哈萨比斯的定义与达里奥·阿莫代伊的定义比较。2026年1月，达沃斯世界经济论坛的一个舞台上，两个人并排而坐。谷歌DeepMind的德米斯·哈萨比斯，和Anthropic的达里奥·阿莫代伊。主持人问道：「你们认为AGI是什么？它什么时候会到来？」

两人的回答指向同一个方向，却在细微处分道扬镳。这种差异里，藏着AI产业最根本的争论。哈萨比斯这样回答。

「AGI是一个能够实现人类所展现的所有认知能力（all the cognitive capabilities humans can exhibit）的系统。」这个定义里，关键词是『所有』和『认知』。它涵盖推理、创造力、规划、问题求解，以及对物理世界的理解。

哈萨比斯在2025年与Lex Fridman的对话中，把这个定义进一步具体化了。AGI不是在某一个领域表现突出的系统。它必须在所有认知领域中，一致地展现出人类水平以上的表现。他说，要达到「一个专家团队花上几个月测试，也难以找到漏洞」的程度。

哈萨比斯强调的是「一致性（consistency）」。当下的AI系统，一边能解出数学奥林匹克金牌级别的题目，一边却在五岁孩子轻松完成的日常判断中翻车。他把这称为「参差不齐的智能（jagged intelligence）」。

如果是AGI，这种参差就不该存在。它要能下棋，能写诗，能提出新的物理学假说，还能在一间从没去过的厨房里做出饭来。哈萨比斯更进一步，提出了一个独特的思想实验作为AGI的试金石。

「把这个系统放到1900年，只给它当时已有的物理学知识，它能不能自己发现相对论？」或者，「它能不能自己发明一种像围棋那样深邃而优雅的游戏？」这就是哈萨比斯心目中真正通用智能的标准。

达里奥·阿莫代伊的思路不同。他不太喜欢AGI这个词本身。2024年10月，他发表了一篇一万五千字的长文「爱的恩典之机器」

（Machines of Loving Grace），文中他刻意用「强大的AI（powerful AI）」来替代AGI。阿莫代伊的定义是这样的：「在几乎所有相关领域，比诺贝尔奖得主还聪明的AI。」

生物学、编程、数学、工程、写作，不分领域，全面超越顶尖专家的系统。他把它比作「住在数据中心里的天才之国」。两人的差异在哪里呢？哈萨比斯以人类大脑的架构为基准，也就是大脑作为通用学习机器所能执行的全部功能。

这是一个理论性的、结构性的定义。阿莫代伊则以成果和结果为标准。在特定领域超越人类顶尖专家的实际表现，才是他的尺度。

如果说哈萨比斯的定义回答的是「它应该能做什么」，那阿莫代伊的定义回答的是「它应该做到多好」。这种差异也影响到了时间表。阿莫代伊认为2026年或2027年，满足他标准的AI就可能出现。哈萨比斯更为审慎。

他的估计是：到2030年，有50%的概率。这个差距源于定义的不同。阿莫代伊的标准聚焦于特定任务上的超人类表现，沿着当前的扩展轨迹似乎就能抵达。

哈萨比斯的标准要求在所有认知领域保持一致的通用性，这就需要突破现有技术的根本局限，需要新的突破口。有意思的是，两人都没有完全否定对方的观点。达沃斯的舞台上，哈萨比斯说「我们的看法其实没有太大分歧」。

阿莫代伊也在2026年的文章「技术的青春期（The Adolescence of Technology）」中承认，「强大的AI可能一两年内就来，但也可能要更久」。关于最终的目标，两人有共识。只是对抵达那里的路径和速度，解读不同罢了。

这场争论之所以重要，是有原因的。AGI如何定义，决定了安全研究的优先级，决定了监管介入的时间节点，也影响着数万亿美元规模的投资决策。像哈萨比斯那样设定高标准，传递的信息是「路还很长」。

像阿莫代伊那样设定以性能为中心的标准，传递的则是「它就快来了」的警告。无论哪一方正确，两种定义都有一个共同前提：我们正在创造的，是人

类历史上前所未有的东西，而要理解它的意义，需要精确的语言。编程、数学、自然科学、物理AI（机器人）。2025年5月，谷歌I/O大会的炉边对话。哈萨比斯身旁坐着谷歌联合创始人谢尔盖·布林。当主持人问到当前AI系统的局限时，哈萨比斯画出了一条明确的分界线。

