DeepMind CEO：真正的 Agent 还没开始爆发丨Y Combinator

DeepMind CEO：真正的 Agent 还没开始爆发丨Y Combinator DeepMind CEO：真正的 Agent 还没开始爆发丨Y Combinator Modified May 16 🔗 原文链接： https://mp.weixin.qq.com/s/AU78pSD3... 原创 Capihom Capihom 晚点再听LaterCast2026年5月16日 22:02 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 "AGI 还缺连续学习、长期推理和记忆。" "要走深科技路线，就得把 AGI 算进中途变量。" "Agent 是通往 AGI 的路径，我们才刚开始。" Demis Hassabis 的履历很少见：童年下国际象棋，17 岁参与设计游戏 Theme Park，后来转去读认知神经科学博士，2010 年创办 DeepMind。AlphaGo 击败围棋世界冠军，AlphaFold 解决蛋白质结构预测，被全球数百万研究者使用，也让他拿到 2024 年诺贝尔化学奖。YC 的 Garry Tan 这次问得很直接：AGI 还差什么，Agent 到底走到哪一步，创业者在 AGI 逼近时还该押注什么。 这场对话少有空泛愿景，更像一份给工程师、产品负责人和深科技创始人的路线图。 AGI 还差三块拼图 Garry Tan 开场问：大规模预训练、RLHF、思维链这些东西，已经离 AGI 的最终架构多近？Hassabis 没有否定当前路线。他认为这些组件大概率会留下来，因为过去几年已经证明了太多能力。DeepMind 现在的判断更细：当前范式不会突然变成死路，但上面还要补一到两个大想法。 他点名的缺口是连续学习、长期推理、记忆，以及系统在不同任务里的稳定性。 如果你的公司正在把模型接进真实流程，这些词不抽象，它们分别对应用户偏好会不会沉淀、复杂任务会不会跑偏、同一套 Agent 能不能跨几天继续推进。 "连续学习、长期推理和记忆仍未解决。" 他给出的 AGI 时间感也很明确：大约 2030 年。这个年份不该被当成预言，更像一个工程约束。深科技项目常常是 10 年旅程，创业者今天启动公司，很可能在中途遇到更强的通用 AI。Hassabis 的提醒很实际：别只问当下模型能帮你做什么，也要问几年后 AGI 出现时，你做的系统会被替代、被放大，还是会成为它调用的工具。产品路线、数据资产、权限设计和行业关系，都要能经得起这个中途变量的重新估值。 别把记忆都塞进上下文窗口 Hassabis 读博士时研究海马体、记忆和想象。他把今天模型里的“上下文窗口”类比成人的工作记忆：人类只能临时记住几个数字，模型已经能放进百万 token，但粗暴塞入一切仍然低效。直播视频、会议记录、代码库历史、客户对话，全都变成 token 后，百万上下文很快就会被吃掉。 记忆最难的一步不在存储，落在某个决策点能否找到此刻相关的信息。 早期 DQN 训练 Atari 游戏时用过 experience replay，把成功轨迹反复回放；他认为今天 Agent 的长期记忆也需要类似的选择、压缩和回放机制。 "把所有东西塞进上下文窗口，仍然太蛮力。" 这段对产品设计尤其有用。很多 AI 产品把“记住用户”写成卖点，最后落地成聊天记录检索。Hassabis 的说法把门槛抬高了：系统要知道哪些片段可信、哪些过期、哪些只在当前客户或当前代码分支里生效。把记忆做成一个可被审计、可被更新的工作层，比单纯扩大上下文更接近可用的 Agent。团队还要给记忆加上来源、时间和置信度，否则一次错误检索就可能把后续动作带偏。 AlphaGo 的旧方法又回来了 DeepMind 从创立开始就在做 Agent。Hassabis 回忆，团队最早把游戏当作训练场，是因为游戏规则明确、反馈及时、可以安全试错。Atari、AlphaGo、AlphaZero、MuZero、AlphaStar，全都是会设定目标、规划动作、主动试错的系统。