文章详细记录了 Google DeepMind CEO Demis Hassabis 在 CNBC《科技下载》节目中的专访内容。Hassabis 重申规模定律（Scaling Law）仍有显著回报，但达到 AGI 需 1-2 个范式突破。他预测 AGI 将在 5-10 年内实现，并强调能源将成为“智能的货币”，AI 也可反向助力解决能源问题。对于中美大模型差距，他认为中国仅落后数月，但关键在于能否实现 Transformer 级的原创创新。Hassabis 承认谷歌在 AI 商业化初期稍慢，但目前已回归创业状态，DeepMind 与谷歌产品的整合使得新模型能快速落地。此外，他看好端侧 AI 发展，并透露谷歌将发力智能眼镜。他预计 2026 年，高自主性 Agent 系统和机器人领域将有突破性进展，并强调 AI 在科学发现中的巨大潜力，如 AlphaFold 等，将开启科学黄金时代。
原创 听雨 2026-01-16 12:20 北京
中国模型相比美国前沿模型，只差几个月了。
编辑 | 听雨
“规模定律的进展非常好，依然值得投入。”
“世界模型和LLM最终会融合。”
“AGI会在5到10年内实现，未来能源将会成为智能的货币。”
“中国大模型相比美国前沿模型只落后几个月，但问题不在于追赶，而在于他们能否发明Transformer那样的突破性范式。”
在CNBC最新推出的访谈节目《科技下载》中，Google Deepmid CEO Demis Hassabis 针对时下热议的AGI路线图、Scaling Law、中美模型差距、AI泡沫等问题，发表了不少关键判断。
一上来，Demis就干脆利落地否认了“Scaling Law撞墙”的问题，他的判断是规模定律的整体发展依然非常好，尽管相比前两三年速度有所放缓，但回报依然很可观，值得继续投入。
不过，他也重复了之前在其他场合发表过的观点：要达到AGI，不能只靠Scaling Law，还需要1-2个像Transformer那样的重大范式突破。
Demis依然坚持自己之前对AGI时间的判断——5到10年。这是一个并不激进的估计，他也自称是一个AI的“谨慎乐观主义者”。
有意思的是，Demis也发表了和马斯克类似的观点：由于芯片极度短缺，AI的算力问题最终都会归结能源问题，因此未来能源将成为“智能的货币”。
关于中美之间大模型能力的差距，Demis 认为中国团队追赶的速度非常快，现在这一差距已经缩短到只有几个月。但Demis也稍微泼了盆冷水——他指出，真正的问题不在于追赶，而在于中国能否发明像Transformer那样的范式创新，而他目前并没有看到明确迹象。
在与OpenAI、Anthropic等顶级AI巨头的竞争中，Demis承认谷歌的商业化和规模化比对手起步晚一些，但他们现在已经回到了创业公司状态，Deepmind的组织重整也使得他们能够迅速迭代Gemini模型能力，新模型几乎当天或第二天就能快速落地到谷歌的核心产品中。
此外，端侧AI也是谷歌下一步将要发力的重点。Demis表示个人非常看好“边缘计算”方向，也就是更高效、更轻量的模型运行在手机、可穿戴设备等终端上。他透露，谷歌将会发力智能眼镜。据此前报道，谷歌与中国创企XREAL将合作发布有线XR眼镜，项目名为Project Aura，将于2026年推出。
关于2026年可能出现的重大突破，Demis认为具备更高自主性的 agent 系统将变得足够可靠，真正开始发挥实用价值。同时他也预告了与Gemini Robotics的合作，机器人领域在未来 12 到 18 个月也会出现非常有意思的进展。
以下是整期播客的全文，有删减和适当润色：
规模定律的回报依然很可观
通往AGI还需要一两个重大创新
Arjun：
