近日，Google DeepMind CEO Demis Hassabis 接受了YC CEO的訪談。本次對話梳理了AGI 的技術路徑， AI Agent 的演進路徑、模型蒸餾與邊緣計算的極限、長文本窗口與海馬體記憶機制的本質區別，以及 AI在藥物研發及前沿科學領域的應用。Demis Hassabis 在對話中還闡述了如何利用強化學習與搜索技術解決科學領域的組合搜索難題。

Demis Hassabis 指出，實現 AGI 的核心在于構建一個能夠主動解決問題的活躍系統。他認為 AGI 的最終架構已掌握了約 50% 的核心組件，包括大規模預訓練、強化學習及思維鏈推理，但在持續學習、長期推理和記憶一致性方面仍需一兩次關鍵的突破。

他指出，目前的超長上下文窗口屬于一種暴力存儲方式，面臨極高的檢索成本和精度挑戰。他主張借鑒神經科學中海馬體的運作機制，通過經驗回放和情景記憶鞏固，將新知識整合進現有的知識庫，而非單純依賴增加Token 數量。

Demis Hassabis 指出，目前中國在開源模型領域的表現非常強勁，在部分維度甚至處于領先地位。他預測，AGI 有望在 2030 年左右實現。針對深科技領域，他預計未來 10 年內人類將實現完整的虛擬細胞模擬，從而徹底改變藥物研發模式。他建議開發者在開啟長期研發之旅時，必須預判項目在 2030 年 AGI 出現時如何與其集成，并利用通用 AI 作為調度中樞來調用專業化的工具系統。

01

要實現 AGI，目前根本性缺失的是什么？

當前AI 架構已包含大規模預訓練、強化學習及思維鏈等成熟組件，但要實現 AGI，目前根本性缺失的是什么？考慮到 AI 目前是無狀態的且缺乏持續學習能力，開發者應如何引導 AI 走向自主執行？

Demis Hassabis：剛才提到的那些組件肯定會成為AGI 最終架構的一部分。這些技術已經發展到非常成熟的階段，其能力也得到了充分驗證。我不認為幾年后我們會發現這是一條死胡同，這不符合邏輯。但在我們已知有效的核心技術之上，可能還缺少一兩個關鍵環節。

持續學習、長期推理和記憶的某些方面仍未解決，如何讓 AI 在各項任務中保持更高的一致性也是挑戰。這些都是 AGI 的必要條件。現有的技術或許可以通過增量創新來解決這些問題，但也可能還需要一兩個重大的思想突破。即便存在這種突破，我認為也不會超過一兩個。我猜測這種可能性大約是 50%，因此 Google DeepMind 正在這兩個方向上同步推進。

（關于持續學習）這非常有趣。缺乏持續學習能力是阻礙 AI Agent 獨立完成復雜任務的主要瓶頸。雖然它們現在能輔助完成部分環節，但由于無法很好地適應特定上下文，還無法做到真正的自動執行。AI 必須學會理解并適應用戶所處的具體環境，攻克這一點，我們才能真正走向通用智能。

02

上下文窗口不是越大越好，檢索成本與精度平衡是關鍵

在AI Agent 系統中，目前的持續學習大多是權宜之計，而人類大腦通過海馬體在睡眠期間整合知識。從神經科學角度看，當前的百萬級 Token 上下文窗口是否已經足夠？

Demis Hassabis：夢境循環確實非常出色，我們曾通過情景記憶的鞏固來思考這一問題。這正是我博士研究的課題，即海馬體如何運作并將新知識順暢地整合進現有的知識庫中。大腦在這方面表現卓越，它在睡眠期間，特別是快速眼動睡眠階段，通過回放重要片段來進行學習。

事實上，我們最早的 Atari 程序 DQN 能夠精通游戲，關鍵之一就是采用了經驗回放。我們從神經科學中借鑒了這一機制，通過多次回放成功的軌跡讓 AI 學習。那是 2013 年，處于 AI 的早期階段，這一突破至關重要。我同意你的看法，現在的做法確實有些像打補丁，比如把所有信息都塞進上下文窗口，但這并不夠理想。

雖然我們研究的是機器而非生物大腦，理論上可以擁有數百萬甚至上千萬 Token 的上下文空間，且能達到完美存儲，但檢索并精準定位與當前決策相關的關鍵信息，依然存在巨大的成本。即便存儲不再是問題，這種檢索成本也不容忽視。在記憶等領域仍有巨大的創新空間。

