日前，諾獎得主、Google DeepMind 首席執行官 Demis Hassabis 在一檔訪談節目中，圍繞人工智能（AI）技術的演進與未來發展趨勢進行了分享。

在訪談中，Demis 分享了從游戲 AI 到當今推理模型的演變歷程，探討了 Genie 3 等世界模型如何幫助 AI 理解現實，以及為何需要像 Kaggle Game Arena 這樣的測試平臺來評估通用人工智能（AGI）的新進展。

整個訪談呈現了 AI 從專項智能向全能模型邁進的路徑，為理解 AGI 的未來發展方向提供了獨特視角。

學術頭條在不改變原文大意的情況下，對節選內容做了精編。如下：

Genie 3：讓 AI 理解物理世界

Demis 表示，Genie 3 是 DeepMind 多個研究分支融合的成果，是多種想法的結合。其核心目標是構建 “世界模型” —— 即讓 AI 理解物理世界的規律，包括物理結構、材料特性、液體流動、生物行為等。

他們一直把棋盤游戲作為一個具有挑戰性的領域，來改進 AI 算法思想。在過去，人們經常把電腦游戲當作挑戰，也用來創建合成數據。無論是過去和現在，研究人員都在使用大量的模擬環境，非常逼真的環境，如 3D 游戲引擎，來為系統創建更多訓練數據，以幫助它們理解物理世界。

Demis 指出，“人類不僅生活在語言和數學世界中，更身處物理世界中”，AGI 若想要真正發揮作用，顯然需要理解物理世界這一現實基礎。無論是依賴對物理世界預判的機器人技術的突破，還是 AI 日常助手，對時空背景的把握，都離不開世界模型的支撐。

此外，它還需要理解使用者所處的時空背景，所以需要一個世界模型來真正理解這個世界及其運作方式。而證明擁有一個好的世界模型的方法之一，就是能夠生成這個世界。

“有很多方法可以測試你的世界模型的有效性和深度，但一個很好的方法是讓它進行逆向操作，生成關于這個世界的一些東西。”

為訓練這一能力，他們利用 3D 游戲引擎等模擬環境生成大量數據，讓 AI 在虛擬場景中學習現實規律。Genie 3 最顯著的特點是能生成具有一致性的世界：

當用戶暫時離開其創建的虛擬場景，再次返回時，場景狀態與離開時保持一致。這種特性證明它并非隨機生成內容，而是對世界運作建立了穩定的底層模型，例如，“打開水龍頭會有液體流出”“鏡子能反射出影像” 等邏輯都能在生成過程中得到體現。

在應用層面，Genie 3 已用于內部訓練。DeepMind 的游戲 agent SIMA，可以直接操控并玩現有的電腦游戲。如果將其放入 Genie 3 中，那么就能得到一個 AI 在另一個 AI 的頭腦中進行游戲這種結果。SIMA 會決定采取什么行動，并發出行動指令，Genie 3 則實時生成對應的環境變化，形成 “一個 AI 生成世界、另一個 AI 在其中探索” 的閉環。這一模式能為機器人技術、AGI 系統訓練創建無限的訓練數據。

Demis 提到，Genie 3 在互動娛樂領域有潛在價值，可能催生介于電影與游戲之間的新型娛樂形式。從科學視角看，它與視頻模型共同為探索現實本質提供了新維度 ——通過 AI 對世界的模擬與生成，人類得以從不同角度思考 “現實的本質”。

Game Arena：面向AGI的動態評估基準

為應對 AI 系統 “鋸齒智能” 等問題，Google DeepMind 與 Kaggle 合作推出了 Game Arena，作為評估 AGI 進展的新測試平臺。讓模型去玩各種不同的游戲，并測試它們的能力。

在“首屆”大模型對抗賽決賽中，OpenAI 的 o3 擊敗了馬斯克的 Grok 4，成功奪冠。谷歌的Gemini 2.5 Pro 則在半決賽中輸給了Grok 4。

在 Demis 看來，這些系統要成為真正的 AGI，所缺少的東西之一就是一致性。Demis 指出，當前 AI 系統存在能力不均衡的現象：它們能在 IMO 中獲得金牌，卻可能在高中數學、簡單邏輯問題或特定游戲中犯低級錯誤；能根據文本提示生成模擬世界、理解視頻，但仍有一些相當簡單的事情，小學生都能輕松做到，而這些系統卻做不到。這種不一致性是 AGI 發展需突破的關鍵障礙。

