诺奖得主 Hassabis 的 50%：为什么造出 AlphaGo 的人对 AGI 不敢打包票
50% 的判断
Section titled “50% 的判断”Y Combinator 四月那场《How to Build the Future》的直播里，主持人 Garry Tan——Palantir 第 10 号员工、投过 Coinbase 和 Instacart、2022 年开始执掌 YC——问 Demis Hassabis 一个看似常规的问题：大规模预训练、RLHF、思维链，这些东西离 AGI 最终架构还差多远？
Hassabis 的回答不是”快了”，也不是”就是这条路”。
他说现有技术肯定会在最终架构里占位置——这条路没走错。但顶上可能还缺一两样东西。现有技术能自己扩展到 AGI，还是需要再冒出一两个大突破——两种可能性各占一半。
“about 50/50.”
说这话的人，手里握着的东西大概是地球上最重的技术履历：造出 AlphaGo 击败李世石，用 AlphaFold 破解生物学 50 年未决的蛋白质折叠难题、预测了两亿种蛋白质结构、全球超 300 万研究人员用过、直接拿了 2024 年诺贝尔化学奖。更重要的是，这不是他第一次把”大家都说还早着呢”的事做出来。
所以这句 50/50，分量不一样。
他不是从 PPT 里推演的 AGI 路径。他是从自己亲手填过的一个一个坑里，往回看了一眼，然后说：可能还有一两个坑我不知道在哪。
这种判断只有真正做过东西的人会懂。你写过一个从零到一的项目，你就知道画架构图的时候信心满满，写到第三个月发现当初的判断有一半是错的。Hassabis 不是”谨慎”——他是在描述一种他反复经历过的现实：做出来的东西越多，越清楚还有多少东西没搞明白。
Hassabis 在对话里用了一个让我愣住的表达。
他说现在处理记忆的方式，是”shove it all in the context window”——把什么都往上下文窗口里塞。然后用了这个词：duct tape，管道胶带。工程上最原始的”先绑上再说”。
百万 token 的上下文窗口，从技术数字上看是奇迹。人脑的工作记忆只有大概七个左右的东西（“like a dozen digits maybe, you know, average of seven”）。他说得直白：我们搞了个百万甚至千万 token 的东西，看着很唬人——但你只是把所有东西都堆在工作记忆里，不做筛选、不做整合。
重要的、不重要的、错的、对的，全塞进去。查起来还慢。
“如果你真的在持续处理视频流，百万 token 其实只够存 20 分钟。”
而人脑怎么做记忆的？海马体在 REM 睡眠中精准重放重要片段，把该留的经验整合进已有知识，把不重要的扔掉——不是容器大，是选择狠。
这恰好是他博士期间研究的东西。Hassabis 在 UCL 的认知神经科学博士，做的就是海马体如何将新知识”优雅地”整合进已有知识库。他还提到 2013 年 DeepMind 第一个 Atari 程序 DQN——成名技法就叫”experience replay”，思路就是从神经科学借过来的：回放重要的轨迹，像大脑在睡梦中重放关键经历。
那是 12 年前的事。到了今天，行业在记忆这件事上的解决方案，仍然是——给个更大的碗。
他的判断：记忆机制仍然是未解决的问题。
这不是悲观的判断。恰恰相反。你知道一个领域真的在往前走，是因为最前沿的人告诉你「这个还没搞定」——而不是告诉你「一切都在掌控之中」。
这场对话里有一个场景特别 shocking。
Hassabis 说他有时候跟 Gemini 下国际象棋。能看到模型的思考 trace——它会考虑一招，发现是昏招，但搜了一圈找不到更好的，于是又走回那步昏招。
“you just shouldn’t be seeing that happening in a very precise reasoning system.”一个精准推理系统不应该出现这种事。
他给了一个很精准的描述：jagged intelligence，锯齿状智能。
一头高得离谱——能解 IMO 金牌题，能重构十万行代码库。另一头低得荒谬——问他”洗车场 50 米远，开车还是走路”，Opus 4.7 级别的模型会告诉你”走路吧，这么近”。
能 Carry 陀思妥耶夫斯基，读不懂一个停车场出口指示牌。
这不是能力不够。一个能在毫秒内做完棋局搜索的系统，为什么走回去选那步已经知道是错的棋？Hassabis 的判断是：缺一个自省机制。模型没有”等一下，我刚才判断了这一步是错的，那意味着我应该换一个方向想”这个过程。
它能把每个 token 的概率算到极致。但它不知道自己不知道什么。
我自己的 AI Coding 实践里天天碰到这个。用 Claude Code 重构代码快得像闪电，该跑跑该测测。但偶尔会在最简单的逻辑上绕圈——明明一个 if 就能解决，它绕了三层抽象。那个感觉就是，它像一个没有”等一下我在说什么”这个暂停键的人。
Hassabis 说这不一定是大问题——“it may only be one or two tweaks that are required to fix those kind of gaps.”可能一两个小调整就够了。但此时此刻，锯齿就是锯齿。
Agent 才刚开始
Section titled “Agent 才刚开始”聊到 Agent 的时候，Hassabis 说了全场最接地气的一句判断。
“我看很多人搞 Agent，设定几十个 agent 跑 40 个小时——但我还没看到 output 真正对得起那 40 个小时的投入。”
花里胡哨跑半天，产出的东西不太值那个时间。
但他紧跟着一句：“I think it will come. Probably in the next 6 to 12 months.”
