跳到正文
只看观点#DeepMind
  1. Air Street Press64

    DeepMind 研究副总裁 Raia Hadsell 演讲：智能不应止步于语言

    Google DeepMind 研究副总裁 Raia Hadsell 在 RAAIS 2026 演讲中主张，语言只是可建模系统之一，世界、生物、天气和机器人同样适用基础模型方法。

    推荐理由：DeepMind 研究副总裁在 RAAIS 演讲中把世界模型与机器人串成一条主线，为读者提供了语言之外看 AI 路线的完整框架。

  1. Demis Hassabis68

    Google DeepMind 联合创始人 Demis Hassabis 发文称，AGI 可能仅需数年即可实现，其影响将达工业革命的10倍且速度更快。他指出，前沿模型在网络安全、核与生物风险方面已构成挑战，未来需对日益智能体化、递归自我改进的系统建立稳健防护。Hassabis 呼吁美国率先建立类似 FINRA 的前沿AI标准机构，采用联邦监督下的公私合作或自律组织模式，由独立技术专家和开源代表组成董事会，资金主要来自行业以吸引顶尖人才和算力。他强调，当前商业与地缘竞赛导致技术进步快于理解，需以谨慎乐观态度推进公共政策，兼顾创新与安全。

    推荐理由：Demis Hassabis 亲自下场提出一个具体的 AGI 监管框架，用 FINRA 模式构建标准组织，这比泛泛呼吁更有行动感，政策讨论里少见的可操作方案。

  1. Google DeepMind：Blog65

    保障AI智能体的未来安全

    Google DeepMind发布AI Control Roadmap，这是一套针对内部先进AI智能体的系统级安全框架。该框架在传统模型对齐之上增加防线，假设AI智能体可能不对齐，通过威胁建模、沙箱隔离、端点安全、提示注入防御以及基于已验证行为逐步授予权限的机制建立信任。据估算，到2030年仅美国市场AI智能体就能创造2.9万亿美元经济价值。

    推荐理由：DeepMind 首次系统性地公开了内部 AI 代理安全控制路线图，把代理当潜在「内鬼」来防的思路很务实，分析了 100 万个任务轨迹的监控实践尤其值得做 Agent 安全的人细看。

  1. IT之家·人工智能70

    谷歌 DeepMind 经济学家伊马斯：尚未发现 AI 造成岗位流失的证据，跟风裁员恐适得其反

    谷歌 DeepMind AGI 经济学负责人亚历克斯·伊马斯表示，目前没有看到白领岗位因 AI 大规模消失的证据。他强调，若企业因“不裁员就等于 AI 转型慢”的叙事而跟风裁员，可能适得其反。伊马斯认为，AI 更多是接手部分任务、提升生产力，让员工专注机器无法完成的工作，岗位冲击尚未真正出现。

    推荐理由：来自AI核心阵营的经济学家说‘还没证据’，这本身就值得每个担心被AI替代的人看一眼，那种‘没裁员就是落后’的FOMO叙事可能更危险。

  1. Gary Marcus：The Road to AI We Can Trust55

    Demis Hassabis 的 AGI 时间表自相矛盾：从 2030 年前后到 5-10 年

    Demis Hassabis 本周在斯坦福表示，AGI 可能只需几年即可实现，预计在 2030 年前后（正负一年）。但他在 2026 年 1 月达沃斯论坛上却给出更保守的 5-10 年时间表，并强调 AGI 需具备人类所有认知能力及物理智能，当前系统远未达到。作者认同后者，认为本十年内不会出现 AGI。

    推荐理由：哈萨比斯在斯坦福把 AGI 时间线从达沃斯的「5-10 年」压到「2030 左右」，Gary Marcus 拎出来对比，让我看到他自己的定义也在被叙事裹挟。

  1. IT之家·人工智能70

    谷歌 DeepMind CEO 哈萨比斯：AGI 最快三年内到来，研发速度远超预期

    谷歌 DeepMind 首席执行官德米斯·哈萨比斯预测，AGI 研发速度远超预期，最快可能在 2029 年至 2030 年前后出现。作为 AlphaGo、AlphaFold 的主导者，他认为当前 AI 智能体是未来更强智能的预演，随着多模态和自主决策能力成熟，三年内迎来 AGI 关键突破已非科幻。但他同时警示，全球社会对 AGI 到来的准备严重不足，必须提前建立规则与防护机制。

    推荐理由：哈萨比斯作为造出 AlphaFold 的诺贝尔奖得主，三年内 AGI 的判断不是空话，他同时强调社会完全没准备好，这种紧迫感比单纯的时间表更值得看。

  1. Dwarkesh Patel：Podcast & Blog55

    Eric Jang – 从零开始构建 AlphaGo

    文章以AlphaGo为例，阐述了智能的基本构成要素。AlphaGo至今仍是最清晰、最完整的范例，它融合了三大核心基础：搜索技术、从经验中学习以及自我对弈。这三大要素共同构成了其实现超越人类棋艺的关键路径。

    推荐理由：Eric Jang 把 AlphaGo 的搜索、自对弈和价值网络拆解得非常通透，用现代工具复现让这个经典思路对今天的 RL 和自动研究都有直接启发，做 LLM 后训练的尤其该听听他对信用分配问题的解释。

  1. Demis Hassabis65

    在红杉资本AI Ascent的炉边谈话中，Demis Hassabis 展现了他卓越的综合思维能力。他喜爱的书籍关乎万物理论，欣赏的哲学家看似对立，其职业生涯从棋盘游戏跨越至诺贝尔奖级别的科学。谈话核心内容包括：游戏作为AI训练场、创业与创立DeepMind的经验、对通用人工智能（AGI）的愿景，以及AI推动科学发现的具体突破（如生物学进展和Isomorphic Labs的工作）。最后，他还探讨了AI可能开启的新科学领域及其引发的深刻哲学思考。

    引用Konstantine Buhler@Konstantine

    @demishassabis 先生善于综合。他最爱的书是关于万物的大统一理论。他偏爱的哲学家被一些人视为对立面。他毕生的工作范围从棋盘游戏到获得诺贝尔奖的科学。 我们很荣幸上周在 @sequoia AI Ascent 接待了 Demis 和他的 @GoogleDeepMind 团队，进行了一场炉边谈话。他慷慨地允许我们分享这段内容，你可以在这里观看完整视频： 00:00 开场 00:38 共同的主线 01:29 游戏作为 AI 训练 02:59 创业建议 1.0 04:39 创立 DeepMind 07:25 DeepMind 与 AGI 08:52 科学中的 AI 10:37 生物学突破与 Isomorphic 12:42 新科学 20:29 哲学

    推荐理由：Demis难得坐下来聊哲学、科学和创业，一个把游戏智能做到诺贝尔奖的人怎么定义AGI，值得你花半小时看原片。

已经到底了