今天大家把思维链、thinking mode 当作新能力，Hassabis 认为里面有很多思想来自 AlphaGo 时代：搜索、强化学习、推演多个分支，再选择更好的路径。 他甚至提到 Monte Carlo tree search 这类老方法正在被重新拿出来，放到更通用的基础模型上。 创业者别只盯着最新 API 名字，底层能力的演进经常来自旧技术在新规模上的回潮。 "AlphaGo 和 AlphaZero 的很多思想，今天依然相关。" 他对推理能力的评价也相当克制。模型能解奥赛级题目，却会在换一种问法后犯基础错误；Gemini 下棋时，有时能意识到一步棋是昏招，却因为找不到更好选择又走回去。Hassabis 把它称作“jagged intelligence”，像锯齿一样忽高忽低。工程团队如果把 Agent 接进高风险流程，就不能只看单次 demo 的上限，还要设计中途监控、回退、人工介入和自检。 小模型会让工程迭代更快 谈到 Gemini Flash 和小模型，Hassabis 说 Google DeepMind 的一项强项是把前沿模型能力快速蒸馏到更小、更便宜、更低延迟的模型里。Google 有搜索、Gemini、YouTube、Maps 等十多个十亿级用户产品，服务压力迫使他们把模型做得更快。工程师会直接感到工作方式被改写：如果一个 90% 或 95% 能力的小模型足够快，写代码、跑测试、改 UI、生成候选方案的循环会明显缩短。 速度带来的多轮迭代，可能补回那一点能力差距。 "足够快的系统，会把迭代速度还给开发者。" 他还提到边缘模型的作用。手机、眼镜、机器人和家庭设备会处理非常私密的音视频信息，本地模型可以先做理解和筛选，只在必要时把任务交给云端大模型。未来的 AI 产品不一定是一个巨大的云端大脑，更可能是本地快模型、云端强模型、专用工具和权限系统一起编排。今天做产品架构时，隐私、延迟、成本和调用链要一起算。谁在本地处理，谁去云端推理，哪些结果需要留痕，会变成产品体验的一部分。 Agent 仍在实验室门口 Garry Tan 认为 Agent 才刚开始，Hassabis 同意。原因很简单：要到 AGI，系统必须能主动解决问题。眼下 Agent 已经能完成任务的一部分，把多个工具串起来也能做出酷东西，但它们还不会很好地适应具体环境。Hassabis 说，缺少连续学习正在限制 Agent 完整执行任务。 真正让人放心的状态，是你把任务放进去，系统能学习场景、自己处理细节、最后交付结果。 现在大多数团队还在试哪里能产生真实效率，而不是只做演示。 "Agent 是通往 AGI 的路径，我们才刚开始。" 他举了一个很接地气的判断：如果 AI coding 真能完全释放价值，应该先看到很多人做出畅销 App 或畅销游戏，而不是直接看到全自动公司。Hassabis 17 岁做 Theme Park 花了 6 个月，现在用工具半小时能做出原型，但一款能卖 1000 万份的游戏还需要 craft、人的灵魂和品味。AI 能把生产速度拉高，品味、选择和最后的打磨仍然会把优秀团队区分出来。 Gemini 押注多模态世界模型 Hassabis 特别强调 Gemini 从一开始就按多模态构建。只做文本会更容易起步，但 DeepMind 认为长期收益在于世界模型、机器人、Waymo、手机和眼镜里的实时助手。一个进入现实世界的数字助手，不能只读文字，它要理解你面前的物体、空间关系、物理直觉和当前场景。 多模态能力会决定 AI 能否从屏幕里的助理，变成现实世界里的执行者。 "机器人模型会建立在多模态基础模型上。" 推理成本下降后，Hassabis 并不相信 inference 会很快接近免费。Jevons 悖论会发生：越便宜，大家越会用，数百万 Agent、多个思考分支、模型集成都会吃掉新供给。能源如果靠聚变、超导或新电池大幅下降，芯片制造仍会形成瓶颈。创业公司要得到的结论很朴素：别把商业模式押在“算力马上免费”上，先把每一次调用花在哪里、能换回什么产出算清楚。 AlphaFold 给深科技公司定了门槛 AlphaFold 是 Hassabis 反复提到的样板。