不是”Agent 没前途”。是”Agent 现在还不太行，但临界点很快到”。这种颗粒度的判断，跟市场上”Agent 时代已来”的宣传腔，差了至少两个量级。
他举了自己的例子。他在网上分享过 MenuGen——一个拍照识别餐厅菜单然后生成菜品图片的工具。Agent 帮他做的那版，用了个”巧妙”的逻辑：Google 账号和 Stripe 账号各有一个 email 地址，用 email 地址去匹配，把 Stripe 充的值对应到 Google 登录的用户。
这在工程层面是个方案。在常识层面是傻的——用户完全可以用不同的 email 注册 Google 和 Stripe。
“why would you use email addresses to try to cross-correlate the funds? they can be arbitrary, you can use different emails — this is such a weird thing to do.”
Agent 做工程细节没问题——它们有完美的 recall。但做判断的时候，缺少那种”不对，这不可能 work”的基本嗅觉。
这不是能力问题。判断力没进 RL 的优化函数。
真话给创业者
Section titled “真话给创业者”最后一段，Garry Tan 问他：如果你是今天坐在 YC 位置上的创业者，你会做什么？
Hassabis 的回答坦率得不像”AI 教父”：去做 AI 跟其他深科技的交叉——材料、医学、药物，任何碰得到原子的领域。
理由非常诚实：**你在纯软件层上做的事，下一次模型更新就可能直接吞掉。**但物理世界没有捷径，没有下一个 Gemini 版本跳过细胞实验。
他还当场爆了一个判断科学难题能否用 AI 攻克的方法论：
- 这个问题有没有巨大的组合搜索空间？（越大越好。围棋和蛋白质折叠都满足——可能性远超宇宙中的原子数）
- 有没有明确的目标函数？（能告诉模型”对了”还是”错了”——围棋有胜负，蛋白质有自由能）
- 有没有足够的数据和/或能生成数据的模拟器？
三条满足，就能用 RL 的思路啃。
药物发现也满足——“there is a compound out there that would solve this disease if one could find it.”一定存在一个分子能治这个病，问题只是怎么在可行的时间内找到它。
然后他给了一个极其冷峻的计算：真正的深科技创新周期大概十年。他的 AGI 时间线是 2030 年左右。所以——如果你今天开始做深科技，AGI 会在你创业的半路出现。
不是坏事。但必须把这件事算进你的规划里。
一个诺贝尔奖得主在这替你考虑 2030 年 AGI 在你的项目半路出现会怎样——这种思维震颤，只有读到这一句才会感受到。
2030 年是什么概念？
不到四年。
Hassabis 对 AGI 的到达非常笃定——2030 年左右。但他对 AGI 的路径判断是 50/50。这意味着他相信终点会到，但不确定中间要摔在什么坑里。
一个 4 岁开始下棋、13 岁全球排名第二的人。一个 17 岁写游戏、20 多岁拿神经科学博士、30 多岁造出 AlphaGo、40 多岁拿诺贝尔奖的人。2026 年 4 月在旧金山，面对全屋全球最有野心的一批创业者，说的是：
大概一半概率，还需要一两个我还没想到的东西。
画饼的人什么都确定。真正做东西的人三天两头撞墙——区别在于撞完墙之后的判断，是”工具不够好”，还是”我们思路得推翻重来”。
Hassabis 不需要给任何人画饼。他手里的 AlphaGo、AlphaFold、Gemini，够他安安静静做事做到 2030 年。
而这种 50/50 的姿态，本身就是他说的那句话的最好注脚：你可以外包思考，但没法外包理解。You can outsource your thinking — but you can’t outsource your understanding.
你平时用 AI 工具的时候，有没有碰到那种「它能干出极其复杂的东西，但在一个你觉得理所当然的事情上翻了车」的瞬间？是在什么场景下？
Garry Tan & Demis Hassabis. From Vibe Coding to Agentic Engineering — How to Build the Future S2. Y Combinator, Apr 2026. https://youtu.be/JNyuX1zoOgU?si=Tb-2ZXa71hiFLhq3