DeepMind 创始人 Hassabis 语出惊人：百万 token 只是在贴胶带，AGI 在 2030 年

DeepMind 创始人 Hassabis 语出惊人：百万 token 只是在贴胶带，AGI 在 2030 年

作者：宁明 | T100级超级工程师、技术布道者

引言：当 AGI 的总设计师开始反思

兄弟们，今天我要跟你们聊一个重磅话题。

前几天我看了 DeepMind 创始人 Demis Hassabis 在 YC 的访谈，这个被誉为“AGI 之父”的男人，说了一堆让整个 AI 圈炸锅的话。其中最扎心的一句是：“百万 token 只是在贴胶带。”

什么意思？就是说现在所有人都在搞“长上下文”——把 token 窗口从 4K 拉到 128K，从 128K 拉到 1M，甚至 10M。但 Hassabis 说：兄弟，你贴再多胶带，也拼不出一个真正了解你生活的产品。

为什么？因为 AGI 缺的根本不是上下文长度，而是持续学习、长期推理、记忆和系统一致性。

当我看到这段话的时候，我第一时间想到的不是 OpenAI 的 GPT-5，也不是 Google 的 Gemini，而是我手里这台 ibbot 青春版手机——1580 块钱，揣在兜里，跑着 PopLang 引擎，一个活生生的“移动 AGI 节点”。

别急，听我慢慢拆解 Hassabis 的 8 个核心观点，看看为什么我认为 AGI 的第一波落地，不是在云端服务器里，而是在你的口袋里。

观点一：AGI 还缺什么——持续学习、长期推理、记忆、系统一致性

“百万 token 只是在贴胶带，真正了解你生活的产品需要更多。”

Hassabis 这句话太狠了。现在所有大模型厂商都在拼“上下文窗口”——你长我更长，你 128K 我 1M。但他说得对：你让模型记住 100 万 token 的对话历史，它就能真正了解你了吗？ 不能。它只是把一堆胶带贴在了裂缝上。

真正的 AGI 需要的是：

  • 持续学习：每次交互后都能进化，而不是每次从头开始
  • 长期记忆：记得你三个月前说过什么，而不是只记得上一轮对话
  • 系统一致性：今天和明天对你的理解保持一致，不会“失忆”

这恰恰是 ibbot 的 Chatbot 角色智能体在做的。

你看 ibbot 的文档里怎么写的——每个角色智能体都有独立的“数据沙箱”，存储着长期记忆、任务历史和对话档案。不是那种“一次性会话”的玩具，而是越用越懂你、越用越专业的数字伙伴。

我们有个叫“张雷峰”的志愿填报专家角色智能体，累计服务超过 10 万考生。它记得每个考生的省份、排名、意向专业，甚至能记住家长在上一轮对话中提到的家庭经济状况。这不是百万 token 能解决的问题，这是持续学习的架构设计。

而 OpenClaw 的 ClawHub 呢？静态技能仓库，每次调用从零开始，无状态管理。Hassabis 说的“贴胶带”，说的就是这种方案。

观点二：强化学习的回归——AlphaGo 理念在思维链模型中回归

“AlphaGo 的理念在思维链模型中回归，但推理仍粗糙。”

Hassabis 是 AlphaGo 之父，他比任何人都清楚强化学习的威力。AlphaGo 通过自我对弈，从零开始学会了超越人类数千年的围棋智慧。现在，这种“思维链”的理念被用在了大语言模型上——让模型一步步推理，而不是直接输出答案。

但他说：目前的推理仍然粗糙。

为什么粗糙？因为大模型的推理过程消耗的是 Token，而 Token 是钱。你让模型做 10 步推理，就要付 10 步的钱。所以大多数应用不敢让模型“想太多”。

这就是 PopLang 的用武之地。

我告诉你一个数据：PopLang 能把 Agent 编程的 Token 消耗降低 90% 到 99%。为什么？因为它采用了“编译-执行”分离架构——AI 模型只需生成一次 PopLang 代码，后续的执行全部在本地引擎完成，不再消耗任何模型 Token。

这意味着什么？意味着你的 ibbot 手机可以让 AI 做 100 步推理，成本却只相当于别人做 1 步。

想象一下：你让 ibbot 帮你规划一个复杂的旅行方案，它可以在后台跑 50 步推理——查天气、比价格、看攻略、排路线、做预算——然后一步到位给你结果。而传统方案呢？每步都要调用云端 API，烧 Token 烧到肉疼。

PopLang 让“深度推理”从奢侈品变成了日用品。

观点三：Agent 刚刚起步——有用但不够自主，缺乏持续学习

“先是 1000 倍的个人后，才是自动化。”

