Google DeepMind 发布 Koray Kavukcuoglu 与 Hannah Fry 的 AGI 对谈播客:他称不会有任何单一测试或基准能判定 AGI 已经到达
Google DeepMind 于 2026 年 11 月 19 日(UTC 时间,北京时间 11 月 20 日凌晨)在 X 上发布其官方节目《Google DeepMind: The Podcast》新的一集:公司 SVP(Senior Vice President,高级副总裁)Koray Kavukcuoglu 与 Professor Hannah Fry 对谈通往 AGI(Artificial General Intelligence,通用人工智能)之路,帖内附带视频时长 46 分 57 秒(官方帖文)。帖文提炼出他在节目中的一条核心判断:不会有任何单一测试或基准(benchmark)能告诉人们已经到达 AGI;进展的样子,是模型变得更少 spiky(意指模型能力分布参差、强弱悬殊),并在日常生活中更加可靠。
跟帖给出 YouTube、Spotify 与 Apple Podcasts 三个收听入口(跟帖)。官方时间码按顺序列出对谈议题:Google DeepMind 的演进(01:26)、产品作为通往 AGI 的路径(04:41)、架构与模型(13:01)、递归自我改进(recursive self improvement,24:40)、安全与 agent(智能体)团队(30:50)、基准(40:35)。Kavukcuoglu 的 X 个人简介写明其职务为 Google DeepMind SVP、Google Chief AI Architect(个人主页);节目页显示本集题为 "Gemini and the path to AGI with Koray Kavukcuoglu",由 Hannah Fry 主持。本文引语均出自该节目页的文字转录,上述观点属官方账号与当事人自己的表述。
信任取代分数:北极星与垫脚石
Hannah Fry 请他给出「产品是通往 AGI 之路」这一主张的最强版本,他的回答没有从排行榜讲起:「这个论证最强的版本是:我们现在没有 AGI 的测试,而且永远不会有。不会是你解开某个基准,然后宣布:这是 AGI,或者不是。」
在他看来,AGI 何时「算数」,取决于人给模型的信任:「如果人们觉得它有用,信任它,能和它一起工作,你越是敢把决策交给它、或让它参与决策,它就越开始像 AGI——而这蕴含着通用性(generality),在真实世界解决问题所需要的通用性。」
正因如此,他把 AGI 比作北极星:「AGI 对我来说就像北极星,它是目标,但它不会告诉你下一步该做什么——产品会告诉你。产品就像你踩过的垫脚石,每一块都帮你解决一件事。」
产品被摆上通往 AGI 的必经之路
谈到 Google DeepMind 如何决定做什么,他列出三个交汇的输入:研究者对「AI 应该在哪变强」的判断、产品和科学。「产品是关键。通过它们我们才知道人们需要 AI 做什么……你没法在黑箱里做这件事。」他把话说得更满:「不把产品放进回路里去造 AGI,我认为这不会发生。」
产品反馈带来了一个他观察到的变化:「我们以为造的是聊天机器人,但人们不只是跟它聊天,人们真的开始拿它问问题。」由此他逐层推进:能对日常生活有用、对工作有用,再谈经济价值——去回答「智能技术应该作用在经济的哪些领域」,其中明确包括软件工程与编程。
Hannah Fry 的追问对准 Google 自己的体量:把 Gemini 接进地图、文档、邮件、日历这些各有数十亿用户的产品,比只做一个窄而受限的版本难得多。他的回答分两面:「概念上更难,但也更容易,一旦你解锁了通用性这一点。」他解释自己「总是担心对单个任务过度优化」,并给出他对智能的定义:「智能不是这些窄能力的拼盘,智能是对它们的泛化,是从见过的东西迁移到没见过的东西。」紧接着他留了余地:「我不是说这些模型已经能泛化、迁移到非常未知的领域,这一点上我们还非常早期。」
spiky,被定义为订不了餐厅
「spiky」是贯穿对谈的关键词。Hannah Fry 概括现状:模型能力「有点参差」;Kavukcuoglu 接话:「它们比以前参差得少多了,但仍然参差。」
人们想要的是一个能帮你订机票、订餐厅、对接日历的 agent——她同时提到节目此前与 Nenad Tomašev 谈过 agent 落地之难,涉及网络安全与 agent 协议等问题。她随即问他,做商业产品会不会把研发从「推进智能本身」上拉走。他的回答是「完全不会」:「因为如果我们不这么做,人们就会问:你能干所有这些事,但你没法替我订一家餐厅。而这就是 spiky 的定义。」
他的结论落在同一处:「我们不是在制定定义智能的基准,我们是在建造智能本身。」在这套逻辑里,做产品意味着所有问题都得解决,你没有挑选的余地;挑选题目的自由,属于出基准的人。
Kavukcuoglu:每一代 Gemini 都是手工组装
在架构与模型一节,他否定了「一套架构用到底」的想象:「Gemini 不是单个静止不动的架构……我相当确定,五年之后我们会看着另一种架构。」现在在用的架构,与六个月前不同;六个月前的,与再往前六个月也不同。
他形容研究与产品之间是一个漏斗:宽口不断试验新架构,窄口把跑出来的架构送进产品。Hannah Fry 用数字压了一下:把东西放进能触达十亿用户的位置是另一回事,他答「正是」。
具体到执行,他说:「每一代 Gemini 都是定制组装的,是手工拼起来的,没有第二个版本,因为下一代就会不同。」支撑这一点的是团队结构:「当你在做当前这一版时,一整个团队在做下一代,还有一整个团队在做下下代。」他给出迭代节奏:「你现在看到的 Gemini,其谱系至少有一年;这一年里我们可能发布了大约六个不同的模型。」内外版本的差距也在收敛。按节目转录,他说:「如果你在 Argon 发布之前问我这个问题,我会说差别非常大。现在 Argon 已经发布,流水线上还有别的模型,就更接近了。」
从 2019 年的办公室参观到没写完的物理作业
Hannah Fry 开场回忆:2019 年 Kavukcuoglu 带她快步逛 DeepMind 伦敦办公室,「那边是 AlphaGo 团队,这是 AlphaStar,那边是 AlphaFold」,各队各占一角。他的记忆是「我们那时候装得下一层楼,现在规模大得多了」。她介绍说,他如今从伦敦换到加州,主导 Gemini(她称已到第四代)的开发,并负责把 AI 一次性铺开给数十亿人。
当年她问过同一个问题——AGI 什么时候到,她记得的回答是「七年零一个月」。这一次他没再给时间表,而是换了个参照系:「回到二十年前,你肯定会把今天的模型叫作 AGI。但你活在这个世界里,看到它们的高低起伏,就会说:还有这些事它做不到。」
对谈落到「理解」二字时,他用了经典的粉红大象检验:训练数据里没有粉红大象,看模型能不能想象出一只——现在的模型可以。但他把边界划得很清:「我不认为它们已经把物理、动力学和碰撞理解得足够好,流体、气流、热传导也一样不够。」
他的判据是可操作的:「现在的模型只是在视觉上正确;我要它们在工程意义上数值上也正确。」问到这一天会不会到来,他给出「100%」——理由是「这些是能做任何计算的机器,只要用对的方式、对的数据、在对的环境里训练它们预测对的东西,它们就应当能做出精确到能进入工程流程的数值计算」。在他看来,让模型数值上正确之所以重要,是因为「工程是让世界运转起来的东西」。