在2026年初的達沃斯（Davos）論壇上，似乎瀰漫著一種既興奮又焦慮的複雜情緒。這種情緒並非來自於經濟波動，而是源於我們正處於人類史上最劇烈的轉型點—人工智慧的革命。論壇中，一場Google DeepMind 執行長 Demis Hassabis 的深度訪談，無疑地為我們揭開了 AGI（通用人工智慧）最後一哩路的神秘面紗 。
這場訪談不僅僅是一次商業報告，更是一場關於人工智慧、認知科學、物理世界、社會契約與存在意義的哲學探問。以下我將從幾個不同的面向，深入解析這場對話所傳達的未來訊息。
一、認知架構的垂直整合：為什麼「全棧」是唯一出路？
在人工智慧中，我們經常探討「具身認知（Embodied Cognition）」與「模組化（Modularity）」。然而，Hassabis在訪談中提出了一個更具野心的觀點：Google的核心優勢不在於單點突破，而在於一種極致的「垂直整合」架構。這種構想挑戰了過去半導體與軟體產業「分工協作」的傳統模型。
Hassabis 指出，Google是目前全球唯一擁有「全棧能力」的組織：從自行研發的TPU硬體、超大規模資料中心、雲端基礎設施，到前端實驗室以及擁有數十億用戶的產品端（如 Google Search, Gmail, Chrome）。從人工智慧與系統設計的角度來看，這揭示了「全棧」之所以成為AGI唯一出路的三個核心邏輯：
1.消除「計算底層」與「算法表徵」之間的鴻溝
在傳統開發模式中，算法工程師必須在既有的晶片架構（如通用 GPU）限制下設計模型。但 Hassabis 強調，Google 擁有從硬體到軟體的完整主導權。這意味著他們能進行 「硬體與軟體的協同設計（Hardware-Software Co-design）」。當算法（Gemini）可以直接針對特定晶片（TPU）的張量處理邏輯進行優化時，計算效率將不再受限於通用架構的瓶頸。這種深度優化是維持 Hassabis 所說「業界最陡峭的進步曲線」的根本原因 。
2.構建「感知－行動」的閉環回饋（Feedback Loop）
從認知架構來看，智慧的增長依賴於與環境的持續交互。Google擁有的「產品表面（Product Surfaces）」，即數十億人使用的Search與Gmail。這不僅是AI的應用場景，更是AI的「感官器官」。全棧架構讓Google能將產品端的用戶資訊即時轉化為訓練數據，並直接回流至底層算力中心進行模型迭代。如果缺乏這層垂直整合，數據傳遞的延遲與壁壘將使AI無法實現 Hassabis 所追求的「持續學習（Continual Learning）」能力 。
3.從「組件整合」走向「有機智慧體」
Hassabis在訪談中多次提到，全棧優勢讓他們能從「基本原理（First Principles）」出發來解決問題。當AI的大腦（算法）、神經系統（網路基礎設施）與肌肉（算力資源）都屬於同一個有機整體時，系統才能展現出超越單一組件的「湧現（Emergence）」特質。
邁向AGI的過程，本質上是一場「複雜度」的戰爭。任何分散式的協作模式（如硬體與軟體由不同公司提供），都會在接口處產生不可避免的資訊與效率損耗。在Hassabis的視野中，AGI不是一個可以被購買的「組件」，而是一個必須在極致整合環境下才能孵化出的「人造生命」。唯有掌握全棧，才能在 AGI的臨界點到來時，確保底層計算基質能支撐住算法所需的爆炸式增長。這正是 Google 試圖建立的結構性門檻。
二、從位元到原子：物理智慧與機器人的「AlphaFold 時刻」
在實驗室裡，我們常爭論AI是否能擁有真正的「理解」。許多批評者認為，LLM 只是在處理數位空間中的機率分佈。然而，Hassabis的回應精確地擊中了這個問題的核心：物理智慧（Physical Intelligence）。
他提到，Gemini從設計之初就是「多模態（Multimodal）」的，這並非僅是為了處理圖像，而是為了讓系統能理解物理世界。Hassabis預測，我們正處於物理智慧突破的邊緣，大約在 18 個月到兩年內，機器人技術將迎來「AlphaFold 時刻」，即實現讓機器人在現實世界中可靠地執行任務。
