DeepMind CEO Hassabis 预测 AGI：2029 还是 2030？

2026 年 5 月，Google I/O 开发者大会上，Google DeepMind CEO Demis Hassabis 在主题演讲的压轴环节抛出了一句引发全网热议的言论：

「当我们回望这个时代，我想我们都会意识到，我们正站在奇点的山脚下。」

这句话之所以震撼，不仅在于其措辞的戏剧性，更在于它来自一位诺贝尔奖得主和全球最顶尖 AI 实验室的掌舵人。Hassabis 在 2024 年因 AlphaFold 对蛋白质结构预测的贡献获得了诺贝尔化学奖——这使他的言论远比一般科技 CEO 的「炒作式预测」更有分量。

核心预测内容

在接受 Axios 采访（2026 年 5 月 26 日）时，Hassabis 进一步阐述了他的预测：

• AGI 将在 2029-2030 年到来，比他此前的预测（约 2030 年）提前了 1 年
• 缩短预测的原因是「行业已经找到了正确的技术路径」
• 当前的 AI Agent 时代（2025-2026）可以被看作是 AGI 的「预演」（practice run）
• 他提到「当 Agent 在未来一年真正发挥作用时，想象一下它们一年后能达到什么水平」

在 CIO 的报道中，Hassabis 还补充说：「AGI 现在已经出现在地平线上，它将成为人类有史以来最深刻、最有影响力的技术。」

为什么这一预测值得关注

Hassabis 的预测与硅谷常见的「AGI 炒作」有本质区别。他不是创业者，不需要用 AGI 来吸引投资；他已经是行业领袖，不需要通过激进预测来提升公司估值。更重要的是，他领导着全球最强大的 AI 研究团队之一——DeepMind，其团队在 AlphaFold、Gemini、AlphaGo 等领域取得了一系列突破性成果。

本站认为：Hassabis 的预测值得认真对待，但不应盲目接受。理解他的预测依据、评估其技术可行性、以及思考 AGI 定义本身的争议性，才是理性讨论的起点。

讨论 AGI 之前，必须先回答一个看似简单但实际极其复杂的问题：什么是 AGI？

Hassabis 的定义

在 Hassabis 的语境中，AGI 的定义与「奇点」紧密相关。他曾在接受 Bloomberg 采访时明确表示：「奇点是 AGI 到来的另一种说法」。这一定义与 Vernor Vinge 和 Ray Kurzweil 的经典概念有所不同——Vinge 和 Kurzweil 的「奇点」指的是 AI 超越人类智能后引发的指数级自我进化，而 Hassabis 的定义更侧重于「AI 达到或超越人类在几乎所有认知任务上的表现」。

其他科技领袖的定义

不同人对 AGI 的定义差异巨大，这直接影响了他们对时间表的判断：

• Sam Altman（OpenAI CEO）：将 AGI 定义为「在绝大多数经济上有价值的任务上超越人类」，并暗示超级智能（ASI）可能在「几千天内」到来
• Anthropic CEO Dario Amodei：认为「强大的 AI」将在 2026 年出现，但他更谨慎地使用「强大 AI」而非「AGI」
• Geoffrey Hinton（图灵奖得主）：对 AGI 时间表持谨慎态度，认为当前方法可能存在根本性局限
• Yann LeCun（Meta 首席 AI 科学家）：公开质疑 AGI 定义的有效性，认为「人类连自己的智能都不理解，谈何定义 AGI」

定义的模糊性是核心问题

问题的关键在于：AGI 不是一道「有或没有」的是非题，而是一个连续谱。当前的 LLM 已经在某些任务（写作、编程、翻译）上超越了绝大多数人类，但在其他任务（物理世界交互、常识推理、长期规划）上仍然远远落后。

Hassabis 说 2029-2030 年到达 AGI，隐含的定义是「AI 在大多数认知任务上达到人类水平」。但这个定义本身就存在问题：

1. 「大多数」是多少？ 80%？90%？99%？
2. 「人类水平」是谁的水平？ 普通人、专家、还是天才？
3. 认知任务包含哪些？ 是否包含情感智能、创造力、道德判断？