它解决的是一个 50 年生物学难题，如今全球超过 300 万研究者使用，几乎每个生物学研究者都能从中受益。DeepMind 又把 Isomorphic Labs 拆出来，继续推进药物发现里的相邻化学和生物化学环节。下一站是虚拟细胞，先从相对自洽的细胞核开始。 他认为完整虚拟细胞可能还要 10 年，难点既在建模，也在活细胞动态成像的数据。 "虚拟细胞大概还需要十年。" YC 现场很多人想做 AI for Science。Hassabis 给出的分界线很清楚：只是在基础模型外面包一层 API，不容易形成长期优势；把 AI 和材料、药物、气候、数学、硬件或原子世界里的深技术结合，才更能抵抗下一代模型更新的冲击。深科技没有近路，团队最好同时懂机器学习和目标科学领域，或者在创始团队里补齐两边能力。这样的公司启动慢，但一旦找到数据、实验和模型之间的闭环，防线也更厚。 找 AlphaFold 式突破，看三个条件 Hassabis 总结 AlphaGo 和 AlphaFold 的共同模式：第一，空间足够大，暴力搜索和特例算法都无能为力；第二，有清晰目标函数，围棋里是赢棋，蛋白质里可以是自由能最小化；第三，有足够数据，或者有模拟器能产生分布内的合成数据。满足这三点，今天的方法就有机会在巨大搜索空间里找到“针”。 药物发现也是类似逻辑：理论上有一种化合物能治疗疾病且副作用可控，难点在于如何高效找到它。 "搜索空间越巨大，这套方法越有用。" 他也给科学推理泼了一点冷水。DeepMind 有 co scientist，也有 AlphaFold 这类超越基础 Gemini 的专用系统，但他还没看到 AI 独立做出“巨大科学发现”。他想看的门槛更高：模型要提出一个让顶尖数学家愿意投入一生的新命题。他甚至提出“爱因斯坦测试”：只给系统 1901 年前的知识，看看它能否走到 1905 年的相对论。这是对 AI 创造力更高的门槛。 2030 前后，创业路线要重算 最后一个问题是给技术创始人的：如果回到 25 岁，Hassabis 希望自己更早知道什么？他的回答没有鸡血。他说，做难题和做浅题都难，只是难法不同。生命很短，应该把精力投到如果没有你推动就不会发生的事情上。DeepMind 早年被投资人和学界质疑，AI 被认为是 90 年代试过且没成的窄门，但他愿意继续做，因为它是他能想到最有后果、也最有趣的方向。 "深科技十年路上，AGI 可能会中途出现。" 他设想未来的通用系统会调用 AlphaFold 这类专用系统，而不是把所有蛋白质知识塞进一个巨型大脑。Gemini、Claude 或其他通用模型会像总调度员，调用独立工具、训练专门模块、连接工厂、金融系统和科学实验。创业者今天要追问：“AGI 进入中场时，我手里的系统能被它调用、放大，还是显得多余？” 写在最后 Hassabis 这场对话最值得带走的是一种建设顺序，那个精确年份反倒次要：先承认模型还有短板，再围绕记忆、推理、工具和深领域知识搭系统。AI 会继续变强，人的选择仍然重要。越靠近 AGI，越要把自己的工作放进更长的技术周期里看。先把可积累的行业知识、实验数据和工具接口留下来，后面的模型才有东西可用。 内容来源："Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough"丨Y Combinator（嘉宾：Demis Hassabis） 原视频：https://www.youtube.com/watch?v=JNyuX1zoOgU&t=1165s Audio or video is not supported Please download the file and open it with the appropriate software. cd8df6a4f8684771aef08dda44afc246.mp4 · 199.80MB cd8df6a4f8684771aef08dda44afc246 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣ https://mp.weixin.qq.com/s/AU78pSD3... 