「如果90%的人做不到的事，AI做到了，那在经济上很重要，在产品层面也是一个重要里程碑。但不要把它叫AGI。它应该被称为'典型人类智能（typical human intelligence）'水平。」这番话展现了AGI的范围有多广。哈萨比斯构想的AGI，贯穿多个认知领域。

编程是其中进展最快的领域。截至2025年，AI已经承担了Anthropic自身产品开发中大部分的编程工作，谷歌DeepMind内部也在大规模使用AI进行代码生成和调试。哈萨比斯承认，在编程和数学领域，AI的「自我改进循环（self-improvement loop）」有可能启动。

AI写出更好的代码，那些代码再造出更好的AI，这种循环已经开始了。但他明确表示，仅凭这一点不能称之为AGI。数学是第二条战线。

DeepMind的AlphaProof和AlphaGeometry已经解出了国际数学奥林匹克（IMO）级别的题目。AlphaEvolve更进一步，开启了AI自行设计算法的时代。哈萨比斯为这些成果感到自豪，同时也清醒地认识到其局限。

当前的系统擅长证明已有的猜想，但还不具备自己提出新猜想的能力。把围棋下到世界冠军水平，和发明围棋这个游戏本身，是完全不同维度的智能。哈萨比斯把后者，也就是创造性发明的能力，视为AGI的核心基准。

自然科学是第三个领域，也是离哈萨比斯内心最近的领域。AlphaFold解决了困扰学界50年的蛋白质折叠问题，证明了AI可以成为科学发现的工具。AlphaGenome开始绘制基因编码与功能之间的关系图谱，GNoME发现了超过220万种新材料的晶体结构。

然而，尽管取得了这些成就，当前的AI仍然是「辅助」科学家的工具，而不是一个能自己提出假说并加以验证的「科学家」。哈萨比斯在2025年12月谷歌DeepMind播客中提出的AGI两大前提条件之一，正是「自动化实验（automated experimentation）」，原因就在这里。AI必须能够提出问题、设计实验、解读结果，再修正假说，形成一个完整的科学研究闭环。DeepMind宣布将于2026年在英国建立首个全自动化研究实验室，正是这一愿景的落地。

第四个领域最具挑战性。物理AI，也就是机器人。哈萨比斯在达沃斯舞台上说：「我对AGI的定义，包括物理AI、机器人，所有这些。」当前的大语言模型在数字世界里运行。

它们能读文本，能分析图像，能生成代码。但在真实世界中拿起一个杯子、在一间第一次去的厨房里做饭、走过崎岖不平的地面，需要的是完全不同的智能。重力、摩擦力、惯性、柔性物体的形变，这些物理现象必须被实时理解和回应。这就是哈萨比斯把「世界模型（World Model）」列为AGI另一大前提条件的原因。DeepMind的Genie能从文字提示生成可交互的3D环境，SIMA则能在这些环境中搬移物体、避开障碍、寻找目标。

Veo视频模型以惊人的精度再现流体运动、光线反射和材质纹理，表明AI仅通过观看YouTube视频这样的被动观察，就能发展出对物理学的「直觉理解（intuitive physics）」。这一发现挑战了AI研究中长期占主导地位的假设，即要理解物理世界，就必须有一个像机器人一样拥有身体的行为体（embodied agent）。用哈萨比斯的话说：「AGI的前提条件不是变得更聪明，而是能做更多的事。」

聊天机器人再怎么流利地对话，如果无法观察世界、理解世界、并真正地改变世界，它就不是通用智能。从编程到数学，从自然科学到物理世界，贯穿所有这些领域的一致能力，才是哈萨比斯描绘的AGI全貌。要完成这幅画，还有空白需要填补。

哈萨比斯：AGI有可能在「5到10年内」到来。到2030年AGI实现的概率为50%。作为一位拥有神经科学博士学位的研究者，哈萨比斯偏好概率性的语言。「50%。」2025年7月，哈萨比斯在Lex Fridman播客中表示，AGI在未来5年内，即2030年前后出现的概率为50%。

