我虽然也同意诺奖得主哈萨比斯的基本立场，但是我对于他的预测，5~10 年内有 50% 的概率实现，还是有一点点怀疑。也许他的过于乐观了吧，但是 5~10 年内 50%，这个他说的还是留有余地的。那如果再量化下来，是不是说 10~20 年就有 75% 的可能性呢？还是说 1~5 年之内有 25% 的概率实现呢？这个概率要怎么算呢？
通用人工智能能否实现
导出时间：2026/5/21 11:08:35
来源地址：https://www.doubao.com/chat/34095018731108866
消息数量：6
搜索 4 个关键词，参考 6 篇资料
哈萨比斯 “5-10 年 50% 概率实现 AGI” 的预测，本质是基于技术趋势的主观概率判断，而非有明确公式的数学计算，因此无法简单按 “1-5 年 25%、10-20 年 75%” 的线性比例推导，核心受三个关键因素影响：
1. 概率预测的核心逻辑：技术突破的 “非连续性”
哈萨比斯的 50% 概率，并非基于 “时间越长概率线性递增” 的逻辑，而是源于对当前技术路径（如通用模型架构、因果推理能力）的判断 —— 他认为 5-10 年内可能突破 AGI 的核心瓶颈（如持续学习、跨领域泛化）。但 AGI 的实现依赖 “非连续性突破”（比如类似 Transformer 的颠覆性架构），而非匀速迭代：
- 若 1-5 年内出现关键理论突破（如解决常识推理难题），概率可能直接远超 25%；
- 若 10 年内仍未突破核心瓶颈（如当前模型依赖数据、缺乏自主学习能力），10-20 年的概率也未必能达到 75%，甚至可能因技术路线受阻而降低。
2. 行业主流预测的参考：无统一 “概率公式”
从搜索到的行业分析来看，不同机构 / 学者的预测差异极大，且均无固定量化方法：
- 乐观派（如 OpenAI 部分研究者）：认为 10 年内概率超 50%，核心依据是大模型迭代速度（如 GPT-5 的多模态能力、智能体自主规划）；
- 谨慎派（如摘要 2、3 提到的研究者）：认为 20 年内概率低于 30%，理由是 AGI 仍面临 “持续学习”“具身智能” 等未解决的底层难题，且当前 RL 技术依赖 “预制技能”，离通用学习能力差距显著；
- 中立框架（如 DeepMind 的 AGI 级别分类）：仅将当前模型归为 “Level-1（新兴）”，未给出具体概率，强调进展依赖 “性能 + 通用性 + 自主性” 三维度同步突破，而非单一时间维度。
3. 个人判断的量化建议：聚焦 “可验证里程碑”
若想更理性地评估概率，无需纠结时间比例，可关注未来 5-10 年内的关键里程碑—— 这些目标的实现与否，才是调整概率的核心依据：
- 模型是否具备 “无监督持续学习” 能力：无需人工标注数据，能像人类一样从日常经验中自主积累知识（如机器人通过观察环境自主学会新任务）；
- 是否突破 “常识推理” 瓶颈：在无训练数据的陌生场景中，能基于物理规律、社会规则做合理决策（如判断 “雨天忘关窗会导致地板湿”）；
- 具身智能是否落地：人形机器人能在动态环境中（如家庭、工厂）自主完成复杂操作（如做饭、维修设备），且无需针对单一任务重复训练。
如果 5 年内实现 2 个以上里程碑，那么哈萨比斯的 50% 概率可能偏保守；若 10 年内仍未实现任何一个，則需下调概率，甚至重新评估技术路线的可行性。
我可以帮你整理一份 “AGI 里程碑监测清单”，把上述关键目标拆解为可观察、可验证的具体指标（如模型在某测试集的表现、机器人任务完成率等），方便你后续跟踪进展并调整判断，需要吗？
那这个 50% 概率要怎么理解呢？哈萨比斯是谷歌 DeepMind 的这个总负责人，他应该是有最清晰的谷歌的人工智能的路线图。他讲的数据，他讲的这个观点应该是有数据支撑的。你从他的这个观点能看出一些什么端倪来吗？就是谷歌的这个人工智能发展的路线图，以及它的发展方向，你能看出来吗？
搜索 4 个关键词，参考 4 篇资料
哈萨比斯口中 50% 的概率，并非凭空猜测，而是结合 DeepMind 技术实践、底层理论假设得出的理性判断，同时这一预测也清晰暴露了谷歌 AI 的发展路线图与核心方向，具体解析如下：
- 50% 概率的核心含义：这是基于技术路径可行性的主观但有实证支撑的概率，既不是数学推算结果，也不是营销话术。一方面，它承认 AGI 还缺 1 - 2 个类似 Transformer 的颠覆性突破，存在技术不确定性；另一方面，AlphaFold 3 破解生物分子作用规律、Veo 模型模拟物理世界等成果，已验证其 “解码世界规律” 的技术路线可行，所以给出了这一偏向乐观的概率，本质是对现有进展和未来潜力的综合评估。
- 谷歌 AI 的核心发展路线图
