DeepMind创始人Demis Hassabis谈AGI路径：世界模型与自动实验的闭环

在2025年12月16日这个年终之际，Google DeepMind播客迎来了本季的收官之作，独家呈现了与公司联合创始人兼首席执行官Demis Hassabis的深度对话，访谈时长超过50分钟，内容涉及人工智能未来的根本性变革。

这场对话并非为了发布新产品或复盘过往成就，而是直接切入未来十年的核心议题。

开场Hassabis便定下了基调：不要只盯着产品发布（look beyond the product launches），而是要展望未来十年最根本的两大突破方向。

Hassabis明确指出，通往AGI（通用人工智能）必须优先完成两件大事：

第一是构建世界模型，让AI真正理解物理空间与因果规律；

第二是发展自动实验能力，使AI能够动手解决材料科学、核聚变等基础科学难题。

但更关键的是，这两者必须紧密耦合，形成一个完整的科研闭环：AI能够自主提出问题、设计验证方案、执行实验、并迭代优化。

Hassabis认为，AGI并非语言生成模型的终点，而是这个科研闭环的起点，它将开启科学发现的全新范式。

第一节｜世界模型：AI 不止理解句子，还得看懂世界

Hassabis强调，世界模型始终是他个人和研究团队的核心关注点。这一构想并非新近提出，但到了2025年，技术演进已使其成为必须攻克的关键环节。

过去几年，大型语言模型在写作、问答、总结等方面表现惊人，几乎无所不能。Hassabis承认，语言中蕴含的世界信息远比预期丰富，甚至超出了语言学家的想象。但他尖锐地指出一个矛盾：这些模型可以在国际数学奥林匹克竞赛中摘得金牌，却在简单的小学几何题上栽跟头；它们能生成惊艳的图像，却无法理解为什么杯子不会悬浮在空中。

问题根源何在？因为它们缺乏世界模型。

所谓世界模型，是指AI对物理现实的直觉理解能力——比如什么物体可以倾倒、什么会移动、事物如何随时间变化，空间如何构成，因果如何传递。这些能力人类通过婴儿期的探索自然习得，但语言模型只读过文本，从未接触过真实的物理世界。

更关键的是，许多感知维度无法用语言精确描述：传感器的连续数据、电机的转角、气味分子、触觉反馈。人类依靠身体学会这些，而语言模型仅靠文字永远无法触及。

DeepMind为此开发了多个产品来逐步构建世界模型：

• Veo：通过视频数据学习物体的运动模式、液体流动规律、光线变化原理，为AI提供视觉世界的动态理解。
• Genie：能够凭空生成可交互的游戏世界，不仅呈现画面，还内置了空间结构和物理反馈，相当于为AI提供无限的训练场地。
• Sima：让AI化身在虚拟环境中执行具体任务，通过感知、规划、行动、反馈的链条，逐步掌握与环境交互的能力。

Genie 和 Sima 可以协同工作：Genie根据需求实时生成场景，Sima在其中探索和学习，两者形成自动化的训练闭环。这一机制有望让AI自主设置任务、解决任务，且任务难度可动态递增，完全无需人类干预。这是继AlphaGo自我对弈之后，DeepMind第二次尝试让AI实现自我进化。

但Hassabis也坦诚，当前这些模型仅能生成“视觉上真实”的画面，尚未达到物理精确的程度。

如果用牛顿三大定律来检验，会发现它们的行为只是近似真实。对于机器人这类需要高精度物理理解的领域，当前的精度远远不够。为此，DeepMind正在利用游戏引擎创建物理基准测试，像高中物理实验一样，用简单的定律检验AI是否真正理解了世界的运行规律。

Hassabis坚信，如果你能精确模拟这个世界，那就意味着你真正理解了它。

这也解释了为何世界模型是AGI的前置条件。AGI的目标不是打造更聪明的聊天机器人，而是创造能在物理世界中自主行动的智能体。

从家庭服务机器人到增强现实助手，再到终极的开放世界游戏，所有这些应用都需要AI先理解物理世界如何运作。

简而言之，世界模型是AI走出纯数字空间、进入物理现实的必经之路。

第二节｜自动实验：AI 不只说得像，更要动手做

语言模型能讲出精彩的故事，世界模型能构建逼真的环境，但让AI真正参与现实世界的关键一步，是实验验证。

Hassabis回顾道，当初开发AlphaFold时，他们就想证明一件事：AI不仅是辅助工具，它可以成为科学研究的核心参与者，甚至主导发现过程。

如今，DeepMind正将这一理念推向极致。

（CNBC报道：DeepMind在英国启动首个全自动化科学实验室）

2025年12月10日，DeepMind与英国政府达成战略合作，计划于2026年建成第一个全自动化科学实验室。这并非传统实验室的简单自动化，而是一台从头设计、完全集成Gemini大模型的科研引擎。它每天能够合成并测试数百种新材料，由多学科研究团队监督，但实验执行、数据采集、结果分析、方向调整等核心环节，主要由AI和机器人自主完成。

