DeepMind CEO在CNBC算4笔账：这轮AI竞赛，钱到底花在哪？

（Demis Hassabis 谈 AGI｜CNBC 专访）

最近 AI 圈最热的词，已经不是更强，而是更赚钱。

2026 年 1 月 16 日，CNBC 新上线了一档播客《The Tech Download》，定位很明确：不谈概念，只谈钱。第一期请到的嘉宾，是 Google DeepMind 的 CEO Demis Hassabis。

Hassabis 没有谈技术概念，而是在算四笔投资账：

AGI 缺的能力，该投什么

模型商业化，成本花在哪

能源瓶颈，资源配在哪

AI 竞争，优势建在哪

这四笔账，指向同一个核心：这轮 AI 竞赛，钱到底该花在哪？

第一笔账｜AGI 还缺什么能力？

专访刚开始，主持人问出一个所有人都关心的问题：我们的大模型已经这么强了，还能更好吗？AGI 是不是快到了？

Hassabis 的回答是：大模型的能力，其实有明显短板。

他说，这些 AI 工具在某些问题上能给出惊艳的表现，但你换个问法，或者稍微复杂一点，它立刻就不行了。

他把这叫做：参差不齐的智能（jagged intelligences）。

说白了，这种智能还不够靠谱。能答题，但不能举一反三；能写论文，但不能自己提一个真正新的点子。

1、通用智能，得能自己提问题

Hassabis 认为，真正的通用 AI，必须具备一项能力：能自己提出问题，能假设世界可能如何运转，然后想办法去验证它。

也就是说，它不能只是答你问题，还得能自己思考问题是什么。

他说，现在的大模型，连持续学习都做不到。你教会它一件新事，它很快就忘了；它不会像人一样积累经验。

这也是为什么，DeepMind 近两年开始把重点从 LLM 转向另一个方向：做一个懂得世界如何运转的 AI。

2、世界模型，不是懂语言，是能想象

他用很通俗的方式讲了世界模型这个概念：

“就像人类科学家，能在脑海中推演如果这样，那会发生什么，AI 也得具备这种能力。”

不是理解你说什么，而是能根据它自己对世界的认识，去预测接下来会发生什么、什么东西会影响什么结果。

这听起来有点抽象，但它已经落地到了 DeepMind 的几个核心方向里：

Genie： 能与虚拟环境交互的模型，相当于在玩游戏的同时理解规则

AlphaFold： 当年用 AI 去预测蛋白质折叠结构，其实也是让模型理解形状为什么会变成那样

Veo： 文本生成视频，不是凑镜头，而是让 AI 根据因果关系决定下一秒画面该变成什么

这些看起来不一样的项目，其实在做同一件事：让 AI 像人一样理解世界，而不是只会背答案。

3、AGI 不靠涌现，靠组合

Hassabis 相信：单纯扩大模型规模，不会自动产生通用智能。

真正有可能做出 AGI 的，是让多个模型各司其职、协同工作：

LLM 负责语言和基础理解

视频模型负责时间序列、物理直觉

世界模型提供模拟、推理、预测的能力

只有这些能力拼图逐步接上，通用智能才会是可靠的，而不是看起来聪明但漏洞百出。

对大多数人来说，AGI 是比人更聪明的 AI；

但对 Hassabis 来说，AGI 是能自己提出新想法的 AI。

这就是 DeepMind 把世界模型当成下一步主线的原因。它不只是一个新模型，而是一个核心能力：能不能站在世界的角度去理解，而不是被动回答。

第二笔账｜模型怎么赚钱？不是更强，是更划算

技术路线是一回事，但商业落地是另一回事。

AI 要走向通用，不只是越来越聪明，还要用得起。

Demis Hassabis 讲了 DeepMind 的产品策略：不是只推 Pro 版，而是同时做 Flash 版。这不是大小模型的高低之分，而是为了让更多场景能用得起。