對于大多數用途來說確實夠用了。如果將上下文窗口類比為工作記憶，人類通常只能同時處理幾個到十幾個數字，平均僅為七個，而我們現在擁有一百萬甚至一千萬的窗口。但問題在于，我們正試圖在其中存儲所有信息，包括不重要的甚至錯誤的信息，這種暴力存儲方式并不理想。如果你嘗試處理實時視頻并簡單地記錄所有 Token，一百萬 Token 其實只能覆蓋約 20 分鐘的內容。若要讓 AI 理解你生活中長達一兩個月發生的事情，我們需要更大的容量。

03

強化學習與搜索

DeepMind 歷來推崇強化學習和搜索技術，這些在 Gemini 的構建中體現了多少？強化學習在當前的基礎模型范式下是否被低估了？

Demis Hassabis：可能確實如此，技術發展總是波浪式前進。DeepMind 自創立伊始就致力于 AI Agent 研究，這是我們的初衷。從 Atari 系列工作到 AlphaGo，本質上都是 AI 系統，即能夠自主達成目標、做出決策并制定計劃的系統。起初我們選擇在游戲領域開展工作使其具備可操作性，隨后挑戰了更復雜的《星際爭霸》并開發出 AlphaStar，基本上挑戰了當時所有的主流游戲。

隨之而來的問題是，能否將這些 AI 泛化為世界模型或語言模型，而不僅僅是游戲模型。這就是過去幾年我們工作的重心。實際上，今天領先 AI 所具備的思考模式和思維鏈推理，可以看作是 AlphaGo 開創性思想的某種回歸。

我們當年的許多研究在今天依然極具價值，我們正以更通用、更大規模的方式重新審視這些舊想法，包括蒙特卡洛樹搜索（Monte Carlo tree search）以及在現有基礎之上增強強化學習的其他手段。AlphaGo 和 AlphaZero 的許多理念與當前的基礎模型高度相關，這也是未來幾年技術進步的主要方向。

04

小模型正在逼近頂級 AI 的智能水平

雖然必須通過構建最強大的AI 才能擁有前沿能力，但我們也看到蒸餾技術卓有成效，Flash 系列 AI 性能達到了前沿 AI 的 95% 而成本僅為十分之一。我好奇這些小 AI 實際上能有多聰明，蒸餾過程是否存在極限，一個 50B 或 400B 參數的 AI 能達到今天頂級 AI 的智能水平嗎？

Demis Hassabis：這是我們的核心優勢之一。雖然必須通過構建最強大的AI 才能擁有前沿能力，但我們也非常擅長迅速將這些能力蒸餾并壓縮進更小的 AI 中。蒸餾工藝是由我們團隊發明的，我們至今仍保持著世界領先水平。這種需求也源于 Alphabet 龐大的服務規模。無論是帶有 AI 概覽功能的搜索、Gemini 應用，還是谷歌地圖、YouTube 等產品，都集成了 Gemini 相關的技術。我們要服務數十億用戶，擁有十幾個用戶量過十億的產品。這意味著系統必須極速、高效、廉價且低延遲，這種壓力促使我們將 Flash 甚至更小的 Flash-Lite AI 做得極其高效。希望這些成果對你們的工作負載非常有用。

（關于小模型的極限）我不認為目前已經觸及了任何信息限制。或許未來某天會存在無法逾越的信息密度上限，但目前的假設是，在前沿 AI 發布一年后，你會在非常微小的邊緣 AI 中擁有它們。我們在 Gemma 2 系列 AI 中也展示了這種潛力，其性能在同尺寸下非常出色。這歸功于蒸餾技術以及對小 AI 效率的極致追求。從理論上講，我們距離所謂的極限還很遠。

這非常重要。現在工程師的工作效率能達到半年前的500 到 1000 倍。有人提到，現在的開發者一個人就能抵得上 2000 年代 1000 個 Alphabet 工程師的工作量。

Demis Hassabis：這非常令人振奮。小AI 有很多用途，除了成本優勢外，速度也是關鍵。在編程等協作場景中，更快的響應意味著更高效的迭代。即使 AI 不是最頂尖的，只要達到 90% 或 95% 的水平就足夠了，迭代速度帶來的收益遠超性能上的微小折損。另一個重點是邊緣計算，這既是為了效率，也是為了隱私和安全。處理私人信息的設備或家用機器人需要強大且高效的本地 AI，它們平時在本地處理視聽流，只有在特定情況下才向云端的前沿 AI 請求協作。這會是一個非常理想的最終狀態。