一半对一半。2025年12月，在Axios AI+峰会上，他重申了这一预测。「AGI，也许是人类历史上最具变革性的时刻，已经出现在地平线上了。」

要理解这一预测的分量，需要了解背景。在AI行业，时间表预测本身就是一种策略性发言。说得太近，能吸引投资，但如果没能兑现就会失去信誉。

说得太远，虽然安全，但市场的关注度会降温。哈萨比斯的「50%，5到10年」恰好落在这个光谱的正中间。这是刻意为之的。

对比一下。Anthropic的达里奥·阿莫代伊给出的时间是2026年或2027年。特斯拉的伊隆·马斯克预测2025年就会出现超越个体人类的AI，到2030年前后则会出现超越全人类总和的AI。OpenAI的萨姆·奥特曼用了「合理的近未来」这种模糊措辞。Meta的马克·扎克伯格说，12到18个月内大部分代码将由AI编写。

另一边，百度的李彦宏预测「10年以上」，Meta的杨立昆（Yann LeCun）则坚持「至少10年，可能远不止」，并主张需要全新的科学发现。哈萨比斯处于中间。他与其他CEO的区别在于，他给预测附加了条件。50%这个数字建立在「当前轨迹得以延续」这个前提上。同时，他也保留了「可能存在我们尚未察觉的障碍」这一不确定性。这是科学家的语言。

不用确信说话，而是用概率说话的习惯。哈萨比斯做出这一预测的依据是什么？他提到了几个具体的进展。Gemini系列的快速发展是其中之一。2025年7月与Lex Fridman的对话中，哈萨比斯说：「Gemini 3绝对是一个令人惊叹的模型，完全符合我的预期，也与过去几年我们所走的轨迹完全吻合。」

推理能力的改善、多模态理解的拓展，以及智能体系统的发展，是他指出的具体进步。

DeepMind的DeepThink并行运行多条推理过程，然后让它们相互交叉验证。哈萨比斯把这称为「打了类固醇的推理（reasoning on steroids）」。测试时计算（test-time compute），即在AI生成答案时投入额外算力的方法，是DeepMind从AlphaGo时代就开始探索的路径。

在围棋中落子之前模拟数千种局面的原理，现在也被应用到了语言模型上。哈萨比斯50%的预测中，包含一个重要的保留。另外的50%，即2030年前AGI不会到来的概率，同样大。

原因也很明确。当前的系统在推理、记忆、物理世界理解和创造性发明这些根本能力上，仍然存在缺失。2025年1月，在与Alex Kantrowitz的访谈中，哈萨比斯断言「今年没有任何研究机构能达到AGI」，同时批评了那些对技术过度包装的人。作为诺贝尔奖得主和行业最前沿的研究者，他的这番话，在过热的AGI争论中是一种难得的克制之声。

2025年12月，哈萨比斯的预测在一个细节上有了更新。在达沃斯的舞台上，当阿莫代伊给出「2026到2027年」时，哈萨比斯回应说「我们的分歧并不大」。随后补了一句：「我的时间表稍长一些。」

这种微妙的靠拢，是在竞争压力与科学审慎之间寻求平衡的尝试。市场希望时间表更短，投资者想要确定性，但研究的现实随时可能推翻预测。归根到底，哈萨比斯50%的预测说的是这件事：

AGI会来。问题不是「会不会（if）」，而是「什么时候（when）」。这个「什么时候」可能是5年后，可能是10年后，也可能更久。

「还需要一两个变压器级别或AlphaGo级别的突破」。2025年5月的谷歌I/O上，哈萨比斯用一句话概括了通往AGI的距离。「要真正实现AGI那样的东西，可能还需要一两个新的突破（to get all the way to something like AGI may require one or two more new breakthroughs）。」7月在Lex Fridman播客中，他重复了这个想法。

「要获得通用智能应有的、跨所有领域的一致性，我们在推理、记忆，或许还有世界模型这些方向上，还需要一两项东西。」这话听起来谦逊，但其中蕴含的信息量是巨大的。哈萨比斯参照了两个历史先例。

一个是2017年谷歌大脑团队发表的Transformer架构。一篇题为「Attention Is All You Need」的论文彻底改写了自然语言处理的格局，成为GPT系列和Gemini在内的现代AI模型的基石。另一个是2016年的AlphaGo。