能大规模部署、覆盖场景的模型，必须够轻、够快、够省。

1、Flash：用强模型教出主力模型

Hassabis 形容：用最强的模型训练出一个更高效的版本，就像用大脑教出一个更灵巧的分身。

这个过程在技术上叫蒸馏，但他更关注的不是技术本身，而是能否落地：训练出来的模型可以被广泛部署，成为主力使用的版本。

比如 Gemini 模型线：

Pro 版本，是给复杂场景或前沿应用准备的

Flash 版本，是给终端用户、高频任务提供服务的

2、商业化不是卖模型，而是让模型进产品

“AI 不该永远停在网页对话框里。”

Hassabis 说：未来我最看好的方向之一，是让 AI 真正进入手机、眼镜这些设备里。也就是说，未来不是你去找 AI，而是 AI 就在你手边、屏幕里、日常动作之间。

DeepMind 已经和三星、Warby Parker 等品牌展开合作，探索设备端 AI 的可行性。

这说明 DeepMind 的商业路线，不只是 API 售卖，更看重模型与产品深度结合。

3、AI 不止省人力，还要省资源

Hassabis 说，效率是 Gemini 全线设计时的最高优先级，尤其是 Flash 系列。

推理更快

能力更平衡

能耗更低

DeepMind 对 AI 商业化的看法不是卷功能，而是算总成本：一个模型能做什么不重要，重要的是它能成本可控、能落地、稳定可靠。

从 Flash 的设计、蒸馏策略，到设备端合作、能效优先，Hassabis 给出的不是模型路线图，而是使用路线图。

他没有强调模型有多强，而是围绕：怎么让 AI 被真正用起来？

这才是商业化起步的基础。

第三笔账｜能源问题，AI 能自己解决吗？

Flash 版本解决的是模型本身的能耗，但这还不够。

Demis Hassabis 明确表示：随着我们走向 AGI，能源将等同于智能。智能越强，耗电越大。这是绕不开的物理规律。

1、AI 不缺模型，最缺的是电不够

芯片永远不够。Hassabis 直言，即使 Google 有自己的 TPU 系列和 GPU，全球的计算芯片仍然供不应求。

追根溯源，真正的瓶颈是能源：

GPU 再多，也要靠电运行

数据中心再大，也受限于电力供应

模型再强，如果成本压不下来，也只能停留在实验室

这不只是 Google 的问题，而是整个行业的天花板。当每家公司都在竞相扩大算力、训练更强的模型时，能源供应能不能跟上，决定了谁能真正把 AGI 从实验室带到现实世界。

