当前人工智能发展面临的核心问题 谷歌DeepMind首席执行官德米斯·哈萨比斯日前接受采访时指出，尽管通用人工智能的实现已成为业界共识的发展方向，但现阶段的人工智能系统与真正意义上的人类智能仍存在本质区别；通用人工智能是指能够像人类一样进行推理，并在未经专门训练的情况下解决新问题的机器智能。哈萨比斯的观点反映了人工智能领域对自身发展阶段的清醒认识。 系统持续学习能力成为首要瓶颈 哈萨比斯指出的第一个问题是现有人工智能系统缺乏持续学习能力。当前的人工智能系统在部署前已完成全部训练过程，之后基本处于静态状态，难以根据实际应用中的新情况进行自我优化。这与人类智能的核心特征形成鲜明对比。人类能够在日常生活和工作中不断积累经验，从所处环境中获取信息，并根据具体情境和任务需求灵活调整策略。理想的通用人工智能应当具备类似的能力，在实际运行中持续从经验中学习，实现动态优化和自我完善。该能力的缺失直接限制了人工智能系统的适应性和实用价值。 长期规划能力不足制约应用深度 第二个制约因素是长期规划能力的缺陷。现有人工智能系统可以完成短期规划任务，但在跨越数年甚至更长时间周期的规划上仍显不足。人类能够基于长期目标制定多年计划，并执行过程中根据变化进行调整。这种能力对于解决复杂的现实问题至关重要。缺乏长期规划能力意味着人工智能系统在处理需要战略性思维和前瞻性判断的任务时存在根本性局限。 能力表现不稳定反映智能深度不足 第三个突出问题是能力表现的不稳定性。哈萨比斯以数学能力为例进行了深入阐述。当前系统可以在国际数学奥林匹克竞赛中获得金牌，解决极具挑战性的复杂题目，但如果改变提问方式，有时仍会在基础数学题上出错。这种能力断层现象充分说明，现有系统的智能并非真正意义上的通用智能，而是在特定领域经过优化训练后的专用系统。真正的通用智能应当具有内在的一致性和稳定性。如果人类是数学专家，就不会在简单问题上犯错。这种能力的不稳定性反映了当前人工智能系统在理解和推理深度上与人类智能的根本差异。 发展前景与时间预期 哈萨比斯曾在去年的采访中表示，真正的通用人工智能将在五到十年内问世。这一预期基于对当前技术发展轨迹的判断。作为DeepMind的创始人和领导者，哈萨比斯在人工智能领域拥有深厚的专业积累。他于2010年联合创办DeepMind，2014年该公司被谷歌收购，随后成为谷歌Gemini等前沿人工智能产品的核心研发力量。2024年，哈萨比斯因在蛋白质结构预测领域的突破性研究获得诺贝尔化学奖，这更证明了他在推动人工智能与科学融合上的卓越贡献。
通用人工智能的讨论既是对技术边界的追问，也是对应用边界的提醒；真正值得关注的不只是系统能否在某些测试中表现出众，更在于它能否在开放世界中长期稳定、可控可信地服务人类社会。面向未来，保持理性预期、强化底线思维、推动技术创新与治理体系同步完善，将成为把握新一轮科技变革机遇、降低潜在风险的关键路径。