DeepMind揭示AGI核心路径：世界模型与自动实验的科研闭环

2025年12月16日，Google DeepMind播客本季迎来压轴篇章，与Demis Hassabis进行了一场超过50分钟的深度对话。

这并非寻常的产品发布会或复盘，而是直指人工智能未来的核心议题。

开场便定下基调：超越产品发布（look beyond the product launches），聚焦未来十年最根本的两大挑战。

Hassabis指出，实现AGI必须攻克两个关键：一是世界模型，让AI深刻理解物理与空间；二是自动实验，使AI能够动手解决材料、聚变等基础科学问题。

更重要的是，二者必须联动，形成一个完整的科研闭环：AI能自主提问、验证并迭代。

Hassabis强调，AGI并非生成模型的终点，而是科研闭环的起点。

第一节｜世界模型：AI不止理解语言，更需洞察世界

Hassabis表示，世界模型始终是他的核心关注。虽非新概念，但到2025年已势在必行。

过去几年，语言模型在写作、问答、总结方面表现卓越，似乎无所不能。Hassabis承认语言蕴含的世界信息超乎预期，甚至超越语言学家想象。但他揭示了一个矛盾：这些模型可在国际数学奥林匹克夺金，却会在小学几何题上失误；能生成惊艳图像，却不理解杯子为何不会悬浮。

问题根源在于缺乏世界模型。

世界模型即AI对物理现实的直觉理解，例如物体如何倾倒、运动、变化，空间如何构成，时间如何推移。

关键在于，许多信息无法用语言描述：传感器数据、电机角度、气味、触感等。人类通过身体学习这些，而语言模型仅从文本中获取知识，未接触物理世界。

DeepMind的解决方案包括多项产品：

• Veo：理解视频中的运动、流体动态与光线变化
• Genie：凭空生成可交互的游戏世界，具备空间结构与物理反馈
• Sima：让AI代理在虚拟环境中执行任务，培养感知、行动与反应的能力链

Genie与Sima可相互作用。Genie生成世界，Sima在其中探索，两者形成训练闭环。这使得AI能自动设置并解决任务，难度逐步提升，无需人类干预。这是继AlphaGo之后，DeepMind再次尝试让AI自我进化。

但Hassabis也坦言，这些模型目前仅“看似真实”。

若用牛顿三定律测试，会发现它们仅是近似。对机器人应用而言，精度尚不足。DeepMind正利用游戏引擎创建物理基准，如同高中物理实验，测试AI是否真正理解世界运行规律。

若能模拟世界，便意味着真正理解它。

这也解释了世界模型为何是AGI的前提。AGI目标非更优聊天机器人，而是能在物理世界行动的智能体。

从机器人到AR助手，乃至终极游戏，皆需AI先理解物理世界运作方式。

简言之，世界模型是AI走出纯数字空间的必由之路。

第二节｜自动实验：AI不只擅长描述，更需亲身实践

语言模型能叙述故事，世界模型能构建环境，但让AI参与现实的关键步骤在于实验。

Hassabis提到，开发AlphaFold时，便旨在证明AI不仅是工具，更能成为真正的科研伙伴。

如今，DeepMind正将这一愿景扩展。

（CNBC报道：DeepMind在英国设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，计划于2026年建立其首个全自动化科学实验室。这是一个从头设计、完全集成Gemini的科研引擎，每日可合成并测试数百种材料。虽由多学科团队监督，但实验执行、数据分析和方向调整主要由AI与机器人完成。

研究聚焦于几大难题：

1. 更高效的电池材料
2. 室温超导体
3. 新一代低损耗半导体

这些并非仅凭模型生成答案所能解决，而需实际进入实验室，接触物质，通过试错迭代。

与AlphaFold相比，差异何在？

AlphaFold证明了AI可预测，它通过计算穷举蛋白质折叠方式，输出数字答案。

自动实验室则旨在证明AI可验证，它需实际合成物质、测量性能、发现问题并改进配方。前者是数字世界的突破，后者是物理世界的飞跃。

Hassabis指出，此举意义不仅在于提升效率，更是让AI深入科学内部流程。以往，AI辅助科研周边工作：文献综述、图像识别、数据标注。如今，它开始参与假设提出、实验设计、数据验证，甚至能修正初始研究思路。

材料科学是此领域的理想试验场。

因它既需大量试错（一个新材料配方或需测试数千次），又有明确验证标准（测量电阻、强度、熔点即可知效果）。这使得AI自主实验成为可能。

速度至关重要。Hassabis提及的室温超导体、聚变材料等，皆是困扰人类数十年的问题。非因理论不足，而是试错过程缓慢。若AI能将材料筛选速度提升百倍，能源革命或可在十年内实现。

除自动实验室外，DeepMind还与美国核聚变技术研发商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关键挑战。

如Hassabis所言：AGI的前提非更聪明，而是更善动手。

第三节｜闭环是关键：AI需自主提问、实践与推理

前两节阐述了两大要素：世界模型让AI看懂世界，自动实验让AI动手验证。但AGI实现的关键，在于二者相连，形成完整认知闭环。

Hassabis原话：我们过去训练回答者，现在要训练研究者。

何意？

核心在于感知与行动的循环。DeepMind通过连接Genie与Sima实现此点。

Genie根据需要即时生成场景（如重力变化、摩擦力变化的环境）

Sima在其中完成挑战（搬运箱子、规避障碍、寻找目标）

任务成败皆成为AI自学素材。两AI在彼此思维中互动，却不知对方身份。Genie视Sima为玩家，Sima视世界为既定环境。

这创造了无限扩展的训练循环：Sima想学什么，Genie便能创造什么。可自动设置并解决数百万任务，难度递增，完全无需人类介入。

将此循环抽象，可见完整科研流程：

• 提出问题（解决什么？）
• 生成场景（何种测试条件？）
• 执行任务（模拟、行动、实验）
• 整理反馈（数据、结论、优化）
• 提出更优问题（迭代至下一轮）

此过程以往仅科学家能为，如今AI开始具备类似能力。

此循环不仅为训练更好模型。Hassabis提到，同样技术可用于创造更智能游戏NPC，或训练机器人。因机器人所需能力与游戏智能体高度重合：感知环境、规划路径、执行动作、从失败学习。

Genie+Sima形成的虚拟闭环，与第二节的自动实验室，构成两个平行自主研究系统：一在数字世界跑通逻辑，一在物理世界验证假设。

故AGI非更大模型，而是能自主生成任务、动手验证、推理更新的智能体。

简言之，它必须如研究者般工作。

结语｜AGI之门，不在参数之内

Hassabis提出的AGI路径，不依赖更大模型或更强算力，而依托AI真正“理解世界”与“改变世界”的能力。

世界模型是基础，让AI明晰因果；自动实验是手段，让AI验证认知。

这非模型优化，而是智能重构。

未来，AI将自主提问、试验与修正。届时，我们对知识、科学乃至思维的定义，或将重新书写。

📮 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