而这一点，正在成为 AGI 能否大规模应用的关键障碍。

2、DeepMind 另一个野心：用 AI 去找能源

如果 AGI 需要海量能源，那就让 AI 自己去解决。DeepMind 的策略分两个方向。

开源：生产新能源

与美国 Commonwealth Fusion 公司合作，用 AI 控制核聚变反应堆中的等离子体。核聚变一旦实现，将提供几乎无限的清洁能源。

Hassabis 的个人项目：能不能靠 AI 找出室温超导材料。如果成功，将彻底改变电力传输和储存方式。

重新设计太阳能材料，大幅提升能源转化率。

节流：提高能源效率

优化电网、数据中心、能源系统的运行效率，减少浪费

寻找降低能耗的新型晶体结构

帮工业优化生产路径，减少不必要的能源消耗

AI 不只会消耗资源，它也可以反过来推高资源效率。

这不是第一次。从 AlphaFold 预测蛋白质结构，到现在寻找能源突破，Hassabis 始终相信：AI 是科学发现的终极工具。

当每家公司、每个企业都要部署自己的大模型，竞争的关键变了：

谁能让AI更省电，谁就能部署更大规模

谁能把每度电用得更值，谁就能活得更久

最终，智能不是在比聪明，而是在比划算。

能源供应能不能跟上，决定了这场技术升级能走多远。而 DeepMind 的答案是：让 AI 自己去解决能源问题。

第四笔账｜竞争的关键：整合、部署、活下来

技术路线之外，还有竞争格局。

过去几年，OpenAI 在消费端领先。凭借 ChatGPT，迅速绑定微软，推出 API、插件、GPTs 商店。

Google 显得慢了半拍。

但 2025 年底，风向变了。Gemini 3 上线时，同步进入 Google 搜索、安卓系统、Gmail、Workspace……全线铺开。

Hassabis 透露：过去两三年，他做的最大变化不是研发方向，而是内部整合。

1、DeepMind ：从研究所到引擎室

过去三年，Hassabis 只专注一件事：把 Google Research、Google Brain、DeepMind 三支团队整合成一个 Google DeepMind。

这不只是团队整合，还包括重建谷歌的整个 AI 基础设施。

整合的结果：

所有 AI 技术由 DeepMind 统一开发

技术完成后，直接扩散到谷歌所有产品中

Hassabis 与 Sundar Pichai（谷歌 CEO）几乎每天对话，决定技术方向和产品配置

过去是三个团队分头做 AI，路线重叠、资源分散。现在是一个引擎室，统一调度。

更关键的是速度。 Hassabis 说，他们每天调整路线图和计划。这不是大公司的稳健打法，而是初创团队的冲刺节奏。

目标只有一个：快速且安全地实现 AGI。

Google AI 产品发布效率实现了质的提升。

2、模型强，部署要更快

为了实现快速部署，DeepMind 建立了一个“骨干网”，让 AI 技术能够快速扩散到谷歌所有产品中。

Hassabis 把 Gemini 3 的发布节奏形容为同步投放：

模型训练完成，第二天就能上线到搜索、Gmail、Workspace

不用二次改造，不用跨团队沟通，一步到位

这在以前是做不到的。

Hassabis 说，他们在 Gemini 2.5 时才真正进入这个状态。在此之前，模型和产品之间还有大量衔接工作。

这种效率来自两个优势：

第一，DeepMind 掌握从芯片到模型的完整技术栈。技术自主，不用等外部配合。

第二，Google 的产品矩阵本身就是现成平台。搜索、安卓、Chrome、YouTube……AI 能力可以立刻接入，同步推送到数十亿用户。

当 OpenAI 还在一个个谈合作时，Google 已经完成了部署。

Hassabis 说，接下来 12 个月，AI 能力会扩散到更多 Google 产品中。

3、中国AI，落后几个月意味着什么

谈到中国的 AI 发展时，Hassabis 认为：中国领先实验室，可能只落后几个月。

这意味着：在训练效率、模型能力、部署速度上，差距正在快速缩小。

DeepSeek 的低成本训练方案、阿里巴巴的开源模型，都展示了中国团队的工程能力和追赶速度。

同时，Hassabis 也指出了下一个阶段的关键：从复现技术到原创突破。

他认为，发明一个新技术的难度，可能是复现它的100倍。中国实验室已经证明了复现能力，接下来的问题是：能不能像当年发明Transformer那样，创造出新的架构或方法？

这不只是对中国的问题，也是对所有 AI 实验室的挑战。

对所有想赢的 AI 玩家，Hassabis 指出：

不是谁发布得多，而是谁能让产品真正跑起来

不是谁融资多，而是谁能在泡沫之后还活着

OpenAI 压力很大，Anthropic 产品也很快，中国模型确实在追。但 DeepMind 的打法不是分散应对，而是整合优势：统一的产品线、自有的平台、一步到位的部署。

在 AI 这场长跑里，活下来比跑得快更重要。

结语｜这轮 AI 竞赛，钱该花在哪四个地方

Demis Hassabis 给出了四个方向：

技术上，投资能理解世界、提出新想法的能力，不要只堆数据

商业上，投资模型的部署效率，而不只是追求性能

资源上，投资能源技术和能效优化，智能规模取决于每瓦电的价值

竞争上，投资整合能力和产品闭环，而不只是发布速度

这四笔账，DeepMind 给出了自己的答案。

其他玩家怎么选，决定了他们能走多远。