我想先从技术本身聊起。我们一直在谈论 AI，以及它的能力如何持续提升。围绕所谓的“规模定律”也有很多争论。简单来说，就是更多算力、更多数据、更大的模型，是否必然会带来更强的系统。你之前说过，我们需要把规模定律推到极限。但现在也有人在问，我们是不是正在撞上某种“天花板”，这些模型的进步是否正在放缓？从你在 DeepMind 的研发经验来看，你们观察到了什么？
Demis：
我认为规模定律总体上仍然进展得非常好。只要投入更多算力、更多数据，把模型做得更大，我们确实能看到能力的持续提升。当然，这种提升的速度可能不像两三年前那么快了，所以大家会谈到“边际收益递减”。但“递减”和“没有收益”是完全不同的概念。我觉得我们现在处在两者之间——回报依然非常可观，值得继续投入。
与此同时，如果从“通向 AGI”这个目标来看，可能还需要一两个关键性的重大创新，不能只靠把现有方法不断放大。
Arjun：
我们一会儿会详细谈 AGI。但在你看来，现在到底缺了什么？
Demis：
如果你玩过各种聊天机器人，就会发现它们在某些方面非常厉害，但在其他方面却完全不行。我把这种状态称为“参差不齐的智能”（jagged intelligence）。它们在某些任务上表现惊人，但换一种提问方式，或者换一个场景，就会暴露明显缺陷，甚至连一些看起来很简单的事情都做不好。
真正的通用智能不应该有这种不一致性。除此之外，现有系统还存在很多根本性限制，比如：它们无法持续在线学习，不能在使用过程中真正学会新知识；也很难真正产生原创性的想法。因此，如果要实现通用智能，还有不少关键能力是当下系统所缺失的。
Arjun：
那要解锁这些“真正智能的系统”，关键突破点可能是什么？我之前和 Hugging Face 的联合创始人 Thomas Wolf 聊过，他的看法是：LLM 很擅长回答问题、总结信息，但真正缺失的是“提出全新想法”的能力。尤其是在科学领域，比如提出新的药物机制、新的疾病假说，LLM 似乎还无法产生那种“诺贝尔奖级别”的原创思想。你怎么看？是不是需要一种全新的架构？
Demis：
这正是我毕生投入 AI 研究的原因之一。我始终认为，AI 最终会成为科学的终极工具。我们已经通过 AlphaFold 等成果证明了这一点。但问题是：AI 能不能自己提出一个全新的科学假设，而不仅仅是解决一个已经被人类提出的问题？
到目前为止，它们做不到。它们缺乏某些关键能力。我认为这可能涉及更长期的规划能力、更强的推理能力，以及一个非常重要的概念——“世界模型”。也就是说，系统需要真正理解世界的运行方式，能够在“脑中”模拟世界、验证假设。顶尖的人类科学家正是这样工作的，而目前的 AI 还远远达不到。
世界模型和LLM最终会融合
Arjun：
“世界模型”这个概念最近经常被提到，但很多人可能并不清楚它到底指什么。你能解释一下它和 LLM 的区别吗？
Demis：
目前的 LLM，主要还是以文本为核心。即便像 Gemini 这样的基础模型，已经可以处理图像、视频和音频，多模态能力也在增强，但它们并不真正理解世界的物理规律和因果关系。
世界模型关注的是：一个事物如何影响另一个事物？如果我做了某个决策，长期后果会是什么？能不能把未来“推演”出来？如果你想真正理解世界，甚至发明新事物、提出新的科学理论，就必须拥有这种对现实世界的内部建模能力，从直觉物理一直延伸到生物学、经济学等复杂系统。
Arjun：
那在你设想的 AGI 形态中，会是 LLM 和世界模型的结合，还是世界模型最终会取代 LLM？
Demis：
我更倾向于认为它们会融合。像 Gemini 这样的基础模型，几乎肯定会成为 AGI 的核心组成部分，这一点我非常有信心，这也是我们为什么要尽可能把这些系统做大、做强。但问题在于：它们是否“足够”？我怀疑还需要其他类型的技术和能力。
我们在做的 Genie、以及视频生成模型 Veo，可以被看作是早期、胚胎阶段的世界模型。如果一个系统能够生成高度真实的世界场景，那在某种意义上，它就必须理解这个世界，否则它无法生成。
