AGI 时间线三方交锋：Hassabis 说 5 年、Altman 说 2028、LeCun 说「方向错了」——三位顶级 AI 科学家在印度峰会上的根本分歧

📌 一句话总结：Hassabis 认为 AGI 需要 5 年且当前 AI 是「锯齿智能」，Altman 预言 2028 年超级智能降临，LeCun 则断言大语言模型根本走不到 AGI——三条路线的分歧不是时间问题，而是对「什么是智能」的根本性分歧。

2026年2月20日 · 深度解读 · 阅读时间约 8 分钟

2026 年 2 月 19 日，新德里 Bharat Mandapam，印度 AI 影响力峰会进入第四天。在这个汇聚了全球科技领袖的舞台上，三位从根本上塑造了当代 AI 格局的科学家——Google DeepMind CEO Demis Hassabis、OpenAI CEO Sam Altman、Meta 前首席 AI 科学家 Yann LeCun——罕见地在同一天发表了关于 AGI（通用人工智能）的演讲。

他们给出的答案，却指向三个截然不同的方向。

Hassabis：「锯齿智能」与 5 年路线图

Hassabis 的演讲中最引人注目的不是他给出的时间线——「也许未来五年内」——而是他对当前 AI 系统局限性的精准诊断。

他创造了一个新概念：「锯齿智能」（Jagged Intelligence）。

今天的系统就像锯齿状的智能体。它们在某些事情上非常出色，但在其他事情上——有时甚至是同一件事——表现极差。它们能在国际数学奥林匹克竞赛中拿金牌，却仍然会在小学数学题上犯错，只要你换一种提问方式。
— 来源：Observer

作为一名受过训练的神经科学家，Hassabis 从人脑的角度审视了当前 AI 的三个关键缺陷：

缺陷	现状	人脑对比
持续学习	模型部署后「冻结」，无法从经验中学习	人脑终身学习，不断适应
长期规划	只能处理短期目标，缺乏连贯的长期策略	人类可以制定跨越数年的计划
一致性	同一任务表现波动极大（锯齿智能）	人类在熟悉领域表现稳定

更值得关注的是他提出的技术路径。Hassabis 认为，通往 AGI 的道路不是单纯扩大语言模型的规模，而是将 DeepMind 在 AlphaGo 中开创的技术——蒙特卡洛树搜索等前瞻性规划方法——与当前大模型已经编码的广泛世界知识相结合。

我们自然需要将 AlphaGo 中的思想与今天的基础模型结合起来。基础模型如 Gemini 将成为最终 AGI 解决方案的关键组成部分，然后我们会在其上叠加大量有趣的强化学习。
— 来源：Hindustan Times

他还提出了一个极具想象力的 AGI 验证标准：训练一个知识截止于 1911 年的模型，看它能否独立推导出广义相对论——就像爱因斯坦在 1915 年做到的那样。这不仅要求解决问题的能力，更要求提出正确问题的能力，而后者才是「伟大科学家与优秀科学家的区别」。

Altman：2028 年，数据中心内的智力将超过人类

如果说 Hassabis 是谨慎的乐观主义者，Altman 则是激进的预言家。

在同一天的演讲中，Altman 给出了一个更具冲击力的时间线：

如果我们是对的，到 2028 年底，世界上更多的智力容量将存在于数据中心内部，而非外部。
— 来源：The Hindu Business Line

这不仅仅是关于 AGI，而是关于超级智能——一种超越人类认知能力的 AI 系统。Altman 的论据建立在一个惊人的数据点上：过去 14 个月内，从 AI 模型获取复杂答案的成本下降了超过 1000 倍。

Altman 的路线图与 Hassabis 的根本区别在于：Hassabis 认为需要新的技术突破（规划能力、持续学习），而 Altman 暗示当前的 Scaling 路径——更大的模型、更多的算力、更低的成本——本身就足以催生超级智能。

这种分歧不是学术争论。它直接决定了数千亿美元的投资方向：是继续堆算力，还是投入基础研究？

LeCun：大语言模型是死胡同

然后是 LeCun，这位深度学习的奠基人之一，给出了最具颠覆性的观点。

他直接宣判了大语言模型的死刑：

如果我们想要 AI 系统真正理解现实世界并接近人类水平的智能——不仅仅是在语言、编码或数学方面，而是在所有方面——我们需要真正在直觉层面理解世界的系统，就像婴儿学习世界运作方式一样。
— 来源：Hindustan Times

LeCun 的核心论点是：当前的大语言模型存储了大量知识，但缺乏真正的理解。它们无法预测行动的后果，而这恰恰是任何自主系统（Agent）的基础能力。他认为 AI 行业必须转向「世界模型」——基于物理规律、感官数据和空间属性构建现实模拟的系统。

他甚至否定了 AGI 这个概念本身：「我们根本没有通用智能。人类是极度专业化的……我们之所以觉得自己是通用的，只是因为我们只能想象自己能理解的问题。」

三条路线的深层分歧

把三人的观点放在一起，分歧的本质就清晰了：

维度	Hassabis (DeepMind)	Altman (OpenAI)	LeCun
时间线	5-8 年	2-3 年（超级智能）	「看到隧道尽头」但未给具体时间
技术路径	大模型 + AlphaGo 式规划 + 强化学习	继续 Scaling + 降低成本	抛弃 LLM，转向世界模型
当前 LLM 的价值	关键组成部分，但不够	核心路径，持续扩展	死胡同
AGI 验证标准	独立推导广义相对论	数据中心智力超过人类总和	否定 AGI 概念本身
风险态度	需要国际安全标准	乐观，新工作会出现	当前炒作过度

这三种立场背后，是三种完全不同的智能观：

Hassabis 是神经科学派——他从人脑的工作方式出发，认为 AI 需要模仿人脑的规划和持续学习能力，但可以用不同的底层机制实现。他承认当前 AI 系统的效率远不如人脑：「现代 AI 系统必须吞下整个互联网才能建立对世界的理解；人脑不需要。」

Altman 是工程扩展派——他相信当前的技术路径加上足够的算力和资金，就能突破智能的门槛。1000 倍的成本下降不是终点，而是加速的起点。

LeCun 是范式革命派——他认为当前整个方向都是错的，需要从根本上重新思考什么是智能，回到婴儿如何学习世界的第一性原理。

这场辩论为什么重要

这不是一场象牙塔里的学术争论。在印度 AI 峰会上，各方刚刚宣布了超过 2000 亿美元的 AI 投资承诺。这些钱往哪里投，取决于你相信哪条路线：

如果 Altman 是对的，那么当前的算力军备竞赛完全合理——谁先堆够算力，谁就先到达超级智能。Google 的 150 亿美元 Vizag AI 枢纽、Adani 的 1000 亿美元数据中心、微软的 500 亿美元全球投资，都是正确的赌注。

如果 Hassabis 是对的，那么纯粹的算力堆叠不够，还需要在规划、持续学习等基础研究上取得突破。这意味着研究实验室的价值被低估了，而数据中心的价值可能被高估了。

如果 LeCun 是对的，那么当前数千亿美元的 LLM 投资可能面临方向性风险。整个行业可能需要一次痛苦的转型，从语言模型转向全新的架构。

现实很可能是三者的某种组合。但在这个每周都有新模型发布、每月都有新的融资纪录的行业里，方向性的判断比速度更重要。

富贵点评

📋 要点回顾

❓ 常见问题