这些问题的答案直接决定了 AGI 是否真的「近在咫尺」。

Hassabis 缩短预测的核心理由是：「行业已经找到了正确的技术路径」。这一判断基于以下几个关键信号：

信号一：AI Agent 的成功验证

Hassabis 将 2025-2026 年的 AI Agent 浪潮称为 AGI 的「预演」。这一定位非常关键——它意味着 Agent 不只是产品形态的演进，而是通往 AGI 的技术路线验证。

2026 年，AI Agent 已经在多个领域展示了超越「对话式 AI」的能力：

• 代码 Agent：可以独立完成从需求分析到代码实现再到调试的完整开发周期
• 研究 Agent：能够阅读论文、提出假设、设计实验、分析结果
• 商业 Agent：可以执行市场调研、竞品分析、客户沟通等复杂商业任务

这些 Agent 的核心特征不再是「被动回答问题」，而是主动规划、多步执行、自我修正。Hassabis 认为，这种「主动性」是通往 AGI 的关键一步。

信号二：模型能力的持续突破

2026 年，大语言模型的能力边界正在以惊人的速度扩展：

• 上下文窗口：从 2024 年的 128K token 扩展到 2026 年的 1M+ token，使模型可以处理整本书或整个代码库
• 多模态能力：从纯文本扩展至图像、语音、视频、代码的统一理解和生成
• 推理能力：通过思维链（Chain-of-Thought）、思维树（Tree of Thoughts）等技术，模型在数学和逻辑推理任务上的表现显著提升

这些进步使 Hassabis 有理由相信，当前的 Transformer + 强化学习 + 大规模数据的技术路线是可持续的，而不是即将触顶。

信号三：从「冻结模型」到「持续学习」的范式转变

Hassabis 在 I/O 上特别提到：「当前的模型是「冻结的」（frozen），而下一代的 Agent AI 将聚焦于持续学习和长期规划。」

这是一个非常重要的技术信号。当前的 LLM 在训练完成后就「冻结」了——它们无法从新的交互中学习。而真正的 AGI 需要具备持续学习能力——在与环境的交互中不断积累知识、调整策略、优化行为。

如果 2027-2028 年，AI 模型能够从「冻结的快照」进化为「持续学习的系统」，那么 AGI 的到来确实可能比预期更快。

尽管 Hassabis 的预测有其依据，但 AI 学界和工业界对 2030 年 AGI 的质疑声同样不容忽视。

质疑一：当前技术路线的天花板

Yann LeCun（Meta 首席 AI 科学家） 是「当前技术路线无法到达 AGI」这一观点的最有力支持者。他的核心论点是：

• 当前的 LLM 是自回归生成模型——它们通过预测下一个 token 来生成文本，这种机制本质上无法实现真正的「理解」和「推理」
• 要实现真正的智能，需要世界模型（World Model）——AI 需要对物理世界有内在的理解，而不仅仅是统计模式匹配
• 在 AAAI 2025 年主席小组报告中，76% 的受访专家认为仅靠扩展当前的 AI 方法不可能实现 AGI

LeCun 的观点代表了学术界的一派共识：当前的 Transformer 架构可能是通往 AGI 的「死胡同」，需要全新的架构范式。

质疑二：AGI 安全挑战的不可控性

即使技术上可行，AGI 的安全性也是一个巨大的挑战。Hassabis 本人在 I/O 上也承认：「我们必须清醒地认识到潜在的挑战，并利用一切可用工具确保 Agent 系统——以及最终 AGI 本身——的安全性。」

2026 年，AI 安全领域的主要担忧包括：

• 对齐问题（Alignment Problem）：如何确保 AGI 的目标与人类价值观一致？
• 能力失控：如果 AGI 的自我改进速度超出人类理解能力，我们还能控制它吗？
• 滥用风险：AGI 可能被用于大规模虚假信息、网络攻击、生物武器设计等

这些问题不是「AGI 到达后再解决」的技术问题，而是AGI 到达前就必须解决的前置条件。如果安全框架不能跟上技术发展的速度，AGI 的部署可能会面临严重的社会和政治阻力。