05

AI Agent 的真實瓶頸

關于推理，AI 現在可以做思維鏈，但在一些聰明大學生看來很簡單的任務上仍會失敗。哪些環節需要改變，你對推理的進展有何預期？AI Agent 目前非常火熱，甚至有人認為存在炒作，根據 Google DeepMind 的內部研究，AI Agent 的真實能力與外界的期待相比處于什么位置？

Demis Hassabis：思考范式仍有巨大的創新空間。目前的做法還比較初級，帶有某種暴力計算的色彩。未來的方向可能包括對思維鏈的實時監控，甚至在思考中途進行干預。我有時覺得，現在的AI，包括我們和競爭對手的，往往會陷入過度思考或邏輯循環。

比如我嘗試用 Gemini 下棋，目前所有的基礎模型在策略游戲上表現都不理想。觀察它們的思考軌跡非常有趣，因為棋局邏輯是可驗證的。我可以很快發現它是否在偏離方向。我們發現，AI 有時會意識到某個走法是失誤，但因為它找不到更好的方案，最終還是會選擇那個錯誤的走法。在精密推理系統中，這種現象是不該出現的。雖然存在這些顯著差距，但或許只需一兩次技術微調就能解決。這種參差不齊的智能現象，即一方面能解決國際數學奧林匹克（IMO）的金牌難題，另一方面卻會在簡單的數學或邏輯題上翻車，說明 AI 對自身思考過程缺乏某種內省機制。

（關于 AI Agent 的能力）我同意你的看法，一切才剛剛開始。實現 AGI 的關鍵在于擁有能主動解決問題的活躍系統，這一點我們始終堅信。AI Agent 正是通往這一目標的路徑。我們都在探索如何更好地利用這項技術，你在個人實驗中也處于領先地位。大家都在思考如何將 AI 合并到工作流程中，使其從一個輔助功能變為基礎核心。我的印象是，目前大家都在進行各種實驗，直到最近幾個月，才真正挖掘出具有實際價值的場景。技術正在跨越從漂亮演示到真正提升效率的門檻。我也注意到，有人嘗試讓幾十個 AI Agent 同時運行幾十小時，但目前的產出似乎還不足以抵消其投入，不過這一天終會到來。

我們仍處于實驗階段。目前還沒有出現哪款榜首級的游戲是完全靠憑感覺編碼生成的。雖然我能在半小時內用 AI 做出一個《主題公園》的雛形，這在以前需要半年時間，但這確實令人震驚。真正偉大的作品仍需要人類的匠心、靈魂和品位。這說明技術尚未完全成熟。如果技術真的到位了，我們應該已經看到年輕人僅憑 AI 就開發出銷量千萬級的熱門游戲。目前某種關鍵要素依然缺失，或許是流程，也可能是工具。你們作為一線的開發者可能比我更清楚。我期待在未來 6 到 12 個月內看到那些真正釋放全部價值的成果。

06

創造力、谷歌開源策略與多模態優勢

關于AI 的自主性，我們是否更可能先看到人們在 AI 加持下實現千倍效率提升，之后自動化程度才會提高？轉向開源和開放權重話題，最近發布的 Gemma 讓高性能 AI 能夠本地運行，這是否意味著 AI 將掌握在用戶手中而非云端，這會改變開發者利用模型構建應用的方式嗎？此外，谷歌 Gemini 天生就是多模態的，在上下文深度、工具調用以及直接語音交互方面表現出色，這背后有哪些深層考量？

Demis Hassabis： 談到創造力，AlphaGo 的案例非常有代表性，大家都知道第二局中著名的第 37 手。對我來說，那一刻我意識到可以啟動像 AlphaFold 這樣的科學項目了。我們在從首爾回來的當天就開始了 AlphaFold 的研發，距今已十年。這次采訪結束后，我正準備去韓國慶祝 AlphaGo 十周年。

但僅僅下出第 37 手是不夠的。那一手雖然驚艷且有用，但 AI 能發明圍棋嗎？這才是我的目標。我想要一個能夠根據高層描述發明游戲的系統。圍棋的規則五分鐘就能學會，卻需要終身磨練才能精通，在美學上非常優雅，且能在幾個小時內完成一局。我給出的高層描述應該是這些，而 AI 返回的結果應該是圍棋。目前的 AI 顯然還做不到這一點，我認為這說明還缺失了一些關鍵要素。那么答案可能就是系統并不缺失什么，只是我們使用的方式不對。現在的 AI 或許已經具備這種能力，只要有一個極具創造力的人提供動力和項目的靈魂，并能熟練掌握這些工具，達到人機合一的境界。如果像你們中的許多人那樣日以繼夜地鉆研這些工具，并將其與深層的創造力結合，就能創造出更不可思議的作品。