深度神经网络、强化学习与蒙特卡洛树搜索的结合，这种前所未有的组合攻克了围棋这座不可逾越的堡垒。两个案例都不是渐进式改良，而是跨越既有范式的质变。哈萨比斯说「还需要一两个突破」，那么这些突破的候选方向在哪里？他反复提及的领域有三个。

第一个是推理（reasoning）。当前的大语言模型基于模式识别来生成回答。它们看起来能解数学题、进行逻辑推理，但这一过程是否与人类的逻辑思维以同样的方式运作，仍然不清楚。

DeepMind的DeepThink是应对这一问题的一种路径。并行探索多条推理路径并相互验证，这种方式是AlphaGo搜索棋步方法的延伸。哈萨比斯将其称为「突破的一部分」。

言下之意是，这还不是全部。推理的下一阶段，即自主生成新假设并加以验证的能力，仍是尚未抵达的领域。第二个是记忆（memory）。当前的AI模型在对话结束后就会遗忘对话内容。

每一次交互都从空白状态开始。人类的智能建立在持续学习（continual learning）之上，不断积累经验，将过去的学习应用于新的情境。要弥合这一差距，可能需要一种整合情景记忆、语义记忆和程序记忆的全新架构。

哈萨比斯的神经科学背景恰好在这一点上展现出价值。他博士论文的研究主题，海马体（hippocampus）与情景记忆，正是AI至今未能复现的大脑核心功能。第三个是世界模型（world model）。2025年12月，哈萨比斯在谷歌DeepMind播客中明确提出了实现AGI的两个前提条件。其中第一个就是世界模型，即AI真正理解物理规律和空间的能力。如果语言模型能够讲述故事，

那么世界模型就能构建环境。然而，让AI真正参与现实的决定性一步在于实验。Genie根据情境实时生成场景，SIMA在其中执行任务，无论成功还是失败，结果都成为AI自身的学习素材，形成循环。这就是哈萨比斯所构想的认知闭环（cognitive closed loop）。

对于哈萨比斯的这一判断，也有人持怀疑态度。有效利他主义（Effective Altruism）论坛2025年12月的一篇分析提出了尖锐的问题：「哈萨比斯列举的那些未解研究课题，分层强化学习、世界模型、持续学习、创造性想法生成，其实都是存在了几十年的老问题。搜索学术数据库，从1990年代初就能找到分层强化学习的论文。

凭什么确信这些老问题能在三到五年内解决？」这一批评切中了要害。当前AI产业的投资大部分集中在大语言模型的规模扩展上，而哈萨比斯认为必不可少的新科学发现，获得的资源相对少得多。

哈萨比斯用「两件事同时做」的原则来化解这种张力。在把现有技术推到极致的同时，也为六个月到一年后将到来的下一次创新做准备。这和棋手的思维方式一样：把眼前这一步走到最好，同时在脑中预演十步之后的棋局。

AlphaGo身上也印证了同样的策略。一边把已知的招法研究到底，一边大胆抛出谁都没想到的新手。谢尔盖·布林在这里引出了一个有趣的历史类比。

「回顾N体问题模拟的历史，算法变聪明带来的进步，比计算机性能提升带来的进步更大。而现在，两者在同时进步。」哈萨比斯认为不可或缺的突破，恰恰就在算法这一侧。不是把数据中心建得更大，不是堆更多GPU，而是对智能如何运作这一根本问题获得全新的领悟。

这「一两个突破」会在何时、何地、以何种面貌出现，没有人知道。2015年没有人预见到Transformer论文会在2017年问世。也没有人事先想到AlphaGo的第37手。哈萨比斯也承认这种不可预测性。

但他同时表示，他的团队「准备了好几个很有前景的想法，希望把它们汇入Gemini的主流」。纵观科学史，突破总是降临在有准备的人身上。哈萨比斯已经为此准备了四十年。

棋盘前萌生的那个问题，「这种智能能不能用在更好的地方？」如今已走到了末尾的关口。通向AGI的路线图

人工智能专家 金京镇律师

AI法律政策专家 · 前国会议员 · 著作等身

如果这本书曾在您身边短暂停留，请支持我们，让下一个故事得以面世。

（自愿捐助账户：农协 302-1096-0948-81 户名：金京镇）