🔗 原文链接： https://mp.weixin.qq.com/s/AU78pSD3... https://mp.weixin.qq.com/s/AU78pSD3... 原创 Capihom Capihom 晚点再听LaterCast2026年5月16日 22:02 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 "AGI 还缺连续学习、长期推理和记忆。" "要走深科技路线，就得把 AGI 算进中途变量。" "Agent 是通往 AGI 的路径，我们才刚开始。" Demis Hassabis 的履历很少见：童年下国际象棋，17 岁参与设计游戏 Theme Park，后来转去读认知神经科学博士，2010 年创办 DeepMind。AlphaGo 击败围棋世界冠军，AlphaFold 解决蛋白质结构预测，被全球数百万研究者使用，也让他拿到 2024 年诺贝尔化学奖。YC 的 Garry Tan 这次问得很直接：AGI 还差什么，Agent 到底走到哪一步，创业者在 AGI 逼近时还该押注什么。 这场对话少有空泛愿景，更像一份给工程师、产品负责人和深科技创始人的路线图。 AGI 还差三块拼图 Garry Tan 开场问：大规模预训练、RLHF、思维链这些东西，已经离 AGI 的最终架构多近？Hassabis 没有否定当前路线。他认为这些组件大概率会留下来，因为过去几年已经证明了太多能力。DeepMind 现在的判断更细：当前范式不会突然变成死路，但上面还要补一到两个大想法。 他点名的缺口是连续学习、长期推理、记忆，以及系统在不同任务里的稳定性。 如果你的公司正在把模型接进真实流程，这些词不抽象，它们分别对应用户偏好会不会沉淀、复杂任务会不会跑偏、同一套 Agent 能不能跨几天继续推进。 "连续学习、长期推理和记忆仍未解决。" 他给出的 AGI 时间感也很明确：大约 2030 年。这个年份不该被当成预言，更像一个工程约束。深科技项目常常是 10 年旅程，创业者今天启动公司，很可能在中途遇到更强的通用 AI。Hassabis 的提醒很实际：别只问当下模型能帮你做什么，也要问几年后 AGI 出现时，你做的系统会被替代、被放大，还是会成为它调用的工具。产品路线、数据资产、权限设计和行业关系，都要能经得起这个中途变量的重新估值。 别把记忆都塞进上下文窗口 Hassabis 读博士时研究海马体、记忆和想象。他把今天模型里的“上下文窗口”类比成人的工作记忆：人类只能临时记住几个数字，模型已经能放进百万 token，但粗暴塞入一切仍然低效。直播视频、会议记录、代码库历史、客户对话，全都变成 token 后，百万上下文很快就会被吃掉。 记忆最难的一步不在存储，落在某个决策点能否找到此刻相关的信息。 早期 DQN 训练 Atari 游戏时用过 experience replay，把成功轨迹反复回放；他认为今天 Agent 的长期记忆也需要类似的选择、压缩和回放机制。 "把所有东西塞进上下文窗口，仍然太蛮力。" 这段对产品设计尤其有用。很多 AI 产品把“记住用户”写成卖点，最后落地成聊天记录检索。Hassabis 的说法把门槛抬高了：系统要知道哪些片段可信、哪些过期、哪些只在当前客户或当前代码分支里生效。把记忆做成一个可被审计、可被更新的工作层，比单纯扩大上下文更接近可用的 Agent。团队还要给记忆加上来源、时间和置信度，否则一次错误检索就可能把后续动作带偏。 AlphaGo 的旧方法又回来了 DeepMind 从创立开始就在做 Agent。Hassabis 回忆，团队最早把游戏当作训练场，是因为游戏规则明确、反馈及时、可以安全试错。Atari、AlphaGo、AlphaZero、MuZero、AlphaStar，全都是会设定目标、规划动作、主动试错的系统。今天大家把思维链、thinking mode 当作新能力，Hassabis 认为里面有很多思想来自 AlphaGo 时代：搜索、强化学习、推演多个分支，再选择更好的路径。 