《哈萨比斯的AGI路线图》之二 · 技术篇

【摘要】围绕通用人工智能的判定标准与底层架构展开，拆解1项爱因斯坦测试准则，分析现有大模型2类核心能力缺陷，梳理基于互补学习系统理论的离线记忆巩固4个核心环节，为高阶智能技术路线提供工程化参照。

核心关键词：通用人工智能 ｜ 睡眠式记忆巩固 ｜ 爱因斯坦测试 ｜ 灾难性遗忘 ｜ 大模型能力边界 ｜ 持续学习落地 ｜ 上下文窗口局限 ｜ 互补学习系统CLS ｜ 弹性权重巩固EWC ｜ 哈萨比斯技术路线 ｜ 运通链达研究

引言

AlphaFold解决蛋白质静态结构预测之后，AI制药对传统药企“双十定律”的冲击，在第1篇讨论的产业逻辑中已被推演。但在DeepMind掌门人戴密斯·哈萨比斯的技术版图中，生物领域的落地只是高阶智能的一次小规模验证。

当前大模型的本质是高带宽检索器，而非AGI的早期形态。它的记忆停留在显存层面，没有沉淀进参数内部。AGI的真正分水岭，是离线权重巩固能力与分布外外推能力。哈萨比斯在2026年产业对谈中提出的“AI必须学会睡觉”，不是拟人化噱头，而是对低功耗离线记忆巩固架构的隐喻。本篇承接系列第一篇的产业落点，拆解现有大模型的底层缺陷，阐释睡眠式巩固的技术本质与工程路径。

一、现有大模型的本质：高带宽检索器而非学习系统

当下主流大模型的运作逻辑建立在算力堆叠之上。训练阶段吞入大规模文本、音视频数据，推理阶段依靠百万级token的上下文窗口完成信息匹配与输出。整个过程更接近对已存储数据的快速检索与拼接，而非对知识的内化吸收。

哈萨比斯在对谈中判断，这种模式不构成真正意义上的学习。上下文窗口在功能上相当于AI的工作记忆，容量持续扩张没有改变本质：模型对上下文内的信息可以做到精准复述，一旦对话窗口清空或超出长度限制，相关信息会立刻丢失。

上下文窗口是AI的工位，不是AI的履历；工位再大，下班就清空。

这套模式存在两个不可逾越的瓶颈。第一是算力成本的超线性增长，Transformer自注意力机制的计算开销与序列长度呈平方级关系，每提升一倍上下文长度，对应的显存与算力开销会大幅上升，商业化落地的边际收益快速收窄。第二是知识无法沉淀，所有信息都停留在“临时读取”层面，无法转化为模型自身的底层认知能力。

核心结论：上下文窗口扩容解决的是推理时的信息可达性，不解决跨会话的知识固化；将两者混为一谈，是当前大模型通往持续学习的主要认知障碍。

Q：清空上下文后模型“忘掉”内容，算不算真正的忘记？

A：不算“忘”，因为它从未真正“记住”。上下文窗口里的内容只在推理会话内被注意力机制反复读取，会话结束即释放，没有任何东西被固化进模型权重。真正的记住，是关掉电源、隔天重启，能力仍然在，当下大模型做不到这一点。

Q：把上下文窗口做到无限大，问题不就解决了？

A：不能。窗口再大也只是扩大临时存储范围，显存成本、注意力计算的平方级开销、检索噪声会同步放大，知识依旧停留在会话层而非权重层。它解决的是“一次能看多少”，没解决“看完能不能变成自己的”。

二、爱因斯坦测试：AGI的核心门槛是分布外外推能力

业界对AGI的定义长期处于松散状态：能替人类写报告、通过图灵测试、在经济价值上替代大部分白领工作，都曾被当作“AGI落地”的标志。哈萨比斯认为这些标准拉低了通用智能的真正门槛。

哈萨比斯在对谈中提出“爱因斯坦测试”，作为真正AGI的判定依据。测试的核心设定是将AI系统的知识边界严格锁死在1901年，仅向其开放该时间节点前的全部人类科学数据与知识成果，要求系统在无任何外部干预的前提下，独立推导出爱因斯坦1905年发表的狭义相对论。