质疑三：社会接受度的滞后

技术的可行性和社会的接受度是两个不同的问题。即使 2030 年技术上可以实现 AGI，社会是否准备好接受它？

• 2026 年 5 月，全球已有近 1500 起案件因当事人提交含 AI 错误的文件而受到制裁——这反映了社会对 AI 输出的信任度仍然很低
• 欧盟 AI Act 将 AGI 级别系统列为「不可接受风险」或「高风险」的可能性不能排除
• 许多行业和职业群体（律师、医生、教师）对 AI 的接受度仍然有限

技术可以指数级进步，但社会制度的变化通常是线性的。 这个时间差可能导致「技术上已实现的 AGI」在很长一段时间内无法被大规模部署和使用。

要评估 2030 年 AGI 的可能性，需要理解当前通往 AGI 的主要技术路线及其各自的进展和挑战。

路线对比：谁最有可能到达 AGI？

核心分歧点

三条路线的根本分歧在于 「通往 AGI 的关键突破在哪里」：

• Google DeepMind 认为：关键在于科学领域的应用验证。通过 Gemini for Science 在蛋白质折叠、药物发现、材料科学等领域的突破，可以验证和提升模型的推理能力，从而逐步接近 AGI。

• OpenAI 认为：关键在于规模扩展 + 对齐研究。继续扩大模型规模和训练数据，同时通过 Superalignment 项目确保超级智能的安全性。

• Meta 认为：关键在于世界模型。LeCun 主张构建能够理解物理世界的 AI 系统，而非仅依赖文本模式匹配。

本站的观点：三条路线都有道理，但也都有局限。最可能的路径是三者的融合——Transformer 提供语言理解能力，强化学习提供任务优化能力，世界模型提供物理世界理解。谁能最快实现三者的有效整合，谁就最有可能率先到达 AGI。

Hassabis 将 2025-2026 年的 AI Agent 浪潮称为 AGI 的「预演」。这一判断值得深入分析。

Agent 与 AGI 的关系

AI Agent 的核心特征是：感知 → 规划 → 执行 → 反思 → 迭代。与传统的「一问一答」式 AI 不同，Agent 具备以下能力：

• 主动性：不只是被动回答问题，而是主动识别任务并规划解决方案
• 工具使用：可以调用外部工具（搜索、代码执行、API 调用）来完成复杂任务
• 多步推理：将一个复杂任务分解为多个子任务，按序执行并整合结果
• 自我修正：在执行过程中发现问题并调整策略

这些能力确实是 AGI 所必需的核心组件。但问题是：拥有这些组件是否等同于 AGI？

Agent 的局限性

2026 年的 AI Agent 仍然存在显著的局限性：

1. 领域局限：当前的 Agent 通常在特定领域（代码、数据分析、文本处理）表现良好，但跨领域迁移能力有限。一个擅长写代码的 Agent 可能完全无法处理医疗诊断任务。

2. 长期规划不足：虽然 Agent 可以进行多步推理，但通常局限于几十步以内的短期规划。真正的 AGI 需要能够在数年甚至数十年的时间尺度上进行规划——这是当前 Agent 远远无法实现的。

3. 缺乏真正的「理解」：Agent 可以执行复杂任务，但它对任务本身的理解仍然是表面的、统计性的。它不知道自己在做什么，只是按照训练数据中的模式生成看似合理的输出。

4. 不可靠性：即使是最先进的 Agent 系统，在面对意外情况时也可能完全失败。它们缺乏人类的「常识」和「灵活性」——在训练数据覆盖范围之外的场景中表现不可预测。

从 Agent 到 AGI 的「最后一公里」

从当前的 Agent 到真正的 AGI，可能不是一个「量变」的过程，而是需要「质变」。这个质变可能包括：

• 世界模型的内化：Agent 需要构建对物理世界和人类社会运作的内在理解，而非仅依赖训练数据中的统计模式
• 目标自主性：从「执行用户给定的目标」进化为「自主识别有价值的目标并追求」
• 持续学习：从「训练完成后冻结」进化为「在与环境的交互中持续学习和成长」

