DeepMind 掌门人 Demis Hassabis 关于 AGI 的分享，为AI 创业者给了一个新的思考方向。行业此前沉迷大模型参数竞赛，却忽略了 AI 对物理世界的认知短板，而 Hassabis 提出的 “世界模型 + 自动实验” 双轮驱动，恰恰点破了 AGI 落地的核心痛点。

更具有启发的观点是：与其在通用大模型赛道内卷，不如聚焦垂直领域的 “小闭环”。比如 DeepMind 用 Veo、Genie 让 AI 理解物理规律，用自动实验室突破材料研发，这种 “先解决具体场景问题，再沉淀通用能力” 的思路，正是中小创业公司的机会所在。

而 “科研闭环” 理念 ——AI 从提问到验证再到迭代的自主能力，这不仅是技术方向，更是商业模式的新可能。或许不必追求像 DeepMind 般的宏大叙事，但完全可以在医疗检测、新材料筛选等垂直场景，搭建轻量化的 “虚拟模拟 + 实体验证” 闭环，这才是当下更务实的破局点。

这条不靠参数堆砌、重在智能重构的道路，是否可以重塑了AGI的实现路径？人类与AI共同探索的未来又将是什么样？以下，Enjoy：

2025 年 12 月 16 日，Google DeepMind 播客更新了这一季的最后一期。对话 Demis Hassabis，全长超过 50 分钟。

不是发布会，也不是复盘产品。

开场一句就定了基调：别只盯着产品发布（look beyond the product launches）。聊的是未来十年最根本的两件事。

Hassabis说，通往 AGI 得先把两件事做成：

• 一件叫世界模型，让 AI 真正理解物理与空间；
• 一件叫自动实验，让 AI 能动手解决材料、聚变这些基础问题。

但更重要的是，这两件事必须连起来，形成一个完整的科研闭环：AI 能自己提问、自己验证、自己迭代。

Hassabis 认为，AGI 不是生成模型的终点，而是科研闭环的起点。

01

世界模型：AI 不止理解句子，还得看懂世界

Hassabis 说，世界模型一直是他的核心关注点。这不是新想法，但到了2025年，不做不行了。

过去几年，语言模型会写、会答、会总结，看起来无所不能。Hassabis承认，语言包含的世界信息比预期多，甚至比语言学家想象的都多。但他指出一个矛盾：这些模型可以在国际数学奥林匹克拿金牌，却会在小学几何题上出错；它能生成惊艳图像，却不理解杯子为什么不会飘在空中。

问题出在哪？它们没有世界模型。

所谓世界模型，就是 AI 对物理现实的直觉理解能力，比如什么能倒、什么会动、东西会以什么方式变化，空间是怎么构成的，时间是怎么推移的。

更关键的是，很多东西根本无法用语言描述：传感器数据、电机角度、气味、触感。人类从小就靠身体学会这些，但语言模型只读过书、没接触过物理世界。

DeepMind 的解决方案是几个产品：

• Veo：理解视频里的运动、液体流动、光线变化
• Genie：凭空生成可互动的游戏世界，带空间结构和物理反馈
• Sima：让AI化身在虚拟环境中执行任务，练出感知、行动、反应的能力链条
  
  

Genie 和 Sima 可以互相作用。Genie生成世界，Sima在里面探索，两个 AI 形成训练闭环。这可能让 AI 自动设置任务、解决任务，难度不断递增，无需人类介入。这是继 AlphaGo 之后，DeepMind 第二次尝试让 AI 自我进化。

但 Hassabis 也承认，这些模型目前只是“看起来真实”。

如果用牛顿三定律测试，会发现它们只是近似。对于机器人来说，这个精度还不够。DeepMind正在用游戏引擎创建物理基准，像做高中物理实验一样，测试 AI 是否真的理解了世界的运行规律。

如果你能模拟这个世界，那就说明你真的理解了它。

这也解释了为什么世界模型是 AGI 的前置条件。AGI 的目标不是更好的 chatbot，而是能在物理世界中行动的智能体。

从机器人到 AR 助手，再到终极游戏，所有这些都需要 AI 先理解物理世界如何运作。

简单说，世界模型是 AI 走出纯数字空间的必经之路。

02

自动实验：AI 不只说得像，更要动手做

语言模型能讲故事，世界模型能构建环境，但真正让 AI 参与现实的那一步，是实验。

Hassabis 说，我们做 AlphaFold 的时候，就想证明一件事：AI 不只是工具，它可以成为真正的科研参与者。

现在，DeepMind 正在把这件事做大。

（CNBC：在英国，DeepMind成立首个全自动化实验室）

2025 年 12 月 10 日，DeepMind 与英国政府达成合作，要在 2026 年建立DeepMind的第一个全自动化科学实验室。这是一台从头设计、完全集成Gemini的科研引擎。它每天能合成并测试数百种材料，由多学科研究团队监督，但实验的执行、数据分析、方向调整，主要由 AI 和机器人完成。