（關于開源與 Gemma）谷歌一直是開源和開放科學的堅定擁護者。AlphaFold 的成果是完全免費開放的，即便到今天，我們所有的科學工作依然發表在頂級期刊上。我們致力于開發同尺寸下全球領先的模型，Gemma 就體現了這一承諾。我們很高興看到 Gemma 在發布兩周半內下載量就突破了四千萬次。

我也認為開源領域擁有西方技術棧非常重要。目前全球各地的開源模型都很出色，中國目前的表現就非常強勁，在某些領域甚至處于領先地位。因此，我們認為提供 Gemma 這樣在對應尺寸級別上極具競爭力的模型，對維持西方技術棧的地位至關重要。對我們來說，資源、人才和算力總是有限的，沒有人能有足夠的算力同時開發兩個具有不同屬性的最頂級模型。目前我們決定將安卓系統、智能眼鏡和機器人所使用的端側模型設為開放模型。因為一旦部署到各類硬件終端，這些模型本質上就是透明的，不如索性完全開放。我們在 Nano 尺寸級別上統一了這一戰略，這在戰略上也對我們非常有利。我們希望有更多開發者在其基礎上進行構建。

（關于多模態優勢）這是 Gemini 系列被低估的一點。我們從一開始就將其設計為多模態，這比單純開發文本模型要難得多，但我們相信長遠來看會獲益。現在我們已經在世界模型構建方面看到了成果，例如在 Gemini 基礎上開發的 Genie。這對機器人技術至關重要，Gemini 機器人模型就是建立在多模態基礎模型之上的。Gemini 在多模態方面的強勢表現讓我們擁有了競爭優勢。我們正將其越來越多地應用于 Waymo。設想一下，如果你攜帶一個數字助手進入現實世界，無論是通過手機、眼鏡或其他設備，它都需要理解物理規律和你所處的物理環境。這是我們系統的強項，也是你覺得好用的原因。我們將繼續保持在這些領域的絕對優勢。

07

推理成本不會真正歸零

推理成本正在迅速下降。如果推理近乎免費，會開啟哪些可能性？這如何改變你們團隊的優化方向？此外，觀眾中有很多生物技術領域的創始人，AlphaFold 3 已經讓我們能建模更廣譜的生物分子，我們距離建模完整的細胞系統還有多遠？這是否屬于本質上更難的另一個層級的問題？

Demis Hassabis：我不確定推理是否會真的完全免費。由于杰文斯悖論（Jevons Paradox）等因素，我們最終會耗盡所有可用的資源。你可以想象數百萬個 AI Agent 組成的集群協同工作，或者單個 Agent 及其協作組進行多路徑思考并集成結果。我們和在座各位一樣都在嘗試這些方向，這些都會消耗掉所有可用的推理能力。或許有一天成本能降到極低。如果我們通過材料科學解決了核聚變、超導體或電池技術，能源成本將趨于零，但芯片的物理制造依然存在。在未來幾十年內，這仍將是瓶頸，因此我們必須高效地使用推理能力。

（關于虛擬細胞）我們在 AlphaFold 2 之后成立了 Isomorphic Labs，目前進展非常順利。藥物研發是一個復雜的系統工程，AlphaFold 只是其中一環。我們正試圖通過生物化學和化學手段來設計具有特定屬性的化合物。近期我們會有這方面的重大消息。我們的目標是實現完整的虛擬細胞。我在多次科學演講中提到過，一個可以運行的虛擬細胞模擬器能讓人們對其進行擾動實驗，其輸出應足夠接近真實實驗。這樣我們就能跳過許多搜索步驟，并生成大量合成數據來訓練其他模型，從而預測真實細胞的情況。

我認為距離實現完整的虛擬細胞大約還有 10 年。我們正從相對獨立的細胞核開始著手。關鍵在于能否從復雜系統中選取一個切片。最終目標是建模人體，但需要選取一個細節程度合適且足夠獨立的系統，建模其輸入和輸出。細胞核就是一個非常理想的切入點。另一個挑戰是數據。如果能在不破壞活細胞的前提下實現納米級分辨率的動態成像，那將徹底改變游戲規則，把生物學問題轉化為視覺處理問題。目前雖然能拍攝極高分辨率的靜態圖像，但這還不足以將其簡化為視覺問題。這可以通過硬件驅動的方案解決，或者通過構建更好的動力系統模擬器來實現。