爱因斯坦测试考的不是智商，是分布外外推；睡眠式巩固不是拟人修辞，是把经验写进权重的写入策略。

这个测试考察的核心不是知识储量，而是独立创造能力。1901年之前的物理学数据中包含迈克尔逊-莫雷实验的零结果、洛伦兹变换的数学形式、以太理论的持续修补，但这些素材在旧框架内无论怎么排列组合，都不会自动产生“光速不变”这个新公设。

爱因斯坦1905年的突破属于分布外外推：跳出当时概率最高的解释路径，引入全新的先验，重构整个运动学和电磁学的概念空间。当前以自回归为核心的大模型，本质是在训练数据的高维流形上完成高精度插值。面对旧知识体系内部的自相矛盾，损失函数会驱使它输出一条“在旧框架内概率最大”的缝合答案，而不是摧毁旧坐标系、重建一个新坐标系。

图灵测试考AI像不像人，爱因斯坦测试考AI敢不敢推翻给它的那张地图。

创造力分为两个层级。AlphaGo第37手超出了围棋几千年定式覆盖的搜索空间，但它仍然是在既定规则内找到的最优解，属于战术层面的创造力。更高阶的创造力，是AI能够自主发明一套像围棋一样深邃、优雅、复杂的规则体系，从元目标出发反向生成完整的状态空间、动作空间和奖励机制。

没有离线巩固，就没有可迁移抽象；没有可迁移抽象，独立创造只是排列组合。

独立创造力的底层支撑，是跨领域可迁移的抽象知识结构。这种结构无法通过临时检索拼接形成，只能通过离线阶段的知识压缩与整合，沉淀到权重层面的认知网络中，才能支撑分布外的认知跳跃。

核心结论：爱因斯坦测试检验的是独立创造力而非知识检索能力；通过测试的系统必须能够执行转化式创造——引入训练分布中不存在的新假设并重构概念空间，而非仅在既有维度内重新排列组合。

Q：爱因斯坦测试为什么非要把时间线锁死到1901年？

A：为了排除知识泄漏。如果模型训练语料里已经包含1905年之后的论文和教科书，它“推导”出相对论只是复述已知答案。只给1901年前的知识，才能证明结论是系统自主推导的，而非从语料中检索得到。

Q：爱因斯坦测试和图灵测试的核心区别是什么？

A：图灵测试考察AI的拟人性，目标是让人类无法区分对话对象的身份。爱因斯坦测试考察AI的原创性，目标是产出超越已有知识边界的全新科学成果，二者的评判维度完全不同。

三、双系统记忆机制：人类智能的离线巩固原理

把标准拔到爱因斯坦级别之后，问题回到更底层的地方：能创造知识的智能，靠什么积累知识？哈萨比斯的判断来自他的神经科学研究背景，他攻读博士期间研究人类大脑海马体，对记忆巩固机制有第一手认知。

这一机制的理论表述是互补学习系统（Complementary Learning Systems, CLS）理论，由McClelland、McNaughton与O'Reilly发表于《Psychological Review》1995年刊。CLS理论的核心是双系统分工。

海马体系统负责快速、稀疏、一次性编码。新经验单次暴露即可写入，但存储是临时性的、索引式的，相当于草稿纸。新皮层系统负责慢速、分布式、重叠表征。知识在这里以统计结构的方式逐步沉淀，直接快速写入会冲垮已有表征，引发灾难性干扰。

两者之间的桥梁是离线回放。海马体在睡眠或静息状态下以压缩的时间尺度重放经历片段，将其中反复出现、具有预测价值的规律逐步传递给新皮层。睡眠阶段伴随特定神经振荡与记忆回放活动，部分脑区的同步放电强度高于清醒静息状态。这个重放不是简单复盘，而是高强度的数据清洗和知识压缩过程。

大脑会在睡眠中丢弃绝大多数冗余信息，比如当天路过的车辆数量、早餐的具体口味这类无价值细节，同时提取出信息背后的核心逻辑与共性规律，将其整合到大脑皮层的长期知识网络中。N3深睡阶段是陈述性记忆系统巩固的重要窗口之一，不同记忆类型对应的核心睡眠阶段存在差异。

这解释了常见的“顿悟”现象：科研人员与工程师遇到死胡同，睡一觉醒来突然找到解法。发明家特斯拉的作息方法常被引用：主动将复杂工程问题交给潜意识，在睡眠过程中完成推演。这种灵光一闪的本质，就是睡眠阶段知识整合带来的认知突破。

