问题——通用能力“看似强大”，距离全面智能仍有缺口； 据外媒报道，谷歌DeepMind首席执行官德米斯·哈萨比斯谈及通用人工智能（AGI）进展时表示，对应的技术正逼近关键阶段，但现有系统仍难与人类智能相提并论。他归纳了三项主要短板：其一，持续学习能力不足，许多系统部署前完成集中训练，上线后更新与再学习有限；其二，长期规划能力偏弱，能做短期推演，却难以像人类那样围绕多年目标进行拆解、权衡并随环境变化持续调整；其三，能力稳定性不够，在特定任务上表现突出，但提问方式变化或跨场景迁移时可能出现明显波动，甚至在基础问题上出错。 原因——技术路径、数据结构与现实环境共同拉大“差距”。 业内人士认为，上述短板并非由单一因素造成。一上，主流训练范式更擅长从大规模数据中提炼统计规律，封闭评测或固定题型中容易拿到好成绩，但现实世界更开放、更嘈杂也更不确定，对系统持续适应能力提出更高要求。另一上，长期规划牵涉目标设定、资源约束、时间折扣、风险管理以及对外部环境的持续建模，需要更稳定的世界模型，也需要可验证、可纠错的推理与执行闭环。再者，能力不稳定反映出泛化边界仍不清晰：当任务表述、上下文线索或约束条件发生变化时，系统可能“看起来相近”的问题上出现偏差，说明鲁棒性与一致性仍需加强。 影响——产业应用提速的同时，安全与治理要求更迫切。 哈萨比斯的表态发出两层信息：一是AGI相关技术在加速演进，业界对关键能力突破仍保持乐观；二是从“会做题”到“能胜任复杂工作”，在工程化落地与治理安排上仍有距离。对产业而言，这意味着教育、医疗、科研、制造、金融等领域的应用会继续推进，但关键岗位和高风险场景需要更严格的验证机制与责任边界，避免因系统不稳定、规划不足或学习机制受限导致误判与损失。对社会治理而言，能力越强，对透明度、可解释性、数据合规、模型安全与风险预案的要求也越高。 对策——以“持续学习+长期规划+稳定性”作为能力建设主线。 多位从业者认为，下一阶段竞争焦点将从单点能力转向系统能力。其一，在持续学习上，需要增强从真实环境获取反馈并更新的能力，同时配套更严格的安全护栏与评估体系，降低“边学边用”带来的不可控风险。其二，长期规划上，可引入分层决策、任务分解、工具调用与过程校验等方法，提升跨周期目标管理能力，并复杂场景中形成可追溯的决策链条。其三，在稳定性上，应加强多场景压力测试与对抗性评估，推动可靠性指标体系的标准化建设，减少“偶发失误”在关键应用中的放大效应。 前景——通用人工智能或进入“工程与治理并重”的窗口期。 哈萨比斯曾公开判断，真正意义上的通用人工智能有望在未来五到十年出现。业内普遍认为，即便技术路径持续迭代，通用智能的实现仍将伴随长期的系统工程投入：既包括算法、算力与数据优化，也包括评测标准、应用规范与治理框架的同步完善。作为DeepMind联合创办者，哈萨比斯在2014年公司被谷歌收购后，长期参与相关基础研究与产品化探索，并因蛋白质结构预测研究获得诺贝尔化学奖。他的最新观点在一定程度上反映了前沿机构对“接近但未达成”的阶段性判断：突破正在发生，但通用性、可靠性与可控性仍是能否跨越门槛的关键变量。
哈萨比斯对当前通用人工智能瓶颈的分析，呈现了此领域的真实进展，也指向了下一步的发力方向；从持续学习、长期规划到能力稳定性，这些挑战既需要理论上的推进，也离不开工程化的打磨与验证。也由此提醒我们，智能进步不只是某项能力的跃升，更取决于系统层面的全面提升。通往通用人工智能的道路上，保持清醒判断、推进，才能更接近这一目标。