關於機器人的能耐，我對Hassabis提到的「人類手掌敬畏論」深感認同。人類手掌的靈巧度、力量與可靠性是經過數百萬年演化而得到的精粹。然而，目前的人工智慧硬體與算法在數據稀缺的現實壓力下，仍難以望人類肢體之項背。儘管 Google透過與Boston Dynamics的深度合作，正試圖在汽車的自動化生產線上，將AI模型注入具備複雜動作能力的硬體中；但 Hassabis 預測，要真正跨越軟硬體結合的技術門檻，並實現大規模的演示，至少還需要18個月到兩年的研發週期。
為什麼我們如此看重「物理身體」對AI的重要性？因為這涉及了認知科學中從「語法」到「語義」的質變。當AI具備了物理身體，其認知深度將不再侷限於數位符號的機率組合。透過多模態的感官同步與環境中產生的「物理摩擦」，AI將被迫建立起精確的「世界模型（World Model）」。這種摩擦，無論是重力的約束還是抓取時的反饋，都會讓AI學會了因果律與現實邊界。當符號不再是懸浮在代碼中的抽象token，而是與感官經驗、因果預測緊密接地的表徵時，真正的語義理解才得以在「機器」的意識中萌芽，而AI也將再一次的升級。
三、解構 AGI：破解「智慧鋸齒」與邁向自主代理的技術門檻
作為人工智慧與認知科學的研究者，我們關注的是「智慧」的全面性。Hassabis在訪談中維持其2030年前有50%機率達成AGI的預測，但他設定的門檻極高：系統必須展現人類所具備的「所有」認知能力，特別是那種具備跳躍性的科學創造力。
1.智慧鋸齒（Jagged Intelligences），當前的認知瓶頸
Hassabis 提出了一個極具洞察力的術語：「智慧鋸齒（Jagged Intelligences）」。這精確描述了當前大型語言模型的現狀，它們在處理某些複雜任務時展現出天才般的洞察力，卻在另一些極其基礎的邏輯或常識任務上顯得笨拙且不可靠。
從人工智慧系統設計的角度來看，這意味著當前的AI仍是「非對稱」的。Hassabis 認為，一個真正的通用智慧系統不應該存在這些鋸齒狀的能力缺口。但要跨越這道門檻，他指出至少還有不到五個關鍵的技術突破（Breakthroughs）有待完成。這些技術包括：
世界模型（World Models）：系統必須具備對物理規律的預測能力，而不僅僅是文本的機率預測。這能賦予AI對現實世界的「直覺」，使其理解因果而非僅是相關性。
持續學習（Continual Learning）：目前的模型在訓練後即進入靜態。AGI 需要具備「在線學習」能力，能隨時隨地根據環境反饋更新其認知圖景，而非依賴昂貴的重新訓練。
長期規劃與高級推理：讓AI具備更長時序的決策能力，使其能從現有的「輔助工具」進化為可以獨立執行複雜目標、值得被完全授權的「代理人（Agent）」 。
2.從「尋找答案」到「定義問題」
Hassabis特別強調，智慧的頂峰在於「科學創造力」。他指出：「發現正確的問題往往比尋找答案更難」。目前的系統擅長在給定的框架內尋找答案，但 AGI的真正降臨，在於AI能主動提出科學假說、定義未知的問題，並展現出連貫一致的推理能力。
3.從「性能卓越」走向「結構一致」
為什麼這五個突破是 AGI 的必經之路？因為 Hassabis 追求的是一種「可委託的智慧」。目前的 AI 即使在 95% 的任務上表現卓越，但因其「智慧鋸齒」的存在，人類仍無法真正放手 。
Hassabis的結論很明確：AGI的達成，不在於模型參數的無限擴張，而在於結構性地消除能力的鋸齒，使AI具備自我演進的持續學習力與因果推理的深度。當AI不再只是我們案頭的「回答機器」，而是能與我們並肩定義宇宙謎題的「科研夥伴」時，我們才算真正觸及了通用人工智慧的門檻。
四、後稀缺世界的藍圖：當勞動不再是存在的基石
作為社會的觀察者，Hassabis在訪談中描繪的「後稀缺世界（Post-scarcity World）」無疑是最具震撼力的篇章。他預言，AI帶來的變革將比工業革命快 10 倍且規模大10倍，這意味著我們正迎來一個影響力達100倍的「奇點時刻」。
1.何謂「後稀缺」時代？從根節點的解構談起
