Demis Hassabis警示：盲目堆砌数据是AGI的最大误区

近半年来，科技巨头们热衷展示的并非AI掌握了何种知识，而是它单次能“吞噬”多少信息。

上下文窗口已从十几万token飙升至百万级，谷歌Gemini甚至宣称具备千万级别的吞吐能力。这一数字极具诱惑力，仿佛只要无限扩大脑容量，AGI便会自然诞生。

然而，Google DeepMind负责人、2024年诺贝尔化学奖得主Demis Hassabis在一次深度访谈中，为这条路径泼了一盆冷水。他的观点直截了当：将海量信息塞入AI大脑，并不等同于提升其智能水平。

业界正将“记忆更多”误读为“理解更深”，这或许是通往AGI途中最昂贵的错觉。

这番言论之所以刺耳，是因为它触及了当下AI竞争的核心商业叙事。大模型厂商需要更庞大的模型、更长的上下文及更昂贵的算力，云厂商渴望出售更多高端资源，而发布会也需要一个直观参数来刺激市场神经。

上下文窗口恰好迎合了这一切需求。它简单、可量化、易于写入PPT，并能让用户产生一种错觉：既然AI能读完整本书、整段视频乃至整个资料库，那么它距离“真正理解”仅一步之遥。

必须承认，长上下文的确具有价值。它让模型在处理长文档、长代码及复杂检索任务时更为便捷，也解决了许多过去因切片或截断而引发的难题。

算力堆叠与模型蒸馏也非毫无意义。许多笨重、重复且耗时的任务，确实能通过此类工程手段得到显著推进。问题在于，这些进步更像是在拓宽一张桌子，而非让桌前的“大脑”学会甄别何为重要。

Hassabis指出的关键缺失，在于对持续学习与记忆机制的重构。当前的上下文窗口，本质上更像是一种被强行扩张的工作记忆。

人类工作记忆通常仅能同时处理有限信息块，原稿提及约为七个。AI虽被扩展至百万级，看似工程奇迹，代价却是将重要数据、无用噪音、正确逻辑与错误信息一并塞入。

这并非优雅的记忆，更像仓库堆货。货物越多，寻找越难；货架越大，管理系统越显关键。若无筛选、固化与清理机制，容量本身反而可能制造新的混乱。

博尔赫斯在《博闻强记的富内斯》中描绘了一位拥有绝对记忆之人。他能记住树叶纹路与每一秒细节，却因此丧失了归纳、抽象与概括的能力。

这个故事置于今日的AI竞赛中，几乎宛如预言。若系统无法遗忘，便会被细节淹没；若仅知存储，便难以形成真正的判断。

记忆的高级形态绝非照单全收，而在于知晓哪些值得转化为知识，哪些必须被舍弃。

人类大脑之所以高效，很大程度上依赖海马体的调度。尤其在快速眼动睡眠期，大脑会回放日间信息，将有价值经验固化为长期记忆，同时清理大量认知垃圾。

DeepMind早在2013年那个轰动一时的游戏AI中，便借鉴过类似机制，通过经验回放巩固胜率。这意味着，Hassabis并非否定工程，而是在提醒行业：智能不能仅依赖更大的临时缓存。

如今的大语言模型面对开放世界数据时，常仍在用昂贵算力进行“大海捞针”。百万级上下文看似豪华，实则可能只是将目标与更多稻草一同倒入系统。

这背后是一套典型的产业机制。短期内，堆参数、扩窗口、购显卡是最易被市场理解的路线；但长期看，它可能将行业引向日益沉重的成本结构。

企业做出此类选择并不奇怪。发布会需要可感知的突破，融资需要可讲述的增长故事，客户需要即时可用的功能，工程团队也需要沿着确定路径迭代。

因此，扩展上下文、堆叠算力、将模型能力包装为更大吞吐量皆是合理的。只是这些局部合理叠加起来，可能让行业误以为终点就在这条直线上。

Hassabis还提及一个更隐蔽的缺陷：现有系统缺乏站在思考之上观察思考的内省机制。

例如AI下国际象棋时，可能已推演出某步是劣着，却因找不到新解法而最终仍走出那步坏棋。它能计算，却未必会叫停；能延展推理，却未必能转换思路。

这与上下文窗口的问题实为一体两面。若系统只会吞食资料且缺乏自我修正能力，便会在更广阔的信息海洋中更快迷失。

因此，AGI所缺的未必是再多几倍内存或几万张高端显卡。Hassabis判断，人类或许仅差一到两个关键核心发现。此说法的分量在于，它将竞争焦点从资源消耗重新拉回机制创新。

若未来突破源于记忆重构、持续学习与内省能力，那么今日许多看似领先的参数优势，可能仅是阶段性门票。门票虽有用，却无法替代通往下一层智能的钥匙。

AI最危险的瓶颈，或许并非无法容纳世界，而是不知如何消化世界。

这对产业的提醒十分现实。只要资本、云资源及发布会指标继续奖励“更大”，企业便会继续朝此路奔跑。并非大家愚蠢，而是这条路径最易被定价。

但若AGI真要出现，或许不会诞生于某次更夸张的容量展示，而会出现在某个系统首次学会取舍、反省与沉淀的时刻。

届时，人们或许才会发现，过去拼命扩大的那扇窗，仅让AI看见了更多事物；而智能真正启航之处，是它终于知晓该将何物关在窗外。