探索AGI：DeepMind的科研闭环与自动化实验

2025年12月16日，Google DeepMind播客迎来了本季的最终篇章，与Demis Hassabis展开了一场超过50分钟的对话。这次对话没有聚焦于产品发布或回顾，而是深入探讨了未来十年科技领域的两大核心议题。

Hassabis强调，通往通用人工智能（AGI）的道路需要攻克两项关键任务：

首要任务是构建“世界模型”，使AI能够真正理解物理空间；

另一项任务是“自动实验”，让AI能够动手解决材料科学、核聚变等基础性问题。

更重要的是，这两项任务必须协同工作，形成一个完整的科研闭环，让AI能够自我提问、验证和迭代。

第一节：世界模型——AI需超越语言，洞察世界

Hassabis指出，世界模型一直是他的研究重心。尽管这不是一个新概念，但在2025年，这一领域的研究已迫在眉睫。

近年来，语言模型展现出强大的写作、回答和总结能力，但Hassabis承认，语言蕴含的信息远超预期，甚至超出了语言学家的认知。然而，这些模型在解决基础物理问题时却显得力不从心。例如，它们能在国际数学奥林匹克中夺冠，却在小学几何题上出错；能生成惊艳的图像，却难以理解为何杯子不会飘在空中。

问题的根源在于缺乏世界模型。世界模型是AI对物理现实的直觉理解，包括物体如何运动、变化以及空间与时间的构成。

更重要的是，许多信息根本无法用语言描述，如传感器数据、电机角度、气味和触感。人类通过身体感知这些，而语言模型仅通过书籍获取知识，未接触物理世界。

DeepMind的Veo、Genie和Sima等产品致力于解决这一问题：

• Veo理解视频中的运动、液体流动和光线变化；
• Genie生成可互动的游戏世界，具备空间结构和物理反馈；
• Sima在虚拟环境中执行任务，锻炼感知、行动和反应能力。

Genie和Sima可相互作用，形成训练闭环，使AI自动设置和解决任务，无需人类干预。这是DeepMind继AlphaGo后，第二次尝试让AI自我进化。

但Hassabis也承认，这些模型目前只是“看起来真实”。用牛顿三定律测试时，会发现它们只是近似值，对于机器人来说，精度还不够。

DeepMind正用游戏引擎创建物理基准，像做高中物理实验一样，测试AI是否真正理解世界的运行规律。若能模拟这个世界，那就说明真正理解了它。

第二节：自动实验——AI需动手实践，而非空谈

语言模型能讲故事，世界模型能构建环境，但真正让AI参与现实的关键是实验。

Hassabis表示，在研发AlphaFold时，他们就希望证明AI不仅是工具，更是真正的科研参与者。

2025年12月10日，DeepMind与英国政府合作，计划在2026年建立首个全自动化科学实验室。这是一台从头设计、完全集成的科研引擎，每天能合成并测试数百种材料，由多学科研究团队监督，但实验的执行、数据分析和方向调整主要由AI和机器人完成。

研究方向集中在高效电池材料、室温超导体和新一代低损耗半导体等难题。这些都需要走进实验室、接触物质、试错迭代。

与AlphaFold相比，自动实验室的差别在于：AlphaFold用算力预测蛋白质折叠方式并输出数字答案；而自动实验室要证明AI能合成物质、测量性能、发现问题并改进配方。前者是数字世界的突破，后者是物理世界的突破。

Hassabis表示，这一步的意义不仅是提高效率，更是让AI真正进入科学的内部流程。现在，它开始参与假设提出、实验设计、数据验证，甚至能反过来修正研究思路。

第三节：闭环是关键——AI需自我提问、动手、再推理

前两节讲述了两件事：世界模型让AI看懂世界；自动实验让AI动手验证。但真正让AGI成为可能的是它们能否协同工作，跑通一个完整的认知闭环。

Hassabis指出：我们过去在训练回答者（语言模型），现在要训练研究者（AGI）。

关键在于如何让感知和行动形成循环。DeepMind的做法是将Genie和Sima连接起来：

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（搬箱子、避障、寻找目标）。

任务成功或失败都成为AI自我学习的材料。两个AI在彼此的思维中互动，形成无限扩展的训练循环：Sima想学习什么，Genie就能即时创造什么。可以自动设置和解决数百万个任务，难度不断递增且无需人类介入。

结语：通往AGI的钥匙不在参数里

Hassabis指出的通往AGI的道路不依赖于更大的模型或更强的算力，而是依赖于AI真正“理解世界”和“改变世界”的能力。

世界模型是基石，让AI看清因果；

自动实验是手段，让AI验证认知。

这不仅是模型优化而是智能重构。

未来AI将自我提问、实验和修正。这将重新定义我们对知识、科学和思维的理解。