08

未來五年，哪個科學領域會發生最劇烈的變革？

你一直關注材料科學、藥物研發、氣候建模、數學等各種科學，在未來五年內，你認為哪個科學領域會發生最劇烈的變革？對于這里嘗試做AI 與科學結合的創始人，你認為真正推進前沿的公司與僅僅給基礎模型套個 API 的公司，本質區別在哪里？AlphaFold 是追求卓越的典型，是什么讓一個領域成熟到可以實現此類突破？是否存在某種特定的模式？

Demis Hassabis：這些領域都非常令人興奮。我從事AI 行業 30 多年，初心就是將 AI 作為科學發現的終極工具，用于探索醫學和宇宙奧秘。我們最初的使命有兩個步驟，第一步是解決智能問題即構建 AGI，第二步是利用它來解決其他所有問題。后來我們調整了表達方式，但核心邏輯沒變。我的意思是解決科學中的根節點問題，開啟全新的發現途徑。AlphaFold 就是一個典范。全球有超過 300 萬研究人員在使用它。制藥行業的朋友告訴我，未來的藥物研發幾乎都離不開 AlphaFold。但這只是開始，我認為 AI 將在所有科學和工程領域提供幫助。其他領域目前正處于 AlphaFold 1 的階段，即已經看到了非常有希望的結果，但尚未徹底攻克。未來幾年，我們在材料、數學等領域會有更多突破。

（關于深科技創業）我建議大家要卡位 AI 技術的發展路徑。一個巨大的機會點在于將 AI 與深科技領域結合。這種跨學科的合作，特別是涉及到原子世界的領域，在可預見的未來是沒有捷徑可走的。這些領域具備天然的防御性，不會因為基礎模型的下一次更新而失去競爭力。我一直熱愛深科技，因為真正有價值的事業從不容易。對我而言，無論發生什么，我都會研究 AI。我從很小的時候就認定，這是我能想到的最有影響力的事情。事實證明確實如此，但在當時也可能并非如此。也許我們早生了 50 年。它也是我能想到的最有趣的研究方向。因此，即使我們現在還在某個小車庫里，即便項目進展還不順利，我今天依然會鉆研 AI。我還是會嘗試尋找，也許我會回到學術界或類似的地方，但我總會找到某種方法繼續研究它。

（關于 Alpha 項目的成功模式）等我有空的時候，我真該把這些心得寫下來。但我從我們做過的所有 Alpha 項目中，特別是 AlphaGo 和 AlphaFold 中吸取的教訓是，如果你能將一個問題描述為龐大的組合搜索空間，那么我們擁有的技術和我關注的問題就能發揮巨大威力。在某種程度上，搜索空間越大， AI 的優勢就越明顯。因為這意味著任何暴力破解或特殊案例算法都無法解決它。圍棋的走法與蛋白質的構型可能性都遠超宇宙中原子的總數，兩者在本質上是相通的。其次，你需要一個明確的目標函數。你可以把它看作是最小化蛋白質的自由能，或者是贏得圍棋比賽。你需要清晰地定義目標函數，以便 AI 能夠進行爬山法優化。最后是需要足夠的數據，或者是一個能生成大量分布內合成數據的模擬器。如果這些條件都具備，那么利用當今的方法，你在尋找復雜解決方案的“大海撈針”過程中就能走得很遠。順便說一句，我也以同樣的方式看待藥物研發。如果能找到某種化合物，它就能治愈某種疾病，而且沒有副作用，只要物理定律允許，唯一的問題就是你如何以一種高效、可處理的方式找到它。我認為我們通過 AlphaGo 第一次證明了 AI 可以完成這種“大海撈針”，在那個案例中，就是找到完美的圍棋下法。

09

2030年實現AGI

人類正在利用AI 探索科學假設空間，我們距離能夠進行真正科學推理而非簡單模式匹配的 AI 還有多遠？站在當前的視角，關于在前沿領域構建，你有哪些希望自己在 25 歲時就能明白的經驗？面對 2030 年的 AGI 時間表，開發者應該如何構建那些即便在 AGI 時代中途開啟也依然具有價值的東西？