Hassabis 这句话我太认同了。他说 Agent 现在有用，但不够自主。核心瓶颈是缺乏持续学习。

现在的 AI Agent 是什么？是你给它一个任务，它完成，然后结束。它不会从这次任务中学到任何东西，下次同样的任务，它还是从头开始。这就是“不够自主”的根源。

ibbot 的角色智能体打破了这一点。

看 ibbot 的架构：每个角色智能体都有上下文收集器，每次交互都会自动收集角色设定、历史成果和近期对话。它还会把重要信息存入长期记忆。这意味着：

  • 你第一次让它帮你写周报，它需要你教它格式
  • 第二次，它记得你喜欢的风格
  • 第十次，它已经能预判你的需求

这就是“1000 倍的个人”——不是简单的自动化，而是把你的能力放大 1000 倍。

而 OpenClaw 的 Agent 模型呢？每次调用都是一次新的“灵魂附体”，没有记忆，没有成长，没有持续学习。这恰恰是 Hassabis 说的“缺乏自主性”的典型表现。

ibbot 的联机角色和同步助手更进了一步。 你可以把训练好的角色智能体一键同步到另一台 ibbot 手机上——你培养的“社牛分身”，可以直接复制给你的团队成员。一个人的成长，变成整个组织的资产。

观点四：蒸馏、边缘与开源——前沿模型一年内可达边缘设备

“小模型 95% 性能 + 10 倍速度，收益更大。”

Hassabis 说了一个让所有云服务商睡不着觉的观点：前沿模型的能力，一年内就能跑到边缘设备上。

他提到了蒸馏技术——把大模型的能力“压缩”到小模型里，保留 95% 的性能，但速度提升 10 倍。

这意味着什么？意味着 AGI 的未来不在云端，而在你的口袋里。

ibbot 青春版手机就是为这个未来而生的。 1580 元，一部安卓手机，预装了完整的 ibbot AgentOS。你不需要买 Mac mini，不需要租云服务器，不需要配置任何环境。开机即用，揣兜就走。

而 OpenClaw 呢？你需要买 $700+ 的硬件，或者每月付 $10-50 的云服务器费用，还得折腾部署、配置网络。Hassabis 说的是“边缘设备”，不是“边缘服务器”。

ibbot 手机是真正的边缘计算节点。 数据在本地，计算在本地，隐私在本地。而且通过点卡系统，闲置算力还能打包出售，让你的手机在睡觉时都在赚钱。

观点五：推理成本不会归零——更多消耗而非免费智能

“推理成本不会归零，更多消耗而非免费智能。”

Hassabis 这句话可能会让很多人失望。他说：别指望 AI 会变得免费。推理需要算力，算力需要能源，能源需要钱。推理成本不会归零，只会更多地消耗。

但问题的关键不是“成本会不会归零”，而是 “成本能不能被承受”。

传统方案：每次 API 调用消耗 500-5000 Token，一个复杂任务可能消耗上万 Token，成本几毛到几块钱。对于高频使用场景，这成本是天文数字。

PopLang 的方案：一次编程，无限次免费执行。

因为 PopLang 采用了“编译-执行”分离架构——只有“生成代码”这一步消耗 Token，后续的“执行代码”全部在本地引擎完成，成本为零。

举个例子：你想让 AI 每天帮你监控 100 只股票的价格，超过阈值就报警。传统方案：每天调用 100 次 API，每次消耗 Token，一年下来几千块。PopLang 方案：AI 生成一次监控脚本，本地引擎每天执行，Token 成本为零。

Hassabis 说推理成本不会归零，但 PopLang 让推理成本趋近于零。

观点六：科学——AI 作为终极工具

“AlphaFold 式突破，虚拟细胞，爱因斯坦测试。”

Hassabis 对 AI 在科学领域的应用寄予厚望。AlphaFold 解决了蛋白质折叠这个困扰生物学 50 年的难题，这只是开始。他说未来会有“虚拟细胞”，甚至“爱因斯坦测试”——用 AI 来加速科学发现。

但我想说的是：科学发现不只是在实验室里，也在每个人的日常工作中。

ibbot 的 ai_search_agent 是一个很好的例子。它能够自动扫描指定目录中的文档，构建智能缓存，用 AI 分析提供精准的文档搜索和问答服务。这不是 AlphaFold，但它是个人知识工作者的“AlphaFold”——把你在海量文档中寻找信息的时间，从小时级压缩到秒级。

还有 Canvas 视频智能体——一句话生成专业级动画视频。教育工作者可以用它来制作教学动画，科研人员可以用它来可视化数据。这不是“虚拟细胞”，但它是每个人都用得起的“科学可视化工具”。