他甚至提到 Monte Carlo tree search 这类老方法正在被重新拿出来，放到更通用的基础模型上。 创业者别只盯着最新 API 名字，底层能力的演进经常来自旧技术在新规模上的回潮。 "AlphaGo 和 AlphaZero 的很多思想，今天依然相关。" 他对推理能力的评价也相当克制。模型能解奥赛级题目，却会在换一种问法后犯基础错误；Gemini 下棋时，有时能意识到一步棋是昏招，却因为找不到更好选择又走回去。Hassabis 把它称作“jagged intelligence”，像锯齿一样忽高忽低。工程团队如果把 Agent 接进高风险流程，就不能只看单次 demo 的上限，还要设计中途监控、回退、人工介入和自检。 小模型会让工程迭代更快 谈到 Gemini Flash 和小模型，Hassabis 说 Google DeepMind 的一项强项是把前沿模型能力快速蒸馏到更小、更便宜、更低延迟的模型里。Google 有搜索、Gemini、YouTube、Maps 等十多个十亿级用户产品，服务压力迫使他们把模型做得更快。工程师会直接感到工作方式被改写：如果一个 90% 或 95% 能力的小模型足够快，写代码、跑测试、改 UI、生成候选方案的循环会明显缩短。 速度带来的多轮迭代，可能补回那一点能力差距。 "足够快的系统，会把迭代速度还给开发者。" 他还提到边缘模型的作用。手机、眼镜、机器人和家庭设备会处理非常私密的音视频信息，本地模型可以先做理解和筛选，只在必要时把任务交给云端大模型。未来的 AI 产品不一定是一个巨大的云端大脑，更可能是本地快模型、云端强模型、专用工具和权限系统一起编排。今天做产品架构时，隐私、延迟、成本和调用链要一起算。谁在本地处理，谁去云端推理，哪些结果需要留痕，会变成产品体验的一部分。 Agent 仍在实验室门口 Garry Tan 认为 Agent 才刚开始，Hassabis 同意。原因很简单：要到 AGI，系统必须能主动解决问题。眼下 Agent 已经能完成任务的一部分，把多个工具串起来也能做出酷东西，但它们还不会很好地适应具体环境。Hassabis 说，缺少连续学习正在限制 Agent 完整执行任务。 真正让人放心的状态，是你把任务放进去，系统能学习场景、自己处理细节、最后交付结果。 现在大多数团队还在试哪里能产生真实效率，而不是只做演示。 "Agent 是通往 AGI 的路径，我们才刚开始。" 他举了一个很接地气的判断：如果 AI coding 真能完全释放价值，应该先看到很多人做出畅销 App 或畅销游戏，而不是直接看到全自动公司。Hassabis 17 岁做 Theme Park 花了 6 个月，现在用工具半小时能做出原型，但一款能卖 1000 万份的游戏还需要 craft、人的灵魂和品味。AI 能把生产速度拉高，品味、选择和最后的打磨仍然会把优秀团队区分出来。 Gemini 押注多模态世界模型 Hassabis 特别强调 Gemini 从一开始就按多模态构建。只做文本会更容易起步，但 DeepMind 认为长期收益在于世界模型、机器人、Waymo、手机和眼镜里的实时助手。一个进入现实世界的数字助手，不能只读文字，它要理解你面前的物体、空间关系、物理直觉和当前场景。 多模态能力会决定 AI 能否从屏幕里的助理，变成现实世界里的执行者。 "机器人模型会建立在多模态基础模型上。" 推理成本下降后，Hassabis 并不相信 inference 会很快接近免费。Jevons 悖论会发生：越便宜，大家越会用，数百万 Agent、多个思考分支、模型集成都会吃掉新供给。能源如果靠聚变、超导或新电池大幅下降，芯片制造仍会形成瓶颈。创业公司要得到的结论很朴素：别把商业模式押在“算力马上免费”上，先把每一次调用花在哪里、能换回什么产出算清楚。 AlphaFold 给深科技公司定了门槛 AlphaFold 是 Hassabis 反复提到的样板。它解决的是一个 50 年生物学难题，如今全球超过 300 万研究者使用，几乎每个生物学研究者都能从中受益。DeepMind 又把 Isomorphic Labs 拆出来，继续推进药物发现里的相邻化学和生物化学环节。