Demis Hassabis：我認為已經很近了。我們正在開發這類通用AI。我們有一個名為 Co-Scientist 的項目，還有像 AlphaGeometry 這樣的算法，它的表現已經超越了基礎版的 Gemini。顯而易見，所有的前沿實驗室都在進行這方面的實驗。到目前為止，雖然大家都在鉆研類似的問題，比如挑戰比國際數學奧林匹克更難的數學題，但我還沒看到任何真正意義上的重大科學發現，這只是我個人的看法。但我認為這一天即將到來。這可能與我們討論過的創造力有關，即真正超越已知界限的能力。在這種情況下，這已不再是簡單的模式匹配，因為根本沒有既有的模式可供參考。這比單純的外推法更進一步，是一種類比推理。我認為目前的 AI 還不具備這種能力，或者說我們還沒找到使用它們的正確方式。

在科學領域我經常這樣問，它能提出一個真正有趣的假設嗎，而不僅僅是解決一個現成的假設？當然，我說的“僅僅”是指解決黎曼猜想或千禧年大獎難題這類問題。如果能做到，那顯然是驚天動地的。也許我們離實現這一目標只有幾年時間。但我最想解決的是 P=NP 問題，那是我最喜歡的課題。然而，比這更難的是提出一套新的千禧年大獎難題，并能被頂尖數學家認可，認為它們具有足夠的深度和意義，值得奉獻一生去研究。我認為這又高了一個層次，目前我們還不知道如何實現。但我并不覺得這不可逾越，我相信 AI 最終能做到。我有時把這稱為“愛因斯坦測試”，即你是否可以用截止到 1901 年的知識訓練一個 AI，看它能否自主推導出愛因斯坦在 1905 年奇跡年提出的成就，包括狹義相對論？如果它能做到這一點，那么我認為我們正處于 AI 能夠創造全新、真正原創事物的邊緣。

（關于人生經驗與 AGI 戰略）我想我們之前提到過一些，那就是你最終會發現，追求難題和深層問題在某些方面并不比追求那些淺顯、簡單、表面的問題更困難。它們只是困難的維度不同。既然生命如此短暫，精力和時間都有限，你不如把心血投入到那些如果你不去推動就無法實現、且能產生重大影響的事情上。我就是通過這個視角來看待選擇的。另一件事是，如果你從事的是深科技領域，我非常推崇跨學科研究。我認為在未來幾年，學科間的交叉融合以及尋找領域間的聯系將變得更加普遍，而利用 AI 也會讓這種跨界變得更容易。

最后我想說的是，這取決于你的 AGI 時間表。我的預測大約是在 2030 年左右。如果你今天開啟一段深科技之旅，這通常意味著一個長達 10 年的征程。那么你必須考慮到 AGI 可能會在旅途中途出現。這意味著什么？這不一定是壞事，但你必須將其納入考量。你的項目能利用 AGI 嗎？AGI 會給你的領域帶來什么變化？這又回到了你之前提到的 AlphaFold 與通用 AI 的關系。我預見未來 Gemini、Claude 或類似的通用 AI 會把 AlphaFold 這樣的專業系統當作工具來調用。我不認為我們會把所有功能都塞進一個巨大的大腦里，因為那樣會造成過多的性能退化。如果我把所有的蛋白質數據都塞進 Gemini，那是沒意義的。我們不需要 Gemini 去做蛋白質折疊。從信息效率的角度看，這反而會損害它的語言能力。我認為更好的方案是擁有出色的通用工具使用模型。它們甚至可以去訓練那些特定的工具，但工具本身運行在獨立的系統中。思考這種架構的影響以及你今天應該構建什么是非常有趣的。這同樣適用于物理世界，比如你會建造什么樣的工廠，什么樣的金融系統等等。你需要認真預想那個世界的模樣，然后去建造那些即便在 AGI 時代中途開啟也依然具有價值的東西。

| 文章來源：數字開物

【AI技術與應用交流群｜僅限受邀加入】

AI算力領域TOP級從業者專屬圈層

√ 與頭部算力企業深度對話

√ 與AI上下游企業深度對話

√ 獲取一手全球AI與算力產業信息

√ 獲取AI熱點及前沿產業獨家信息

√ 隨時了解全球AI領域高管最新觀點及實錄全文

√ 有機會參與AI主題產業交流活動

掃碼驗證身份（需備注姓名/公司/職務

不止有 DeepSeek，更有 AI產業的未來！

? END ?

【專欄】精品再讀