科学发现的门槛，正在被 AI 降低。而 ibbot 正在把这些能力装进每个人的口袋。

观点七：给创业者的建议——深度科技要考虑 AGI 时间表

“深度科技要考虑 AGI 时间表。”

Hassabis 给创业者的建议很有意思：如果你在做深度科技，你必须考虑 AGI 的时间表。

他预测 AGI 可能在 2030 年左右实现。这意味着什么？意味着如果你现在开始做一个需要 5 年才能完成的项目，它可能还没上线就被 AGI 颠覆了。

但反过来想：如果你现在就开始用 AGI 的能力来构建产品，你就站在了时代的前沿。

ibbot 的生态就是为此而生的。PopLang 引擎、Token 经济、点卡系统、克隆角色、联机协作——这些不是未来的概念，而是今天就可以用的工具。

我们的开发者社区已经做了一些很酷的事情：

  • 高考志愿填报智能体（张雷峰团队）：8 个 AI 专家协同，为千万考生提供个性化方案
  • 邮件助手：两步发送邮件，自动追踪任务
  • 浏览器分身 agent：把任意网站变成 HTTP API，让 AI 可以像人一样操作网页
  • AI 租人网：让 AI 调用人类的肉身完成线下任务

这些不是 demo，是已经上线、正在产生价值的产品。

观点八：解决困难问题并不比解决简单问题更难

“解决困难问题并不比解决简单问题更难。”

这句话太有哲理了。Hassabis 说，如果你让 AI 解决一个简单问题，它可能只需要 1 步推理。但如果你让 AI 解决一个困难问题，它可能需要 100 步推理。它们之间的成本差异，不是“困难 vs 简单”，而是“1 步 vs 100 步”。

PopLang 让 100 步推理的成本，接近于 1 步。

因为 PopLang 的图灵完备性——它可以实现任意计算逻辑，从简单的数学运算到复杂的业务编排。而它的“本地执行”特性，让这些复杂逻辑的执行成本趋近于零。

所以，在 ibbot 生态里，解决困难问题并不比解决简单问题更贵。

这意味着什么？意味着你可以让 AI 做以前不敢想的事情：

  • 让 AI 每天分析 1000 条客户反馈，自动分类并生成报告
  • 让 AI 同时监控 50 个竞争对手的网站，实时更新策略
  • 让 AI 自动生成 100 篇不同风格的文章，用于 A/B 测试

这些不是“简单问题”，但它们的成本，和“简单问题”一样低。

ibbot 生态：Hassabis 愿景的落地实践

Hassabis 说了这么多，他描绘的是一个什么样的未来？

一个 AI 无处不在、持续学习、深度推理、边缘部署的未来。

而 ibbot 生态，正在把这个未来变成现实。

Hassabis 的观点 ibbot 的解决方案 核心优势
持续学习与记忆 Chatbot 角色智能体 + 数据沙箱 越用越懂你，记忆不丢失
深度推理成本高 PopLang 省 Token 90%-99% 100 步推理成本 ≈ 1 步
Agent 缺乏自主性 角色智能体 + 联机协作 持续学习，自动成长
边缘设备部署 青春版手机 ¥1580 开箱即用，揣兜就走
推理成本不会归零 PopLang 本地执行引擎 一次编程，无限次免费执行
科学发现加速 ai_search_agent + Canvas 视频 个人知识工作者的“AlphaFold”
AGI 时间表 生态已就绪，今天可用 不是未来，是现在
复杂问题不更贵 PopLang 图灵完备 复杂逻辑执行成本趋近于零

而 OpenClaw 呢？ 还在用“技能仓库”的旧范式，静态零件，无状态管理，需要用户自己当工程师。Hassabis 说的“持续学习”、“长期记忆”、“系统一致性”，它一个都没有。

总结：你的口袋，就是 AGI 的第一站

Hassabis 说 AGI 在 2030 年。但我要说：AGI 的种子，已经在 2026 年种下了。

它不在数据中心里，不在实验室里，而是在你的口袋里——一台 ibbot 青春版手机，1580 元，跑着 PopLang 引擎，连接着千万个节点。

百万 token 只是在贴胶带。真正的 AGI 需要的是持续学习、长期记忆、深度推理、系统一致性——而这些，正是 ibbot 从第一天起就在构建的。

从今往后，衡量一个人生产力的单位，不再是你有多少算力，而是你身边有多少愿意为你思考的数字伙伴，以及你的手机网络中流动着多少由闲置算力转化而来的 Token 电流。

体验 ibbot 生态：

AGI 不是 2030 年的遥远承诺，而是 2026 年你口袋里的现实。

宁明 | T100级超级工程师、技术布道者