AGI在5到10年内实现
能源会成为智能的货币
Arjun：
你之前提到，AGI 可能在 5 到 10 年内实现。经历了 2025 年这么多突破之后，你还坚持这个判断吗？
Demis：
是的。我认为我们仍然在这条时间线上。2010 年创立 DeepMind 时，我们就把 AGI 视为一个大约 20 年的长期目标。现在回头看，我觉得我们距离具备真正创新、规划、推理等能力的系统，大概还有 5 到 10 年。这本身就非常惊人。
Arjun：
在实现 AGI 的过程中，有哪些现实瓶颈？比如算力、芯片、能源问题？
Demis：
限制很多。芯片永远不够，算力需求远远超过供应，而算力最终都归结为能源问题。未来，能源几乎会成为“智能的货币”。
不过有趣的是，AI 本身也能帮助解决这些问题，比如提升基础设施效率、设计更好的太阳能材料，甚至推动核聚变研究。我们和 Commonwealth Fusion 有合作，用 AI 帮助等离子体控制。我个人也很关注一个问题：能否用 AI 找到室温超导材料？
此外，模型本身的效率也在飞速提升。通过蒸馏等技术，小模型可以继承大模型的能力，实现性能与能耗的大幅优化，单位功耗下的智能水平持续提升。
Arjun：
AGI 听起来很美好，但也伴随着大量担忧，比如对就业、社会结构的冲击。你怎么看这些风险？
Demis：
我坚信 AI 总体上会成为人类历史上最有益的技术之一，但这并非自动发生。它是一种“双刃剑”。经济层面的冲击可能类似工业革命，但速度更快、规模更大，我们可能需要新的经济体系来应对。
另一个风险是滥用——坏人利用 AI 做坏事。再一个风险是，当 AI 变得越来越自主，具备代理能力时，我们如何确保它们始终按照人类意图行事，而不会出现失控行为。
Arjun：
那你有信心自己正在开发的系统是可控的吗？
Demis：
我们对此非常重视。自 2010 年起，我们就在安全、责任和可控性上投入大量精力。我们一直假设：如果成功，系统一定会非常强大，因此必须提前考虑风险。当然，犯错在所难免，但我自认为是一个“谨慎的乐观主义者”。只要给予足够时间和严肃对待，我相信人类最终能把这件事做对，但前提是，我们不能闭着眼睛狂奔。
Arjun：
像 Bengio、Tegmark 这些人呼吁放慢 AGI 的发展节奏，更多聚焦工具型 AI。你同意这种观点吗？
Demis：
我理解他们的担忧，也部分赞同。从科学工具的角度出发，是一条非常合理的路径。但现实世界存在竞争和博弈，不只是科学问题，还有地缘政治和商业因素。在这种情况下，我们能做的，是在保持技术前沿的同时，尽可能负责任、尽可能谨慎。我希望 DeepMind 能在这方面成为一个好的示范。
一件趣事：Demis是从游戏行业起步的
Arjun：
你在创立 DeepMind、投身这项使命时，一直都非常相信这项技术。但在你的职业生涯中，有没有哪一刻曾经怀疑过：我们真的应该做这件事吗？
Demis：
当你真正意识到这项技术的潜力时，我反而觉得，如果没有像 AI 这样具有变革性的技术出现，人类社会可能更难应对当下的诸多挑战。气候变化、贫困、饮用水获取、健康、老龄化、人口问题、疾病、能源——这些都是极其严峻的问题。
从某种角度看，AI 本身确实也是一个巨大的挑战，甚至可能是最大的挑战之一，但它同时也是帮助我们应对、解决这些宏大问题的关键工具。这正是它的“双刃剑”属性。我一直相信，AI 最终会成为人类发明过的最重要的技术之一，它本身也是计算机时代自然演进的一部分。
Arjun：
插一句题外话，你最早其实是从游戏行业起步的，对吧？你参与开发过《Theme Park》，那是一款非常经典的游戏。你现在还玩游戏吗？
Demis：
当然，我非常喜欢游戏，这算是我的长期爱好。现在我会和两个儿子以及我的兄弟一起玩《英雄联盟》，我们有一个固定的小队，这是从疫情封锁时期开始的。我也喜欢各种形式的游戏，不管是足球，还是电子游戏。