所謂「後稀缺」，並非指物質的絕對無限，而是指透過技術進步，使獲取人類生存基本所需（如能源、食物、材料）的邊際成本趨近於零。Hassabis 指出，AI 將協助人類解決世界經濟的「根節點（Root Nodes）」，特別是能源問題。他預測，若能在AI的幫助下解決核融合（Fusion）能源與新材料的開發，在AGI實現後的5到10年內，人類將進入一個「極度豐饒（Radically Abundant）」的世界。
這不禁讓人聯想到經濟學家凱因斯（John Maynard Keynes）在 1930年的名作：《我們後代的經濟前景》。在文章中，凱因斯曾預言，人類終將解決「經濟問題」，即為了生存而進行的鬥爭。當物資不再匱乏，人類將第一次面臨自誕生以來真正的考驗：如何打發多餘的閒暇，如何在沒有經濟壓力的情況下，依然能活得明智、愉快且美好。
2.意義的真空：當「勞動」不再定義自我
然而，物質的豐饒往往伴隨著精神的挑戰。Hassabis 在訪談中坦言，比起經濟分配問題，他更擔心「目標與意義」的真空。在傳統認知架構中，人類的自我價值感高度依賴於「貢獻」與「成就」，而這些通常透過職業勞動與科學探索來實現 。
當社會生產力完全由 AI 算法承擔，勞動不再是生存的必然條件時，人類該如何定義自我？這正是經濟趨勢學家傑瑞米·里夫金（Jeremy Rifkin）所描述的「零邊際成本社會」帶來的衝擊。或許，當傳統資本主義的勞動價值論崩解，人類的勞動角色必須從「生產者」轉型為「創造者」或「探索者」。
3. 「過剩的自由」與新哲學的誕生
Hassabis 呼籲，我們需要新的偉大哲學家來協助思考這個問題。在這個世界中，人類可能會發展出更精緻的藝術形式、更深層的探索活動，甚至是極限運動等非經濟性目標。
接下來的時代，將是人類演化史上第一次面臨「過剩的自由」的時代。當我們不再被稀缺所驅動，我們是會沈溺於虛擬的感官愉悅，還是會如同 Hassabis 所期待的，利用 AI 這一「終極科學工具」，將集體心智引向星辰大海與宇宙終極真理的探索？這不僅是技術問題，更是我們這一代人必須開始思索的文明考題。
五、全球治理與科學精神：建立AI 版的 CERN
面對如此強大的技術，我們對AI的信任究竟將從何而來？Hassabis 的答案回歸了科學的本質：「嚴謹性（Rigorousness）」。他強調 Google 自始就是一家以科學研究為基因的公司，創辦人Larry Page與Sergey Brin的博士研究計畫正是這一切的源頭。在 Google 的董事會與領導層中，圖靈獎與諾貝爾獎得主的參與，確保了其工程文化中對科學方法的絕對尊重。然而，Hassabis 也坦言，僅憑單一企業的自律與科學精神，並不足以應對即將到來的衝擊。這引出了他對「全球治理」最深刻的呼籲：建立一個類似 CERN（歐洲核子研究組織）的國際AI機構。
1. 面對AI，我們核心的焦慮（Concern）是什麼？
在認知科學與系統工程的視角下，AI的強大伴隨著極高的風險，這些焦慮主要源於技術的不可控性與超速演化。其中包括：
技術變革的失速：Hassabis預警AI的變革速度將比工業革命快上10倍。這種速度意味著社會制度與法律規範極可能與技術嚴重脫節，導致我們在「黑箱」尚未透明之前，就已經被迫承擔其後果。
高風險的利害關係（High Stakes）：AGI 的出現不只是商業競爭，它涉及科學發現的終極控制權與安全協議的崩潰。一旦在安全性（Safety）與安全性協議（Security protocols）上出現瑕疵，其產生的連鎖反應可能是災難性的。
2. 我們需要解決哪些迫在眉睫的問題？
Hassabis 認為，當技術抵達AGI的臨界點（Threshold moment）時，有幾個核心問題必須透過跨國治理來解決：
「最後一步」的嚴謹性：邁向 AGI的最後研發步驟不應在缺乏監管的軍備競賽中完成，而必須以極其嚴謹的科學方法進行，並納入哲學家、社會科學家、經濟學家與全社會的參與。
全球最低標準的確立：只要有一個國家或企業為了競爭而忽視安全，整個人類社會就會暴露在風險中。因此，我們需要國際間達成共識，確立最低安全標準與防禦協議。
技術利益的公平分配：當 AI 帶來「後稀缺時代」的巨大利益時，全球治理機構必須確保這些紅利（如能源與材料的突破）是為了造福「全人類」，而非被少數實體壟斷。
