跳转至

Transformer能通向AGI吗？布林：能，但它已经变了

Ch01.1506 Transformer能通向AGI吗？布林：能，但它已经变了

📊 Level ⭐⭐⭐ | 9.7KB | entities/transformer-通向agi-布林-谷歌deepmind-2026-07-09.md

Transformer能通向AGI吗？布林：能，但它已经变了

摘要

2026年6月，Google DeepMind Build Day活动期间，Google联合创始人谢尔盖·布林接受了一场现场问答访谈，围绕Transformer架构与AGI的关系、模型能力收敛趋势、思维链机制、超级智能的边界等话题展开讨论。布林认为Transformer架构仍然能够通向AGI，但当前的版本相较原始论文已经发生了显著调整。他还坦承谷歌在代码能力方向投入偏晚，并分享了谷歌内部"用AI构建AI"的自我改进实践。

核心要点

  • 模型能力跨领域收敛：不同专业领域的AI模型正呈现出明显的收敛趋势，Gemini已在数学与科学问题上同时达到业界领先水平，技能迁移现象（如代码训练改善数学推理）属于训练中的自然涌现
  • 思维链的有效性：Chain-of-Thought方法在提出时缺乏充分理论依据，但实践证明其显著提升模型表现，成为近年AI能力跃升的关键推手
  • Transformer架构的适应性：该架构已远超最初文本处理的设计目标，被广泛应用于图像与视频处理，但当前版本相较原始论文已有较大调整
  • AGI的两种定义：布林个人倾向于将AGI定义为"能够自我改进的AI系统"，但更广泛的使用定义是"能完成人类所能完成的一切任务"——后者需要世界模型与机器人技术支撑
  • 代码能力滞后：Gemini 3.0/3.1在六个月前多项指标领先，但竞争对手在编程能力上取得明显进展，谷歌本应更早重视代码能力研发

深度分析

技能迁移现象对AGI路径的启示

布林提到的"迁移"现象——代码训练改善数学推理、图像处理提升几何应用题表现——是理解AGI路径的关键线索。这一现象暗示，不同认知能力可能共享底层的通用推理机制。当模型在某一领域获得能力提升时，这种提升会通过共享的表示空间溢出到其他领域。这与注意力坍缩现象形成有趣对照：后者是上下文管理中的信息丢失问题，而技能迁移则是正向的能力泛化。

如果迁移现象在更大规模上持续成立，那么AGI的构建可能不需要为每个领域独立设计专用模块——一个足够强大的通用架构配合多样化训练数据，即可涌现出跨领域能力。这也解释了布林对Transformer架构持续看好的底层逻辑。

思维链：从经验现象到理论理解

思维链提示方法在提出时缺乏理论依据，却在实践中表现出持续稳定的效果，这一现象在AI研究中并不罕见。布林的坦率承认——"即便亲手打造Gemini的人也在摸索模型的边界"——揭示了当前AI研究的经验主义特征。与学术文献综述中的AI应用类似，实践往往领先于理论解释。

思维链的有效性可能源于它迫使模型在"答案空间"中进行显式的中间推理，而非直接从输入跳到输出。这种显式推理路径不仅提高了准确性，还为模型提供了"自我纠错"的机会——如果中间步骤有误，后续步骤可能发现并修正它。这与Agent任务分解中的分层规划思想高度一致。

超级智能的边界：数学不可能性与能力上限的区分

布林对"超级智能是否意味着能解决P与NP问题"的否定回答，在哲学层面具有重要意义。P≠NP的数学结论不因AI能力提升而改变——这划定了AI能力的理论上限。超级智能的定义应是"智力水平超越人类"，而非"解决数学上无解的问题"。

这一区分为AI能力评估提供了更清晰的框架：我们需要区分"AI还不够强"和"这个问题本身就无解"两种情况。在AI友好型架构的讨论中，类似的边界意识也很关键——架构设计需要区分哪些问题可以通过AI解决，哪些问题本质上是不可判定的。

"用AI构建AI"的自我改进范式

布林提到谷歌已将大量研发资源投入到利用模型监控训练过程、生成训练数据的自我改进工作中。这一范式——称为"自我改进"——与Agent自演进的趋势形成共振。自我改进的核心在于：AI系统不仅是被动执行任务的工具，还能主动参与自身能力的提升过程。

这一范式可能重新定义研发效率：传统的研发流程是"人类设计实验→运行→分析结果→调整"，而自我改进范式下，AI承担了实验设计、结果分析和参数调整的闭环，人类则退居到目标设定和边界约束的角色。这与阿里云AI实践中提到的"AI融入研发全流程"理念一致。

竞争格局的长周期视角

布林对AI行业格局变化的从容态度——"以月度维度评判相对位置不稳定，从长周期观察交替领先属于正常现象"——提供了理解AI竞争的正确视角。在代码能力上暂时落后并不意味着结构性劣势，而是研发资源分配的阶段性结果。Gemini系列在响应速度（Flash系列）上仍有竞争优势，适合需要快速交互的场景。

这一判断与Agent团队协作新范式的讨论形成对比：后者关注的是短期范式切换的冲击，而布林提供了更长期的视角——各实验室在不同技术方向上交替领先是行业常态。

实践启示

  1. 技能迁移效应的利用：在训练数据设计时，有意识地引入跨领域数据，利用技能迁移机制提升模型在多任务上的综合表现。代码能力与数学推理之间的正相关关系尤其值得关注。

  2. 思维链的工程化应用：在构建Agent系统时，强制模型进行中间推理（而非直接输出答案）可以显著提升可靠性和可审计性。将复杂任务分解为可验证的子步骤，与Agent评测方法论中的可分解性要求一致。

  3. 自我改进基础设施投资：将AI系统自身的改进能力作为独立的基础设施来建设，包括自动化训练监控、训练数据生成、参数调优等模块。这部分工作对未来AI竞争力将越来越关键。

  4. 能力评估的长期视角：在技术选型时，避免基于短期领先/落后做出战略性判断。应关注基础架构的适应性和团队的能力积累，而非某一时间点的指标排名。

  5. Transformer架构的持续关注：尽管出现了许多替代架构（如Mamba、RWKV等），Transformer的适应性远超预期。在架构选型时，不应过早放弃Transformer，而应关注其在目标场景中是否已充分优化。

相关实体

→ 原文存档