Arjun：
在你这样高强度、高压力的岗位上，游戏算是一种放松方式吗？
Demis：
是的，毫无疑问。而且在过去，游戏对我来说也是一种非常重要的创造性实践。我最初学习编程，以及很多技术能力，都是通过做游戏学会的。
承认谷歌在商业化方面起步慢一些
现已回到创业公司状态
Arjun：
现在这个领域有 OpenAI、Anthropic，还有很多顶级 AI 实验室，竞争极其激烈。Gemini 3 的市场反馈非常好，但在 2025 年的某个阶段，外界一度质疑 Google 是否还能在 AI 竞争中保持领先。你如何评估当下的竞争环境？
Demis：
目前的竞争环境可以说是极其残酷。很多在科技行业干了二三十年的人都告诉我，这是他们见过最激烈的一次竞争，可能是整个科技史上最激烈的。
几乎所有最强的参与者——无论是科技巨头，还是最优秀的创业公司，都已经全力投入到这个领域。因为大家都已经意识到，这是最重要的一项技术，这一点我们其实 20 多年前就已经看清了。所以竞争激烈是必然的。
从个人角度来说，我并不排斥竞争。我小时候就是英国青少年国际象棋队成员，在竞争环境中长大。某种程度上，我甚至享受竞争。但与此同时，我始终提醒自己：比公司之间、国家之间的竞争更重要的，是如何为全人类妥善“托管”AGI 的发展。这一点，应该时刻放在所有 AI 实验室领导者的心中。
Arjun：
在外界质疑 Google AI 战略的那段时间，你们内部有没有做出什么不同的调整？
Demis：
如果回顾过去十年，其实 Google Brain 和 DeepMind 发明了当今大约 90% 被广泛使用的核心 AI 技术，比如 Transformer 架构，或者 AlphaGo 推动的大规模强化学习。但我们确实在商业化和规模化方面走得相对慢了一些，这一点 OpenAI 等公司做得非常出色。
过去两三年，我们基本上回到了创业公司的状态，变得更敏捷、更快、更敢于快速发布产品。你现在看到的 Gemini 系列，尤其是 Gemini 3，是这一转变的集中体现，也让我们重新回到了我们认为自己应当处于的位置。
Arjun：
你有信心能长期保持这种领先地位吗？
Demis：
是的，我有信心。
中国模型相比美国只落后几个月
Arjun：
在激烈竞争之外，另一个被频繁讨论的话题是 AI 泡沫。大量公司估值飞涨，融资规模惊人，科技巨头在基础设施上投入数千亿美元，但有些公司几乎还没有成熟产品或盈利能力。你怎么看“AI 是否存在金融泡沫”这个问题？
Demis：
我不认为这是一个非黑即白的问题。某些领域、某些细分市场，可能确实存在泡沫；而另一些则未必。AI 注定会成为人类历史上最具变革性的技术，这一点是基本面。
这有点像当年的互联网泡沫：泡沫确实存在，但互联网本身无比重要，也在那段时期诞生了一批真正的伟大公司。过度兴奋几乎是不可避免的，之后也可能会经历一轮“清算”，真正有价值的东西会存活下来。
在我看来，风险最大的可能是在某些私募市场，出现了动辄数十亿美元、但产品几乎尚不存在的融资案例，这在长期来看并不健康。但从我的角度出发，作为 Google DeepMind 的负责人，我并不会过度担心泡沫本身，而是要确保无论市场怎么走，我们都处在一个能够“赢”的位置。
Arjun：
如果市场真的出现调整，你有信心 Google DeepMind 能扛得住吗？
Demis：
当然。这正是 Google 强大资产负债表和产品生态的意义所在。我们拥有几十个用户规模达数十亿的产品，AI 能够自然地嵌入其中，无论是 Gmail、Workspace，还是 Gemini 应用。
Arjun：
除了竞争和资本，还有一个重要变量是地缘政治，尤其是中美之间的技术竞争。此前有人低估了中国在 AI 领域的能力，但 DeepSeek 以及阿里巴巴的一些开源模型显然改变了这种看法。中国并没有出局，对吧？
Demis：
