最近看到DeepMind創辦人Hassabis在YC的一段訪談，有些觀點挺扎心的。他說如果你現在啟動一個十年期的深科技項目，必須把AGI在中途出現這件事納入規劃。這不是危言聳聽，他個人的時間軸就是2030年左右。

聽他講技術細節才明白為什麼AGI還差一兩塊拼圖。大規模預訓練、RLHF、思維鏈這些技術已經被驗證了，他很確定它們會成為AGI最終架構的一部分。但持續學習、長程推理、記憶的某些方面還沒真正解決。現在的做法基本是把所有東西往上下文視窗裡塞，這相當粗暴。他舉例說，一百萬token的上下文窗口看起來很大，但如果要處理即時視訊串流，其實只夠20分鐘的數據。想讓系統理解你一兩個月的生活，遠遠不夠。

推理的問題更有意思。他常拿Gemini下棋來觀察，發現它有時候意識到某步棋不好，但找不到更好的選擇，結果還是走了那步臭棋。精確的推理系統不應該這樣。這就是為什麼會看到所謂的「鋸齒狀智慧」——能解IMO金牌級的題，卻能被小學數學難住。

Agent這塊他坦言我們才剛起步。要達到AGI，必須有個能主動替你解決問題的系統，這就是Agent的路。但現在還在實驗階段，大多數場景下還是錦上添花。他提到還沒看到有人用AI工具做出過登頂應用商店排行榜的3A遊戲，按照當前投入的算力和工具，理論上應該可能，但還沒發生。說明流程或工具上還缺點什麼。他預計未來6到12個月內會看到這樣的成果。

有趣的是，小模型正在改變整個遊戲規則。他們的Flash模型能達到前沿模型95%的效果，但成本只有十分之一。蒸餾這套方法本來就是DeepMind發明的，現在仍然是世界頂尖。而且他們有極大的動力去優化——Google每個產品都在整合Gemini，涉及數十億用戶。這意味著必須速度極快、效率極高、成本極低。他不覺得已經碰到了資訊理論上的極限，一個前沿模型發布後，半年到一年內它的能力就能被壓縮到邊緣設備上運行的模型裡。

關於科學應用，Isomorphic Labs進展很好，AlphaFold只是藥物發現流程中的一個環節。他們的終極目標是做出完整的虛擬細胞，一個可以施加擾動的全功能細胞模擬器。估計距離完整虛擬細胞還有大約十年，現在從虛擬細胞核開始做。

對創業者最實用的建議是，追難問題和追簡單問題難度其實差不多，只是難的方式不同。人生有限，不如把精力砸在你不做就真沒人做的事情上。另外未來幾年跨領域組合會更普遍，AI會讓跨領域變得更容易。但最關鍵的是，認真對待AGI時間表，想像那個世界會是什麼樣，然後建立一個在那個世界到來時仍然有用的東西。