这些「质变」可能需要全新的架构和范式，而不仅仅是现有技术的线性扩展。这也是 LeCun 等学者对 2030 年 AGI 持怀疑态度的核心原因。

无论 AGI 是否在 2029-2030 年到来，社会都需要为 AGI 的到来做好准备。Hassabis 的预测最大的价值可能不在于其技术准确性，而在于它提醒我们：AGI 不是一个遥远的科幻概念，而是一个可能在几年内成为现实的技术挑战。

如果 AGI 在 2030 年到来，社会准备好了吗？

从技术层面看：

• 计算基础设施：当前的 GPU/TPU 集群规模可能在 2030 年支持 AGI 级别的训练和推理，但能源消耗和散热是巨大挑战
• 安全框架：AI 安全研究正在加速，但距离「可证明安全的 AGI」还有很长的路要走
• 监管框架：欧盟 AI Act 是全球最全面的 AI 监管立法，但它主要针对当前的 AI 系统，尚未涵盖 AGI 级别的风险

从经济层面看：

• 劳动力市场：AGI 可能对白领工作产生颠覆性影响——从程序员到律师、从分析师到医生，几乎所有依赖认知技能的职业都可能被重塑
• 财富分配：如果 AGI 由少数公司控制，可能加剧全球财富不平等
• 产业重组：AGI 可能催生全新的产业形态，同时淘汰大量现有产业

从社会层面看：

• 教育体系：当前的教育体系培养的是「认知技能」，而 AGI 时代可能需要完全不同的能力培养模式
• 社会认同：如果机器在大多数认知任务上都超越人类，「人的价值」将如何重新定义？
• 国际竞争：AGI 可能成为国家竞争力的核心要素，引发新一轮地缘政治竞争

我们应该如何准备？

个人层面：

1. 关注 AI 素养：理解 AI 的基本原理、能力和局限，学会与 AI 协作而非与之竞争
2. 培养独特能力：创造力、情感智能、伦理判断等是 AI 难以替代的能力
3. 持续学习：在 AI 快速演进的时代，持续学习的能力比任何单一技能都重要

社会层面：

1. 推动 AI 安全教育：让公众理解 AI 的能力和局限，避免过度依赖和盲目恐惧
2. 建立伦理框架：在 AGI 到来之前，建立全球共识的 AI 伦理和使用规范
3. 投资安全研究：AI 安全研究的投入应该与 AI 能力研究的投入相匹配

本站的立场：无论 AGI 的时间表如何，对 AGI 的准备不应该等到它到来才开始。Hassabis 的预测最重要的启示是：我们现在就应该开始行动。

基于当前的技术进展和各方观点，我们对 Hassabis 的 AGI 预测给出三种可能的情景分析。

情景一：乐观实现（概率约 30%）

AGI 在 2029-2030 年以某种形式实现。实现路径可能包括：

• 技术融合：Transformer + 强化学习 + 世界模型在 2027-2028 年实现有效整合
• 规模突破：模型规模突破当前瓶颈，实现质的飞跃
• Agent 成熟：AI Agent 从「特定领域助手」进化为「通用智能代理」

在这种情况下，Hassabis 将被证明是一位有远见的预言家。2030 年可能成为人类历史上最重要的技术分水岭。

情景二：延迟到达（概率约 50%）

AGI 在 2035-2040 年实现，比 Hassabis 的预测晚 5-10 年。延迟原因可能包括：

• 技术瓶颈：当前的 Transformer 架构遇到不可逾越的天花板，需要全新的范式
• 安全约束：AI 安全问题的复杂性超出预期，AGI 的部署受到严格限制
• 社会阻力：公众和政策制定者对 AGI 的接受度远低于预期

在这种情况下，Hassabis 的预测虽然过于乐观，但其大方向（「AGI 是可行的」）仍然正确。

情景三：范式转移（概率约 20%）

AGI 的定义或实现路径发生根本性变化。可能的情况包括：

• AGI 不是单一事件，而是渐进式的——我们在某个时间点突然发现 AI 已经「足够智能」，但没有一个明确的「AGI 到来日」
• AGI 的形态与预期不同——它可能不是「超级人类智能」，而是某种我们目前无法想象的新形态智能
• AGI 的定义被重新定义——随着技术进步，我们对「智能」的理解发生变化，AGI 的标准也随之改变