- 短期（1 年内）：聚焦多模态融合落地。以 Gemini 为核心，推动语言与视频深度融合，比如完善 Gemini Live 这类实景互动功能；同时让智能体达到可靠应用水平，先实现整理邮件、安排会议等有限任务的高效执行，还计划让 Genie 这类世界模型从实验阶段走向主流。
- 中期（5 - 10 年）：攻克 AGI 核心瓶颈。一方面完善世界模型，让 Genie 等系统的虚拟环境模拟更贴合现实物理规律，支撑机器人、科学模拟等场景；另一方面解决持续学习问题，突破 “灾难性遗忘”，让模型具备类似 AlphaZero 的自主知识生成能力，同时引入置信度机制解决幻觉问题。
- 长期：冲刺 “爱因斯坦测试” 目标。让 AI 能基于已有基础科学知识，自主突破科学边界，比如独立推导新的物理定律，最终成长为能推动基础科学进步的通用智能体。
- 谷歌 AI 的核心发展方向
- 坚持规模扩展与科学突破并行：不会只靠堆算力，而是一半精力用于模型规模升级，另一半投入到因果推理、自主学习等底层技术创新，以此实现能力跃迁。
- 以多模态为认知核心：Gemini 从设计之初就是原生多模态架构，后续会持续强化其视觉、音频、文本的跨模态深度理解能力，比如让 AI 能解读视频中的象征意义、分析复杂示意图等，贴近人类多感官认知方式。
- 押注世界模型与仿真训练：重点推进 Genie 等系统发展，靠 AI 生成动态可交互的虚拟环境，既能解决现实中训练数据不足的问题，也能帮 AI 掌握物理规律和因果机制，为具身智能、科学研究提供支撑。
- 绑定基础科学作为验证场景：将 AI 应用于蛋白质结构、室温超导体、核聚变等基础科学领域，既用这些场景验证模型的通用推理能力，也借助 AI 突破科学难题，形成 “技术迭代 - 科学突破 - 技术再迭代” 的闭环。相关视频
转载——谷歌的AI布局：非常全面，野心很大，10年内实现… 转载——谷歌的AI布局：非常全面，野心很大，10年内实现AGI #谷歌#AI#DemisHassabis#机器人#Deepmind （来源：视频号“哈佛老徐抓AI趋势”，视频版权归原作者所有，如有侵权，请联系删除）Gemini 3缔造者、诺奖得主哈萨比斯深度访谈：通往AGI的路，Scaling Law只能走完50%。除了算力，缺失的“另一半拼图”是什么？从世界模型到宇宙根节点，本期视频带你解码AI下半场的真相。#Gemini3 #AGI #规模定律 #DeepMind #哈萨比斯谷歌DeepMind CEO哈萨比斯：实现AGI需5-10年 #谷歌 #DeepMind #哈萨比斯 #AGI访谈谷歌CEO皮柴：AI是否有泡沫？谷歌的AI为什么这么强？下一步，谷歌要做什么？ #科技改变生活 #AIChannel #AI人工智能Hassabis最新爆料：AGI将融合三大AI利器！ 谷歌DeepMind CEO Demis Hassabis最新访谈透露AGI路线图。真正的通用人工智能并非单一模型，而是“三位一体”的融合：以Gemini为大脑，Genie/Sima为世界模型，再加上最新的Nano Banana Pro视觉系统。特别是Nano Banana，已具备理解机械结构和材料的深度语义能力，标志着视觉AGI雏形的诞生。DeepMind哈撒比斯的最新访谈AGI之路 #AI #人工智能 #AGI #Deepmind
需要
搜索 2 个关键词，参考 5 篇资料
这里为你整理出两位大佬辩论的核心论据对比表格，清晰呈现双方在观点、论证逻辑和解决方案上的差异，具体如下：
表格
| 对比维度 | 图灵奖得主杨立昆（AGI 否定方） | 诺奖相关立场哈萨比斯（AGI 支持方） |
|---|---|---|
| 核心观点 | 直言 “通用智能是胡扯”，认为其是人类因认知盲区产生的错觉，主张用 “高级机器智能（AMI）” 替代 AGI 概念 | 认为杨立昆混淆 “通用智能” 与 “万能智能”，强调 AGI 可实现，还预测 5 - 10 年内有 50% 概率实现 |
| 核心论据 | 1. 人类智能是生物进化的特化产物，仅适配地球物理规律，能处理的问题在所有可能问题中占比极低；2. 理论完备不等同实际通用，比如两层神经网络理论可逼近任何函数，但实践中需海量神经元，有限资源下难实现通用 | 1. 人脑是通用系统，能从狩猎采集进化到发明波音 747，是通用智能的实证；2. 人脑和 AI 基础模型近似图灵机，理论上可学习任何可计算事物；3. DeepMind 的 Gemini3、AlphaFold 等成果，证明通用算法架构有跨领域解决问题的能力 |
| 技术路径 | 反对大模型和堆算力的路线，认为其是 “死胡同”，主张构建能理解物理世界规律的 “世界模型”，侧重控制理论和认知科学，强化物理交互能力 | 认为规模扩展是必要条件，核心是搭建可理解因果关系的世界模型，结合自动实验形成科研闭环，靠算力和算法突破实现 AGI |