最新一期 Google AI: Release Notes 节目（以及 Koray 近期在 Google I/O 和其他场合的一贯核心论述）， Koray Kavukcuoglu 关于 “如何构建 AGI” 的更全面、更详细的观点清单。 他的观点可以归纳为以下四个核心维度： 1. 技术路线：AGI 的“新公式” Koray 认为，仅仅依靠堆砌算力（Scale）和更多的数据已经不足以通向 AGI，未来的关键在于架构的革新。 强化学习 (RL) 是核心差异化： 他反复强调，DeepMind 的核心优势在于强化学习（Reinforcement Learning）。AGI 不能只通过“监督学习”（模仿人类现有的数据）来实现，因为人类数据是有上限的。 超越人类数据 (Self-Play)： 必须通过 AI 的“自我对弈”和模拟（类似 AlphaGo），让 AI 在没有人类数据的领域也能通过试错来学习。这是 AI 能够超越人类水平的关键。 慢思考 (System 2 Thinking)： 目前的 LLM 反应太快，属于“直觉型”思考。AGI 需要具备“慢思考”能力，即在推理时 (Inference Time) 花费计算资源进行搜索、规划和验证，然后再给出答案。 搜索与规划 (Search & Planning)： 模型需要在回答问题前，在脑海中构建各种可能性的路径树，并搜索最优解。这是从“概率生成”向“逻辑推理”的转变。 2. AGI 的定义与能力：从“聊天”到“科学发现” Koray 对 AGI 的定义非常务实且偏向科学领域，他认为聊天机器人只是 AGI 的表象。 创造新知识 (Creating New Knowledge)： 真正的 AGI 不应只是总结互联网上已有的知识，而必须具备发现新知识的能力。他举例说明，AlphaFold（预测蛋白质结构）和 GNoME（发现新材料）才是 AGI 应有的样子——解决人类尚未解决的问题。 通用性 (Generalization)： AGI 必须能够将在一个领域学到的推理能力，迁移到全新的、从未见过的领域中去，而不是针对每个任务单独训练一个模型。 工具使用与行动 (Agents)： AGI 需要从被动的“问答者”转变为主动的“行动者”。它需要能够熟练使用软件工具、编写代码并执行复杂的多步骤任务。 3. 数据与训练：质量胜于数量 世界模型 (World Models)： AI 需要不仅仅理解语言（文字），还需要理解物理世界运作的规律。这就是为什么要引入多模态（视频、音频、动作）数据，构建一个能理解因果关系的“世界模型”。 合成数据 (Synthetic Data)： 由于高质量的人类数据正在枯竭，Koray 认为未来训练模型的关键在于利用 AI 自己生成的高质量、经过验证的合成数据（这也是强化学习的一环）。 4. 落地与安全：负责任地构建 可靠性是红线： 对于科学研究和编程等领域，AI 的幻觉（胡说八道）是不可接受的。通过引入搜索和验证机制（Verifiers），目的是将 AI 的错误率降低到极低水平，使其可用于严肃的工程和科学工作。 与产品结合： 他目前的重点是将 DeepMind 实验室里的“黑科技”（如 AlphaGo 级别的推理能力）无缝整合进 Google 的消费者产品（如 Gemini）中，让普通开发者也能调用这种强大的推理能力。 总结来说，Koray 的核心哲学是： 不要指望模型仅仅因为“读”了更多的书就自然变得有逻辑。必须教模型如何像数学家或科学家一样去思考（推理、验证、搜索），这才是通往通用人工智能（AGI）的正确道路。