下一站是虚拟细胞，先从相对自洽的细胞核开始。 他认为完整虚拟细胞可能还要 10 年，难点既在建模，也在活细胞动态成像的数据。 "虚拟细胞大概还需要十年。" YC 现场很多人想做 AI for Science。Hassabis 给出的分界线很清楚：只是在基础模型外面包一层 API，不容易形成长期优势；把 AI 和材料、药物、气候、数学、硬件或原子世界里的深技术结合，才更能抵抗下一代模型更新的冲击。深科技没有近路，团队最好同时懂机器学习和目标科学领域，或者在创始团队里补齐两边能力。这样的公司启动慢，但一旦找到数据、实验和模型之间的闭环，防线也更厚。 找 AlphaFold 式突破，看三个条件 Hassabis 总结 AlphaGo 和 AlphaFold 的共同模式：第一，空间足够大，暴力搜索和特例算法都无能为力；第二，有清晰目标函数，围棋里是赢棋，蛋白质里可以是自由能最小化；第三，有足够数据，或者有模拟器能产生分布内的合成数据。满足这三点，今天的方法就有机会在巨大搜索空间里找到“针”。 药物发现也是类似逻辑：理论上有一种化合物能治疗疾病且副作用可控，难点在于如何高效找到它。 "搜索空间越巨大，这套方法越有用。" 他也给科学推理泼了一点冷水。DeepMind 有 co scientist，也有 AlphaFold 这类超越基础 Gemini 的专用系统，但他还没看到 AI 独立做出“巨大科学发现”。他想看的门槛更高：模型要提出一个让顶尖数学家愿意投入一生的新命题。他甚至提出“爱因斯坦测试”：只给系统 1901 年前的知识，看看它能否走到 1905 年的相对论。这是对 AI 创造力更高的门槛。 2030 前后，创业路线要重算 最后一个问题是给技术创始人的：如果回到 25 岁，Hassabis 希望自己更早知道什么？他的回答没有鸡血。他说，做难题和做浅题都难，只是难法不同。生命很短，应该把精力投到如果没有你推动就不会发生的事情上。DeepMind 早年被投资人和学界质疑，AI 被认为是 90 年代试过且没成的窄门，但他愿意继续做，因为它是他能想到最有后果、也最有趣的方向。 "深科技十年路上，AGI 可能会中途出现。" 他设想未来的通用系统会调用 AlphaFold 这类专用系统，而不是把所有蛋白质知识塞进一个巨型大脑。Gemini、Claude 或其他通用模型会像总调度员，调用独立工具、训练专门模块、连接工厂、金融系统和科学实验。创业者今天要追问：“AGI 进入中场时，我手里的系统能被它调用、放大，还是显得多余？” 写在最后 Hassabis 这场对话最值得带走的是一种建设顺序，那个精确年份反倒次要：先承认模型还有短板，再围绕记忆、推理、工具和深领域知识搭系统。AI 会继续变强，人的选择仍然重要。越靠近 AGI，越要把自己的工作放进更长的技术周期里看。先把可积累的行业知识、实验数据和工具接口留下来，后面的模型才有东西可用。 内容来源："Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough"丨Y Combinator（嘉宾：Demis Hassabis） 原视频：https://www.youtube.com/watch?v=JNyuX1zoOgU&t=1165s Audio or video is not supported Please download the file and open it with the appropriate software. cd8df6a4f8684771aef08dda44afc246.mp4 · 199.80MB cd8df6a4f8684771aef08dda44afc246 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. cd8df6a4f8684771aef08dda44afc246.mp4 · 199.80MB cd8df6a4f8684771aef08dda44afc246 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