“大力出奇迹“还是“世界模型“，DeepMind首席执行官清晰站队

　　在旧金山举行的Axios AI+峰会上，谷歌DeepMind首席执行官德米斯·哈萨比斯（Demis Hassabis）向全球科技界发出了一个毫不含糊的信号：人工智能的进化之路尚未触顶，必须将“规模化”推向物理与逻辑的极致。

　　这一表态不仅是对DeepMind最新发布的Gemini 3模型的自信背书，更是对当前硅谷日益激烈的技术路线之争的直接回应。在通往通用人工智能（AGI）的赛道上，哈萨比斯坚定地站在了“大力出奇迹”的一方，而以Meta前首席人工智能科学家杨立昆（Yann LeCun）为代表的另一派则正在寻找绕过算力墙的新路径。

　　规模化法则：通往AGI的必经之路还是死胡同？

　　哈萨比斯的论断建立在著名的“缩放定律”（Scaling Laws）之上。这一法则在过去几年中一直是驱动大语言模型（LLM）爆发式增长的核心引擎。简而言之，该定律认为，只要持续增加训练数据的数量和计算资源的规模，AI模型的智能水平就会呈现出可预测的指数级增长。

　　“我们必须最大限度地提升现有系统的可扩展性，因为它至少会成为最终通用人工智能系统的关键组成部分，”哈萨比斯在峰会上说道，他的语气中透露出一种工程师特有的务实与坚定，“它甚至可能成为通用人工智能系统的全部。”

　　这一观点的背景是DeepMind刚刚推出的Gemini 3。据业内评估，该模型在多模态推理和长上下文处理能力上再次刷新了行业基准，似乎验证了哈萨比斯的信念：只要算力足够大，模型就能涌现出更接近人类的逻辑能力。在他看来，虽然仅靠堆砌算力可能不足以完全复现人类智能的全部图谱，还需要“一两项”关键的算法突破，但规模化无疑是地基，是不可逾越的物理前置条件。

　　然而，这条路径并非没有代价。规模化意味着对能源和硬件的贪婪需求。建设吉瓦级的数据中心、采购数以十万计的高性能GPU，不仅带来了天文数字般的成本，还引发了关于环境足迹的伦理担忧。更为严峻的是“数据枯竭”的阴影——高质量的公共互联网数据几乎已被挖掘殆尽，合成数据的有效性仍存争议。

　　反叛者的声音：杨立昆与“世界模型”的另类赌注

　　就在哈萨比斯高呼“推向极致”的同时，硅谷的另一端却传来了不同的声音。图灵奖得主、深度学习三巨头之一的杨立昆近期宣布离开Meta，创立自己的初创公司，这被视为对主流大语言模型路线的一次公开“叛逃”。

　　谷歌DeepMind首席执行官德米斯·哈萨比斯表示，人工智能规模化是实现通用人工智能的关键，通用人工智能是一种能够像人类一样进行推理的人工智能。 丹·基特伍德/盖蒂图片社

　　杨立昆长期以来一直对纯粹依赖语言数据的LLM持怀疑态度。他认为，现有的模型虽然能流利地生成文本，但缺乏对物理世界的真实理解、持久的记忆以及复杂的规划能力。这只是概率的统计学鹦鹉，而非真正的智能体。

　　“大多数有趣的问题都很难扩展，”杨立昆在早些时候的新加坡国立大学演讲中直言不讳，“你不能简单地认为更多的数据和更多的计算就能带来更智能的人工智能。”

　　他的新方向是构建“世界模型”（World Models）。这种架构不再沉迷于预测下一个单词，而是试图让AI像人类婴儿一样，通过观察和交互来学习物理世界的运作规律——重力如何作用、物体如何运动、因果关系如何构建。这一路径试图绕过对海量文本的依赖，转而通过视频、传感器数据等空间信息来培养AI的“常识”。

　　杨立昆的离职创业在行业内引发了震动。他在LinkedIn上的宣言——开发理解物理世界、拥有记忆和推理能力的系统——被视为对哈萨比斯路线的最强有力反击。这不仅是技术架构的竞争，更是对智能本质理解的哲学分歧：智能究竟是语言的产物，还是对物理现实模拟的产物？

　　回报递减与行业的焦虑

　　这两种截然不同的愿景背后，是整个AI行业对“边际效应递减”的集体焦虑。尽管Gemini 3和OpenAI的最新模型仍在进步，但许多观察家指出，与其前代产品相比，这种进步的幅度正在放缓，而训练成本却在成倍增加。

　　如果哈萨比斯是对的，那么现在的放缓只是黎明前的黑暗，一旦算力突破某个临界点，AGI将自然涌现。这就解释了为何谷歌、微软和亚马逊仍在疯狂地进行资本支出，试图用金钱换取时间。DeepMind的策略是将资源集中在强化学习与大模型的结合上，试图通过AlphaGo式的自我博弈来突破数据瓶颈。

　　反之，如果杨立昆是对的，那么目前的巨额投入可能正在逼近一个巨大的泡沫。一旦规模化法则失效，行业将面临痛苦的修正，数千亿美元的基础设施可能沦为过时资产。

　　终局未定：混合路径的可能性

　　值得注意的是，哈萨比斯并未完全否定其他路径。他承认规模化可能不是全部答案，这种审慎的态度暗示了DeepMind内部也在进行多路径的探索。事实上，DeepMind在蛋白质折叠（AlphaFold）和材料科学（GNoME）领域的成就，正是结合了特定领域知识与深度学习的结果，而非单纯的语言模型堆砌。

　　未来的AGI很可能不是非此即彼的选择题。最有可能的终局是两种路线的融合：一个拥有巨大知识储备和语言能力的“大脑”（基于规模化定律），与一个能够理解物理规则、进行精准规划的“小脑”（基于世界模型）相结合。

　　2025年的尾声，AI界正站在一个十字路口。哈萨比斯与杨立昆的这场辩论，将在未来几年内决定数万亿美元资本的流向，更将决定人类何时、以及以何种方式，迎来真正的通用人工智能。无论是将规模化推向极致，还是重构智能的底层逻辑，这场竞赛的胜负手，或许就隐藏在下一个量级的算力突破或下一个天才的算法构想之中。