国际人工智能领域权威专家、谷歌DeepMind首席执行官德米斯·哈萨比斯近日就通用人工智能（AGI）发展现状发布评估报告。他指出，当前AGI系统虽在部分专业领域表现突出，但在实现类人智能的关键维度上仍有明显差距。 在技术层面，现有系统的首要短板是持续学习能力不足。与传统机器学习模型不同，人类智能具备动态适应特征。哈萨比斯强调：“理想状态下，智能系统应能像生物体一样，在运行过程中持续吸收新知识并优化决策逻辑。”然而，主流系统仍以“训练—部署”的静态模式为主，这种架构限制了系统对环境变化的适应能力。 其次，长期规划能力不足也是制约AGI发展的重要瓶颈。研究显示，现有系统通常只能完成数天量级的任务规划，而人类跨年度、跨领域的战略规划能力尚未在机器系统中实现。这使得AGI在应对复杂社会系统、气候变化等需要长期协同的全球性议题时难以发挥应有作用。 更值得关注的是系统能力表现不均衡。哈萨比斯举例称：“某些系统能在国际数学竞赛中摘金，却会在基础算术题上失误。”这种“专家级表现与常识性错误并存”的情况，说明当前AGI尚未形成类似人类的统一认知架构。 这些技术瓶颈的成因也值得更分析。从发展路径看，现有算法多围绕特定任务进行优化，缺少对人类认知机制的核心复现。神经科学研究表明，人类大脑具有独特的全脑协同模式和知识迁移机制，而这些生物学特征在当前计算机体系结构中仍难以完整模拟。 这份评估为全球人工智能发展策略带来启示。多位行业分析师认为，哈萨比斯的判断为AGI研发明确了攻关方向。包括美国国家人工智能倡议办公室、欧盟人工智能高级别专家组在内的政策机构，已开始调整资助重点，增加对基础认知模型与类脑计算的投入。 展望未来十年，哈萨比斯延续此前判断，认为真正意义上的通用人工智能有望在本世纪三十年代初期取得突破。随着量子计算、神经形态芯片等技术逐步成熟并进入应用，下一代AGI系统或将从“专用工具”向“通用伙伴”迈进。但专家同时提醒，技术进步需要与伦理准则和治理框架的建立同步推进。
哈萨比斯的观点提示，人工智能要走向更高水平仍需跨越多道关口。从持续学习到长期规划，从能力稳定性到真正的通用性，每一项都依赖理论创新与工程突破。这种理性而审慎的判断对行业具有参考价值，也表明通用人工智能并非单纯依靠性能提升即可达成，而需要在多个关键维度实现实质性进展。在推进目标的同时，也应对现实挑战保持清醒认识。