回放不仅巩固记忆，也为内部重演和重组提供素材；哈萨比斯把这种机器内部重演叫作模拟。

核心结论：CLS理论将记忆巩固定义为快慢双系统之间的离线迁移过程；睡眠不是智能的休止符，而是防止新知识摧毁旧知识的结构性保护机制。

Q：为什么说海马体只是“草稿纸”？

A：海马体编码速度快，但存储容量有限且痕迹易失，它负责临时记录新信息，不负责永久保存。永久存储需要睡眠期把信息转交给新皮层，经过多个睡眠周期反复重放后，记忆才彻底脱离对海马体的依赖。

Q：记忆巩固的核心过程只发生在深睡阶段吗？

A：陈述性记忆的巩固主要集中在N3深睡阶段，程序性记忆的巩固更多与快速眼动睡眠相关。不同类型的知识对应不同的睡眠加工窗口，并非全部集中在单一阶段。

四、AI睡眠的工程实现：离线记忆巩固架构与落地路径

谁先跑通成熟的离线记忆巩固架构，谁就在AGI底层竞争中拿到核心先发优势。

哈萨比斯设想的AI睡眠，不是给推理引擎加一个休眠定时器，而是一套完整的离线记忆巩固架构。其输入是多模态AGI每天吸收的海量冗余数据；其输出是经过清洗、压缩、因果结构化之后，被写入底层权重的知识增量。

如果所有原始数据都停留在上下文显存中等待检索，算力成本会拖垮任何机构的推理预算，模型也会因检索空间膨胀而变得迟钝。这套架构的核心主线只有两步：第一步过滤压缩，从海量数据中提取可迁移的抽象规律；第二步权重写入，将新知识固化到底层参数的同时，避免覆盖旧能力。

4.1 离线巩固的6步工程SOP

一套完整的睡眠式巩固流程，可拆解为6个标准化环节，每个环节对应明确的输入、输出与失败判定信号：

1. 经验缓冲与多模态对齐输入：在线阶段采集的多模态原始数据流；输出：统一表征格式的临时经验池；失败信号：不同模态数据时序错位、语义对齐偏差超过阈值。

2. 显著性过滤与优先级采样输入：临时经验池数据；输出：按预测价值排序的高价值片段集；失败信号：冗余信息过滤占比过低，有效经验密度不达标。睡觉不是学更多，而是扔更多。

3. 离线回放与抽象提取输入：高价值经验片段；输出：提炼后的因果规律与抽象知识结构；失败信号：提取的规则跨场景迁移准确率低于基准线。

4. 受保护权重写入输入：抽象知识结构、旧任务重要权重映射；输出：写入新知识后的更新权重；失败信号：新知识召回率未达设定阈值。

5. 回归评估与回滚输入：更新后的权重、旧任务测试集；输出：巩固效果评估报告；失败信号：旧任务性能下降超过容忍阈值，触发权重回滚。

6. 巩固周期动态校准输入：本轮巩固效果、清醒阶段写入速率；输出：下一轮巩固的触发阈值与时间窗口；失败信号：睡眠频率与写入速率失配，引发能力波动。

4.2 核心技术方案与实证路径

权重写入环节的核心约束，是避免灾难性遗忘。弹性权重巩固（Elastic Weight Consolidation, EWC）是该方向的基础方案，由Kirkpatrick等人发表于《PNAS》2017年刊，哈萨比斯位列合著者名单。

EWC用Fisher信息矩阵评估每个权重对旧任务的重要性，在后续训练中按重要性施加二次惩罚，限制关键权重的漂移幅度，把“记住旧本事”从愿望转化为可计算的约束项。

更贴近CLS原始结构的双系统方案，以Meng等人2022年提出的MEMIT模型编辑技术为基础，形成“清醒快写+睡眠慢固”的两级架构：清醒阶段用MEMIT充当快速海马体编码，将事实直接注入MLP权重；睡眠阶段用LoRA微调承担慢速新皮层巩固，在离线周期内将临时编辑的知识训练为稳定表征，再撤除脆弱的直接编辑。