完全没有。我甚至认为，中国现在距离美国和西方的前沿模型，比一两年前我们想象的要近得多，可能只落后几个月。中国有非常强的团队，比如你提到的 DeepSeek 和阿里巴巴。
真正的问题在于，他们是否能做出“超越前沿”的原创性突破，而不仅仅是追赶。追赶他们已经证明自己做得到，但是否能发明像 Transformer 那样的新范式，目前我还没有看到明确证据。
Arjun：
这种原创性突破是否会受到先进芯片获取受限的影响？
Demis：
我认为更多是“科研文化和心态”的问题。真正的前沿实验室，需要鼓励探索性创新，而不仅仅是把已知的方法不断规模化。发明一项全新技术，难度往往是复制它的一百倍。这也是我认为下一个真正的分水岭，但目前还很难看到明确迹象。
个人看好端侧AI的发展
谷歌将发力智能眼镜
Arjun：
很多人其实低估了 Google 的 AI 能力有多大程度来自 DeepMind，以及你和你的团队。外界一直很好奇你们是如何与 Google 协作的。Sundar Pichai 会不会有一天直接给你打电话，说：“Demis，我们需要做一个东西，比如 Gemini，或者某个 AI 产品，你们能不能把它做出来？”你们之间的合作关系到底是怎样的？
Demis：
在过去三年里，我们已经把所有力量整合到一个统一的实体中，也就是现在的 Google DeepMind。它融合了 Google Research、Google Brain 和原本的 DeepMind，而我负责整体运作。你可以把它理解为 Google 的“AI 引擎室”。
所有核心 AI 技术都在这里诞生，然后被扩散到 Google 的各类产品中。过去几年，我们不仅在做模型本身，也在重新架构整个 Google 的技术基础设施，让这些模型可以被极快地部署上线。现在，当我们发布一个新的 Gemini 模型，几乎当天或第二天就能在搜索等核心产品中落地。
我认为从 Gemini 2.5 开始，我们真正进入了节奏状态。过去一年，这套流程已经变得非常顺畅，未来 12 个月你会看到更多这样的成果。Sundar 和我几乎每天都会讨论战略问题，包括技术方向以及 Google 整体的需求，然后在不偏离长期目标（即安全、快速地迈向 AGI）的前提下，不断动态调整路线图。
Arjun：
所以我们可以预期，因为这种关系上的变化，Google 旗下会更频繁地推出新的 AI 能力，并快速铺开到整个产品体系中？
Demis：
是的，完全正确。现在的迭代回路非常紧密，而且我们在同一套技术栈上协同工作。
Arjun：
你们的技术不仅进入 Google 自己的产品，也被用在像三星这样的合作伙伴设备上，比如智能手机里的 AI 功能。
Demis：
没错。我们和很多合作伙伴都有深入合作，我们也很自豪这些伙伴选择了我们的技术，因为他们看到了它的能力。
在设备端，我个人非常看好“边缘计算”的方向，也就是更高效、更轻量的模型运行在手机、可穿戴设备等终端上。除了手机，我们也在探索新的设备形态，比如智能眼镜。
Google 在智能眼镜上探索了很多年，而我认为现在终于出现了“杀手级应用”——也就是一个真正有用的通用 AI 助手，能够在日常生活中持续地帮助你。我相信所有大型硬件厂商都会对这一方向非常感兴趣。
Arjun：
我们时间不多了，但我还想回到一个历史节点。2014 年 Google 收购 DeepMind 时，我刚入行做科技记者，当时这是一笔大约 4 亿英镑的交易。很多人并不理解你们在做什么，也不明白 Google 为什么要收购这家英国公司。你现在回头看，会不会想过：如果当时保持独立会不会更好？还是你对今天的结果感到满意？
Demis：
这件事其实很有意思。当时的搜索负责人 Alan Eustace 负责推进这笔交易，Larry Page 作为 CEO 亲自支持。我当时就对 Alan 说过，这会是 Google 历史上最重要的一次收购——考虑到 Google 之前收购过 YouTube、AdWords，这句话分量不轻。
