Demis Hassabis YC 专访：Agent 才刚刚开始，AI 下一步是创造虚拟细胞¶
Ch04.427 Demis Hassabis YC 专访：Agent 才刚刚开始，AI 下一步是创造虚拟细胞¶
📊 Level ⭐⭐ | 5.1KB |
entities/demis-hassabis-yc-interview-2026.md
Demis Hassabis YC 专访：Agent 才刚刚开始，AI 下一步是创造虚拟细胞¶
AI寒武纪 | 2026-05-01 | 转述 Self-Directed Investing Summit / YC "How to Build the Future" 专访
- AGI 预测：2030 年左右（Hassabis 个人判断）
- 50/50 判断：现有技术路线（大规模预训练+RLHF+思维链）通过持续创新能否扩展到 AGI vs 还需要 1-2 个真正的大突破，两种可能性各占一半
- 不存在的问题：他不认为几年后会有人说当前路线走错了
相关实体¶
- Wow Harness V3 Governance Protocol
- Hermes Agent Goal Runtime Architecture State Persistence Judge Closed Loop
- Ath Agent Trust Handshake Protocol
- Hermes Self Evolution Closed Loop Skill Reuse Winty
- Four Browser Automation Tools Comparison
→ 原文存档
深度分析¶
AGI 时间线判断揭示的不是技术确定性，而是战略不确定性。 Hassabis 给出了"50/50"的判断——这本质上是一种理性承认：现有路线是否需要根本性突破仍是开放问题。 这种诚实本身就比多数行业预测更有价值，因为它指导资源配置——押注单一路径的团队在高不确定性下应该保持双向曝光。
记忆是当前 Agent 系统最被低估的瓶颈。 Hassabis 将 AI 记忆类比为"胶带粘合"——把所有信息塞进上下文窗口，而非真正建立结构化记忆。100万 token 仅相当于20分钟视频的上下文，理解一个月的生活记录仍然不够。 这不只是工程问题，而是根本性的认知架构缺陷，有大量创新空间。
持续学习是 Agent 从"玩具"走向"工具"的关键跨越。 Hassabis 指出 Agent 在过去两个月（2026年3-4月）才找到真正有价值的使用场景，但核心短板是模型无状态、无法适应个人上下文。 6-12个月内这个状态预计改变，意味着 Agent 生态正在从探索期进入主流采用前的最后准备阶段。
强化学习被严重低估，AlphaGo 的遗产正在回归。 Hassabis 观察到思维链推理与当年 AlphaGo 探索的 MCTS 方法之间的深层联系，认为 RL 在基础模型时代的作用被广泛低估。 这对 AI 系统架构有重要含义：未来真正的 Agent 系统可能需要将 LLM 与 RL 搜索机制深度结合。
锯齿状智能要求重新定义"AI 能力"评估框架。 AI 能解 IMO 金牌题但会在特定提问方式下犯基础数学错误，根源在于推理粗糙和内省能力不足。 这不是 bug 而是当前范式的固有特征，意味着在构建 AI 产品时，必须识别高度可验证领域（AI 优势区）和高度不可验证领域（人类监督区）。
实践启示¶
现在就在 Agent 工作流上投入，但管理好期望值。 Agent 才刚找到真正的价值场景且持续学习还未解决 ，但这是建立流程认知和积累实践经验的最佳时机——等到技术成熟才入场将丧失先发优势。聚焦高度可验证的垂直场景作为 Agent 应用起点。
重新设计记忆系统架构，不依赖上下文窗口作为唯一记忆载体。 上下文窗口=工作记忆，而 AI 的长期记忆问题远未解决 。在构建 Agent 产品时，主动引入外部记忆层（向量检索、结构化知识库、个性化状态快照）是差异化竞争点。
关注 RL 与 LLM 的融合方向，特别是 Agent 系统的构建。 Hassabis 认为 RL 被低估且 AlphaGo 方法正在回归 ，对于从事 Agent 架构的团队，优先探索如何将 MCTS/RL 搜索机制整合进 LLM 推理框架。
在招聘和流程设计中，明确标注"AI 优势区"和"必须人工监督区"。 锯齿状智能意味着 AI 在不同任务上的表现高度不均匀 。建立任务-能力映射矩阵，对高度可验证任务（代码生成、数学证明）充分借力 AI，对模糊判断任务保留人类决策。
布局跨学科 AI 应用（材料科学/医学/实体科学），不易被模型更新淘汰。 Hassabis 建议深科技方向最难被下次模型更新淹没 。如果从事 AI 应用投资或职业规划，选择需要实体世界数据和领域知识的垂直方向作为护城河。