效记忆机制 等核心能力。

• 实现 AGI 可能只需再突破“一两个重大理念”，也可能是现有技术的渐进式扩展，两种概率各约 50%。

• 智能体（Agent）是必经之路：未来 AI 必须能主动完成复杂任务，而非被动问答；但目前智能体开发仍极早期，距离创造巨大价值还有 6～12 个月“临界点”。

2. 当前大模型的核心短板

• 记忆问题：单纯扩大 Context Window 是“暴力式”补丁，检索成本仍高；需借鉴神经科学（如海马体经验回放）实现更优雅的知识整合。

• 推理能力：模型常“想太多”、陷入循环，缺乏自省机制，导致“锯齿状智能”（能解 IMO 题却翻车于简单逻辑）。

• 强化学习（RL）被低估：AlphaGo 的搜索、树结构推理等思路正重新回归前沿模型。

3. 模型蒸馏与端侧 AI

• 大模型能力可高效蒸馏到小模型，不存在明显理论天花板；未来 边缘设备（手机、眼镜、机器人）本地运行强力模型 将成为常态。

• 小模型优势：低成本、低延迟、隐私安全，适合人机协作与端云协同。

4. AI 与科学发现：虚拟细胞与“爱因斯坦测试”

• DeepMind 正推进 “虚拟细胞” 项目，预计 10 年内 可模拟完整细胞系统，从相对独立的“细胞核”切入。

• AI 将成为科学“终极工具”，适用于 巨大组合搜索空间 + 清晰目标函数 + 充足数据/合成数据 的问题（如 AlphaFold 模式）。

• 未来 AI 不仅要验证假设，还要 提出重大科学假设（通过“爱因斯坦测试”：用 1901 年前知识训练，看能否推导狭义相对论）。

5. 给创业者的建议

• 选择 AI + 深科技（材料、生物、机器人等物理世界硬核问题） 的交叉领域，这类方向有护城河，能抵御基础模型快速迭代的冲击。

• 组建 跨学科团队（AI 专家 + 领域专家）。

• 考虑 AGI 可能在 2030 年左右到来，设计的产品/系统应在 AGI 出现后仍有价值（如专业工具被通用 AGI 调用，而非被替代）。

• 做你真正热爱、非你不可的事：“人生苦短，不如倾注到能带来改变的事业中。”