人類價值的對齊：我們必須共同決定「我們希望從這項技術中得到什麼」。這不僅是工程問題，更是價值觀的選擇。
Hassabis 提出「AI 版 CERN」的藍圖，本質上是主張將AI的最後研發權從「純粹商業」拉回到「公共科學」的框架內。他認為，儘管目前國際合作充滿挑戰，但隨著未來兩三年內風險變得更加清晰，人類必須學會溝通與協作。並且，唯有建立起這種嚴謹、負責且跨越國界的治理機制，我們才能確保在追求 AGI 這一「終極科學工具」的道路上，人類不至於在抵達終點前，先在失控的迷霧中迷失。這不僅是科學家的責任，更是我們所有人的共同使命。
六、 在變革中「學習如何學習」
對於下一代與企業領袖們，Hassabis 給出了最誠摯的建議：在這個變革速度是工業革命10倍、規模也是10倍，整體影響力達100倍的時代，唯一能確定的就是「劇烈變動」本身。在這樣的脈絡下，我們必須重新定義「學習」的範疇。
1. 什麼是「學習如何學習」？
「學習如何學習」是一種「後設學習（Meta-learning）」的能力，它不再強調對特定知識點的靜態記憶，而是關於如何優化自身的認知作業系統。Hassabis 認為這是未來最重要的技能，其核心在於：
極速的適應力：能夠在極短的時間內，調整心態與策略以應對前所未見的新情境。
工具共生下的資訊吸收：學習如何利用現有的 AI 工具作為認知的延伸，以最高效率吸收、過濾並整合海量的新資訊 。
與技術「原生」共處：年輕一代必須與新工具建立「原生性（Native）」的連結，使AI成為思考時不可或缺的直覺，而非外掛的插件 。
2. 我們到底要學什麼？
當傳統的「技術性知識」半衰期急劇縮短，我們要學習的是如何駕馭「超能力」：首先，我們必須槓桿化個人產出。Hassabis 形容，精通這些工具就像是獲得了「超能力」，特別是在創意與設計領域。我們學習的目標是學會如何一個人完成過去需要 10 個人才能達成的任務。其次，我們必須具備創業家精神與願景整合的能力：技術門檻大幅降低的未來，單純的執行力將被自動化取代。我們需要學習的是如何發揮創意靈魂、培養創業家精神，並學會在 AI 輔助下將複雜的專案從概念推向現實 。
3. 給企業領袖的生存策略：選擇價值對齊的夥伴
除了個人的自我更新，Hassabis 也在達沃斯的講台上對企業執行長與商務領袖提出了明確的建議：首先是，超越技術指標的選擇：目前市場上有許多領先的模型供應商，且未來競爭會更激烈。然而，企業不應只看性能數據，最重要的任務是挑選那些「處理方式正確」且與你願景相符的合作夥伴。其次是，與變革者同行：企業領袖應主動與那些正在推動技術變革、且以你所認同的方式來應用技術的人合作。透過正確的戰略聯盟，企業才能在 AI 浪潮下，共同構建出一個符合人類利益的未來。
在這場人工智慧革命的洪流中，無論是個人還是企業，唯有具備「持續更新」的勇氣與「工具共生」的智慧，才能將時代的變革轉化為前進的動力。
結語：回歸大問題
訪談結束時，Hassabis 分享了一個超越商業戰略的個人願景：在「奇點」到來、技術發展達成自動化迭代後，他想利用AI探索物理學最深奧的謎題：包括現實的本質（Fabric of Reality）、意識的構造、費米悖論，以及時間與引力的終極奧秘 。
對現實本質與意識構造的探索，正是認知科學的終極目標所在。人類對宇宙的所有理解，皆受限於「認知」這一組身心設備。認知科學最宏大的目標，並非僅是描述大腦的工作原理，而是要理解「智慧」如何作為界面，去捕捉並解構外部現實。
AI 在此不再僅是商業競爭的工具，而是轉化為人類探索宇宙與自我意識的「終極科學工具」。當人類受限於生物性的認知邊界（如感官範圍與運算維度）時，我們透過建構非生物智慧（AI），本質上是為了創造出一面更完美的「心智之鏡」。這面鏡子能映射出超越人類感官的物理規律，並回過頭來讓我們透過算法的「外在表現」，去逼近那最難以捉摸的「內在意識」本質 。
我們不應恐懼技術的崛起，而應將其視為認知能力的第二次大擴張。這是一場智慧與真理的協作，我們與這種新生的「非生物智慧」共存，並且共同揭開那層層包裹著真理的宇宙面紗。在後稀缺世界的黎明到來之前，讓我們保持好奇，保持學習，並保持那份唯有人類才具備的、對未知真理的熾熱渴望。