但我很清楚 AI 会变得多么重要，也非常清楚它和 Google“组织世界信息”的使命是天然契合的。还有什么工具比 AI 更适合理解和组织信息呢？
当然，从商业角度看，DeepMind 今天的价值可能已经是当年交易价的百倍、千倍。但当时我最关心的是回到科学本身，推动仍处于早期阶段的研究。必须承认，Google，尤其是 Larry，是当时极少数真正理解这项技术未来潜力的公司。如果没有他们的支持和算力资源，就不会有 AlphaGo、AlphaFold 以及我们后来在科学领域取得的一系列成果。所以我完全没有任何遗憾。
Agent会是2026年最重要的突破
Arjun：
现在科技 CEO、AI CEO 几乎成了新时代的“摇滚明星”。我最近在欧洲看到英伟达 CEO 黄仁勋被人群追着走。他也提到你们经常交流，还高度评价了你们的新图像生成工具。你们通常会聊些什么？
Demis：
Jensen 非常了不起，是一位真正的先驱。我也非常佩服他三十年来始终坚持自己的愿景。事实上，我在 90 年代做游戏时就开始使用 GPU，写图形和物理引擎，如今回头看，这些当年为游戏推动的硬件，反而成了 AI 的关键基础设施，很有意思。
我们更多讨论的是 AI 在科学领域的应用。AlphaFold 当初就是在 GPU 上训练的，他非常喜欢 AlphaFold 以及我们在药物发现方面的工作。
Arjun：
虽然很多数据中心使用英伟达的系统，但 Google 也有自己的 TPU。你们之间是一种竞争还是合作关系？
Demis：
我们很幸运，两者都有。TPU 是我们内部训练最强模型的重要工具，而且我们发现，很多顶级 AI 团队也对 TPU 有很大需求，因为它们专为大模型训练和服务而设计。
GPU 更通用，适合探索新架构或新应用；而当你要把成熟方案推到极致规模时，定制芯片的效率优势就非常明显。所以能同时拥有 GPU 和 TPU，是一种巨大的优势。
Arjun：
展望未来，你一直强调 AI 在科学领域的潜力，尤其是新药发现、新疾病研究。你们也有 Isomorphic Labs。我们现在走到哪一步了？
Demis：
我最常提到的例子仍然是 AlphaFold，这是目前 AI 用于科学最成功的案例之一。它解决了蛋白质折叠这个困扰科学界 50 年的难题，全球已有超过 300 万研究人员在使用它。
我希望未来能看到十几个“AlphaFold 级别”的项目，每一个都彻底改变一个科学或数学领域。我们正在材料科学、物理、数学、天气预测等方向推进类似项目。如果 AI 发展顺利，并被正确使用，未来十年可能会开启一个全新的科学发现黄金时代。
Arjun：
最后一个问题。你觉得 2026 年 AI 领域最重要的突破会是什么？
Demis：
我认为具备更高自主性的 agent 系统将变得足够可靠，真正开始发挥实用价值。机器人领域在未来 12 到 18 个月也会出现非常有意思的进展，我们正在和 Gemini Robotics 推进一些极具野心的项目。
此外，AI 在终端设备上的实用性会显著提升。而我个人最期待的，是世界模型的进一步突破，让它们足够高效，能够真正用于规划，并融入通用模型之中。
参考链接：
https://www.youtube.com/watch?v=q6fq4_uP7aM
——好文推荐——
奥特曼豪掷100亿美元，联手Cerebras部署750兆瓦算力！详解幕后故事：芯片推理速度是英伟达的21倍，成本低30%，奥特曼早早投资了
刚刚，梁文锋署名新论文深夜炸场！DeepSeek-V4 新架构曝光：提出新的稀疏化方向，与MoE互补，长上下文能力显著扩展，推理代码能力更强了
苹果×谷歌：AI世纪联姻正式宣布，谷歌一夜市值突破4万亿刀！苹果底层全上Gemini，马斯克警告：谷歌权力太集中了！网友：老马快造手机吧