他認為，現有評估基準存在局限性。“可能在推理、規劃、記憶方面還缺少一些能力，除了擴展之外，這些領域可能還需要一兩項新的創新。”

這些系統，包括 Gemini，都是非常通用的。但目前的研究團隊所使用的很多 benchmark 已經開始變得飽和。

以數學領域的 AIME 為例，DeepMind 的模型的最新結果已達到 99.2% 的正確率，意味著已經進入了一個回報非常有限的階段，這些 benchmark 正迅速達到飽和，甚至可能因測試本身的誤差影響評估效果。

因此，需要更難、更廣泛的 benchmark，涵蓋物理世界理解、直覺物理、物理智能及安全特性等維度。

Game Arena 的設計基于游戲場景，使它具備多方面的優勢：

首先，游戲是非常純粹的測試場所。你可以通過游戲得到 Elos 等級分，它們是非常客觀的性能衡量標準。沒有主觀性，不需要讓人類來進行 A/B 測試、決定評級等等，從這個意義上來說它是非常科學的。

其次，隨著 AI 系統能力提升，游戲難度可自動調整。系統在比賽中相互較量，能力增強則測試自動升級，Game Arena 的全部意義就在于讓最優秀的模型相互競爭。

另外，隨著系統越來越完善，他們還可以逐步在 Game Arena 中引入更復雜的游戲，從象棋擴展至數千種，最終形成綜合評分，評估 AI 在多領域的通用能力。它們應該能在所有游戲中都表現出色，既可以是電腦游戲，也可以是棋盤游戲。

在他看來，或許最終 AI 系統應該能發明自己的游戲，然后教給其他 AI 系統，讓它們去學習，就像是學習一個從未存在過的新游戲，這樣就不可能出現過度擬合訓練數據之類的情況了。Demis 有很多關于這種多 agent 環境的想法，他同時也認為 Game Arena 最終應該能夠支持這種環境，成為一個非常重要且影響深遠的 benchmark。

在更混亂或更貼近現實世界的領域，如何確定有待優化的獎勵函數或目標函數，這一直是強化學習面臨的難題。在人類世界里，沒有單一的目標函數，情況非常復雜。人是多目標的，會根據其他狀態，比如情緒狀態、物理環境以及在職業生涯中的位置等所有這些因素，不斷地調整不同目標的權重。但不管怎樣，Demis 認為，我們總能憑借自己的智慧度過難關，大致能弄清楚正確的“北極星”是什么。

同時，Demis 指出，通用系統也必須做到這一點，它們要學會理解人類用戶想要實現的目標，然后弄清楚如何將其轉化為一組有用的獎勵函數來進行優化。

Demis 強調，Game Arena 的意義在于回歸 DeepMind 研究本質：早期以游戲為挑戰改進 AI 算法，如今游戲仍是理想測試場。未來，還需要支持 AI 自創游戲并相互教學，避免訓練數據過度擬合，更真實地檢驗通用學習能力。

作為 AGI 發展的重要基準之一，Game Arena 將與其他新型評估工具共同作用，確保 AI 系統在認知能力的各個維度得到全面檢驗。

One more thing

除 Genie 3 和 Game Arena 外，Demis 還談到了其他大模型相關熱門話題。

Thinking 模型的演進是重要方向。以 Deep Think 為代表的系統，延續了 AlphaGo 等早期游戲 AI 中基于 agent 的系統思路，強調 AI 的思考、規劃與推理能力。這類系統可進行深度思考和并行規劃，在數學、編程、科學問題等領域通過反復推演優化結果，而非直接輸出初始結論。Demis 認為，這是實現 AGI 的必要路徑。

工具使用成為 AI 能力擴展的新維度。Thinking模型在推理過程中可調用搜索功能、數學程序、編碼工具等，更新規劃方案。對于數字系統而言，“工具” 與 “主模型能力” 的邊界存在模糊性，比如象棋能力是整合并入主模型，還是作為工具調用，需要通過實證判斷。若某種能力有助于提升其他能力，則整合入主模型，反之則考慮作為工具。

AI 正從權重模型向完整系統轉變。早期模型的輸入輸出模式較為簡單，而如今的系統能結合工具使用、規劃與思考能力，實現更復雜的功能。這種轉變要求產品設計具備前瞻性，需要預判一年后的技術水平，允許底層引擎定期更新（周期可能短至三到六個月），以適應技術的快速迭代。

作者：小瑜