研究方向集中在几块硬骨头：

• 更高效的电池材料
• 室温超导体
• 新一代低损耗半导体

这些都不是模型生成个答案能解决的事，而是真要走进实验室、接触物质、试错迭代。

和 AlphaFold 比，差别在哪？

• AlphaFold 证明了AI可以预测，它用算力穷尽蛋白质的可能折叠方式，输出的是数字答案。
• 自动实验室要证明的是AI可以验证，它要真的合成物质、测量性能、发现问题、改进配方。前者是数字世界的突破，后者是物理世界的突破。

Hassabis 表示，这一步的意义不止是提效，更是让 AI 真正进入科学的内部流程。过去，AI 辅助的是科研周边工作：文献总结、图像识别、数据标注。现在，它开始参与假设提出、实验设计、数据验证，甚至能反过来修正最初的研究思路。

材料科学是最适合做这件事的领域。

因为它既需要大量试错（一个新材料配方可能要测试几千次），又有明确验证标准（测一下电阻、强度、熔点就知道行不行）。这让 AI 的自主实验成为可能。

速度是关键。Hassabis 提到的室温超导体、聚变材料，都是困扰人类几十年的问题。不是因为理论不够，而是因为试错太慢。如果 AI 能把材料筛选速度提升100倍，那能源革命可能真的只需要10年。

除了自动实验室，DeepMind 还在与美国核聚变技术研发商 Commonwealth Fusion Systems 合作，用 AI 帮助控制托卡马克反应堆中的等离子体。这是核聚变商业化的最后一道坎。

用 Hassabis 的话说：AGI 的前提不是更聪明，而是更能动手。

03

闭环是关键：AI 要能自己提问、动手、再推理

前两节讲的是两件事：世界模型让 AI 看懂世界，自动实验让 AI 动手验证。但真正让 AGI 变得可能的，不是它们各自有多强，而是它们能不能连起来，跑通一个完整的认知闭环。

Hassabis 的原话是：我们过去在训练回答者，现在要训练研究者。

什么意思？

关键在于如何让感知和行动形成循环。DeepMind的做法是：把第一节提到的Genie和Sima连接起来。

• Genie 根据需要即时生成场景（比如重力变化、摩擦力变化的环境）
• Sima 在里面完成挑战（搬箱子、避障、寻找目标）

任务失败或成功，都成为 AI 自我学习的材料。两个AI在彼此的思维中互动，却不知道对方是谁。Genie 不知道 Sima 是另一个AI，它只是把Sima当成玩家。Sima也不知道世界是AI创造的，它只是在完成任务。

这创造了一个可能无限扩展的训练循环：Sima 想学什么，Genie 就能即时创造什么。你可以自动设置和解决数百万个任务，难度不断递增，完全不需要人类介入。

如果把这个循环抽象出来，你会看到一个完整的科研流程：

• 提出问题（要解决什么？）
• 生成场景（在哪种条件下测试？）
• 执行任务（模拟、行动、实验）
• 整理反馈（数据、结论、优化）
• 再提出更好的问题（迭代进入下一轮）

这个过程，过去只有科学家在做。现在，AI 开始具备类似能力。

这个循环不只是为了训练更好的模型。Hassabis 提到，同样的技术可以用来创造更智能的游戏 NPC，也可以用来训练机器人。因为机器人需要的能力和游戏智能体高度重叠：感知环境、规划路径、执行动作、从失败中学习。

Genie+Sima 形成的虚拟闭环，和第二节提到的自动实验室，构成了两个平行的自主研究系统：一个在数字世界跑通逻辑，一个在物理世界验证假设。

所以 AGI 不只是一个更大的模型，而是一个能自己生成任务、动手验证、推理更新的智能体。

简单说，它必须能像研究者那样工作。

结语

AGI 的门口，不在参数里

Hassabis 给出的这条通往 AGI 的路线，不靠更大模型，也不靠更强算力，而是靠 AI 真正“理解世界”和“改变世界”的能力。

世界模型是基础，让 AI 看清因果；

自动实验是手段，让 AI 验证认知。

这不是模型优化，而是智能的重构。

未来，AI 会自己提问、自己试验、自己修正。到那时，我们对知识、科学甚至思维的定义，可能都得重新写一遍。