研究方向聚焦于几块长期困扰人类的硬骨头：

1. 更高能量密度的电池材料，以推动电动汽车和储能技术革命。
2. 室温超导体，若成功将彻底改变能源传输和计算效率。
3. 新一代低损耗半导体，为更高效的计算芯片奠定基础。

这些问题无法仅靠模型生成答案解决，必须走进实验室、接触物质、反复试错迭代。

与AlphaFold相比，自动实验的突破点在哪里？

AlphaFold证明了AI可以高效预测蛋白质结构，它用算力穷举可能的折叠方式，输出的是数字答案，仍需人类实验验证。

而自动实验室要证明的是AI可以自主验证——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，两者结合才能形成完整的科研链条。

Hassabis强调，这一步的意义远不止提高效率，更是让AI真正融入科学研究的内部流程。过去，AI辅助的主要是文献总结、图像识别、数据标注等周边工作。现在，它开始参与假设提出、实验设计、数据验证，甚至能根据实验结果反向修正最初的研究思路，形成科学家与AI的深度协作。

材料科学是这一模式的最佳试验场。

因为它既需要海量试错（一个新材料配方可能需要测试数千种组合），又有明确的验证标准（测量电阻、强度、熔点即可判断优劣）。这使得AI的自主实验成为可能，且能快速迭代。

速度是关键。Hassabis指出，室温超导体、聚变堆材料等难题之所以几十年无解，并非理论缺失，而是试错过程太慢。如果AI能将材料筛选速度提升100倍，那么能源革命可能真的只需10年就能实现。

除了自动实验室，DeepMind还与美国核聚变技术公司Commonwealth Fusion Systems合作，利用AI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技术门槛。AI通过对海量传感器数据的实时分析，能够比传统控制系统更精准地维持等离子体稳定，为清洁能源的未来打开大门。

用Hassabis的话说：AGI的前提不是更聪明，而是更能动手。只有具备实验能力的AI，才能称之为真正的科学智能。

第三节｜闭环是关键：AI 要能自己提问、动手、再推理

前两节分别阐述了世界模型和自动实验的重要性。但真正让AGI从可能变为现实的，不是它们各自的强大，而是它们能否连接起来，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。

这句话的核心在于：如何让感知与行动形成循环反馈。DeepMind的做法是将第一节提到的Genie和Sima连接起来，形成一个自我驱动的学习系统。

Genie根据需要即时生成多样化的场景（例如改变重力、摩擦系数、物体形状的环境）

Sima则在这些场景中完成具体挑战（如搬运箱子、避开障碍、寻找目标）

任务成功或失败，都成为Sima自我学习的材料，同时反馈给Genie以生成更具挑战性的场景。两个AI在彼此的思维中互动，却不知道对方是AI——Genie把Sima当作普通玩家，Sima也不知道世界是AI创造的，它只是在执行任务。

这种设计创造了一个理论上可以无限扩展的训练循环：Sima想学习什么技能，Genie就能即时创造相应的训练环境。于是，AI可以自动设置并解决数百万个任务，难度不断递增，完全不需要人类介入。这相当于为AI提供了一个永不枯竭的课程生成器。

将这个循环抽象出来，你会看到一个完整的科研流程：

• 提出问题：当前需要解决什么科学或工程问题？
• 生成场景：在哪些条件下进行测试？如何构建虚拟或物理实验环境？
• 执行任务：在环境中进行模拟、行动、实验操作，收集数据。
• 整理反馈：分析数据，得出结论，识别优化方向。
• 再提出更好的问题：基于反馈迭代，进入下一轮研究循环。

这个过程，过去只有人类科学家才能完成。现在，AI开始具备类似的自主研究能力。

这一循环不仅用于训练模型，还有广泛的应用前景。Hassabis提到，同样的技术可以用来创造更智能的游戏NPC，使其具备类人的学习和适应能力；也可以用来训练实体机器人，因为机器人与游戏智能体所需的能力高度重叠：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，与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。两者相互印证、相互促进，共同推动AI向AGI迈进。

因此，AGI不只是一个规模更大的模型，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，具备科学家的思维方式和动手能力。

结语｜AGI 的门口，不在参数里

Hassabis描绘的这条通往AGI的路线图，不依赖更大的模型规模或更强的算力堆砌，而是聚焦于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；

两者的闭环，则赋予AI自主探索和发现的可能。

这不仅是模型优化，更是智能范式的重构。

未来，AI将能够自己提问、自己试验、自己修正，甚至提出人类未曾想到的新问题。到那时，我们对知识、科学乃至思维本身的定义，都可能需要重新书写。

📮 原文链接：

https://www.youtube.com/watch?v=PqVbypvxDto&t=3s

https://x.com/GoogleDeepMind/status/2000985655715807599

https://deepmind.google/blog/strengthening-our-partnership-with-the-uk-government-to-support-prosperity-and-security-in-the-ai-era/?referrer=grok.com

https://www.cnbc.com/2025/12/11/googles-ai-unit-deepmind-announces-uk-automated-research-lab.html