在这种情况下，Hassabis 的预测可能部分正确（AGI 会到来），但其时间表和定义可能需要重新理解。

本站的判断

综合各方证据，本站认为情景二（延迟到达）是最可能的结局。理由如下：

1. 技术进步的速度：当前 AI 的进步速度确实惊人，但技术 S 曲线告诉我们，指数级增长不会永远持续
2. 安全挑战的深度：AGI 安全问题比技术问题更复杂，可能需要更长时间来解决
3. 历史教训：过去 60 年的 AI 发展经历了多次「AI 冬天」——当预期过高时，现实往往会让人失望

但这不意味着我们可以忽视 Hassabis 的警告。即使 AGI 比预期晚 5-10 年到来，社会也应该从现在开始准备。

为了更全面地评估 Hassabis 的预测，我们整理了一份 AGI 预测的历史对比表，以及一个实用的技术评估框架。

关键人物 AGI 预测历史

实用评估框架：如何跟踪 AGI 进展

如果你想持续跟踪 AGI 的进展，可以使用以下评估框架：

根据这个框架，当前 AGI 的综合进度约为 56%。但要注意：

1. 各项指标的权重不同——物理世界交互和常识推理可能是 AGI 的「瓶颈指标」，它们的权重应该更高
2. 人类基线的定义——「人类水平」是指普通人还是专家？标准不同结果差异巨大
3. 非线性进展——某些指标可能在某个时间点突然跃升（如 2022 年 LLM 的突破），而另一些可能长期停滞

本站的评估：如果「物理世界交互」和「长期规划」这两个瓶颈指标不能在 2028 年前达到 70% 以上，那么 2030 年 AGI 的可能性将显著降低。

// AGI 进展评估框架
interface AGIMetric {
  name: string;           // 指标名称
  current: number;        // 当前水平
  human_baseline: number; // 人类基线
  trajectory: string;     // 发展趋势
}

const agiMetrics: AGIMetric[] = [
  { name: "自然语言理解", current: 0.85, human_baseline: 1.0, trajectory: "快速提升" },
  { name: "代码生成", current: 0.90, human_baseline: 1.0, trajectory: "接近饱和" },
  { name: "数学推理", current: 0.70, human_baseline: 1.0, trajectory: "稳步提升" },
  { name: "物理世界交互", current: 0.30, human_baseline: 1.0, trajectory: "早期阶段" },
  { name: "常识推理", current: 0.50, human_baseline: 1.0, trajectory: "缓慢提升" },
  { name: "长期规划", current: 0.20, human_baseline: 1.0, trajectory: "早期阶段" },
  { name: "创造力", current: 0.60, human_baseline: 1.0, trajectory: "争议中" },
  { name: "情感智能", current: 0.40, human_baseline: 1.0, trajectory: "缓慢提升" },
];

const progress = agiMetrics.reduce((sum, m) => sum + m.current, 0) / agiMetrics.length;
console.log(`AGI 综合进度: ${(progress * 100).toFixed(1)}%`);

# AGI 时间线概率模型
import numpy as np

def agi_probability(year, tech_growth=0.15, safety_lag=0.3, social_acceptance=0.1):
    """
    简化的 AGI 到达概率模型
    
    参数:
        year: 目标年份
        tech_growth: 技术年增长率
        safety_lag: 安全研究滞后系数
        social_acceptance: 社会接受度增长
    """
    years_left = year - 2026
    
    # 技术可行性（S 曲线）
    tech_prob = 1 / (1 + np.exp(-2 * (years_left * tech_growth - 3)))
    
    # 安全准备度
    safety_prob = 1 / (1 + np.exp(-1.5 * (years_left * (tech_growth - safety_lag) - 2)))
    
    # 社会接受度
    social_prob = 1 / (1 + np.exp(-1.0 * (years_left * social_acceptance - 1)))
    
    # 综合概率
    return tech_prob * safety_prob * social_prob

for y in range(2029, 2041):
    prob = agi_probability(y)
    print(f"{y}: AGI 到达概率 {prob*100:.1f}%")