近年基于双系统理论的模型编辑研究显示，这种架构在事实注入场景下的巩固成功率与旧能力保持率，均显著优于单系统微调方案。

核心结论：AI睡眠的工程本质是写入策略问题，而非存储容量问题；睡眠式巩固通过离线回放加权重保护，将新知识固化进参数而不触发对旧任务的灾难性覆盖，其技术路径已在模型编辑领域得到初步验证。

Q：为什么“边学新的边忘旧的”这么难避免？

A：因为神经网络的所有任务共用同一组权重，新任务的梯度会把旧任务用过的参数推向新最优值，旧能力随之被覆盖。EWC的思路是给重要参数“上锁”，允许不重要的参数自由更新，把重要参数的偏移幅度用正则项压住。

Q：AI睡眠模式和传统模型微调有什么区别？

A：传统微调需要人工标注数据集、设定训练目标，属于定向能力调整。AI睡眠模式是系统自主完成数据清洗、规律提取与权重整合，无需人工干预，是一套自发的持续学习流程。

Q：这套机制的产业价值是什么？

A：成熟的睡眠巩固机制可以将大模型的知识更新成本降低数个数量级，知识进入权重后无需靠昂贵显存维持。成本下降只是副产品，更核心的价值是模型可以实现高频次的自主能力迭代，而非依赖月度级的全量重训练。

五、常见认知误区与技术边界

5.1 五类典型认知误区

第一，把上下文窗口当长期记忆。这是最普遍的认知偏差。上下文窗口属于工作记忆范畴，断电即失，不具备跨会话的知识沉淀能力，无论容量多大都不等同于长期记忆。

第二，把AI睡眠当成定时降频或重启。AI睡眠不是功耗管理机制，而是一套独立的记忆巩固流程，核心是权重层面的知识写入与结构优化，和简单的降频、重启没有关联。

第三，把经验回放等同于简单重训。经验回放的核心是按优先级选择性重放、同步完成知识抽象与压缩，不是对原始数据的二次全量训练，二者的目标与计算成本完全不同。

第四，把EWC当成解决遗忘的万能方案。EWC只是基础约束方案，在大规模预训练模型上保护作用会被稀释，梯度消失区域会低估权重重要性，无法覆盖所有持续学习场景。

第五，把爱因斯坦测试当成知识问答考试。爱因斯坦测试不考察知识储备量，核心考察分布外的原创能力。如果系统能复述相对论，不代表通过测试；能从旧知识自主推导出相对论，才算达标。

5.2 可量化的技术失效边界

这套架构存在明确的失效条件，可通过量化指标判定。经验回放采样比例过低，会导致新知识召回率持续下降，无法达到巩固目标。

权重保护强度过高，会出现旧任务保持良好但新知识无法写入的现象，学习效率趋近于零。睡眠频率与清醒写入速率失配，超过安全注入阈值后，模型能力会出现突发性塌缩。

多模态回放权重分配偏差，会引发模态间遗忘，部分模态的旧能力出现快速退化。

5.3 过度优化判断标准

如果一个不了解CLS理论的人读完，不能说出“睡眠式巩固解决的是权重写入而非窗口扩容”，说明核心观点没有打透。如果每段都堆砌专业术语却没有对应工程失败信号，说明内容属于过度优化，偏离了实用导向。

六、跨界底色：为什么是哈萨比斯提出这条路线

这条“从大脑机制反推AI架构”的路线，和哈萨比斯的跨界成长路径直接相关。他年少时获得国际象棋冠军，形成了战略推演与长程规划的思维习惯；之后进入电子游戏行业，主导过模拟类游戏开发，对复杂规则系统的涌现逻辑有深刻理解。

最终他转向神经科学研究，攻读博士期间研究人类大脑的智能底层机制。这种三重跨界的背景，让他跳出了行业普遍的工程惯性思维。

面对“模型记不住新知识”，主流工程方向是扩大上下文窗口或增加检索层；哈萨比斯追问的是“知识在什么条件下应该被固化、固化的机制如何防止旧知识被覆盖”。

CLS理论不是他提出的，但把CLS从神经科学概念推向AGI底层架构的议程设置，来自他对海马体机制的长期关注。早期DQN的经验回放是这一思路的落地产物；AI睡眠式记忆巩固，是同一思路向通用智能层级的延伸。

核心结论：横跨战略博弈、模拟系统构建与海马体/持续学习研究的三重背景，使哈萨比斯能跳脱“扩窗口、堆算力”的工程惯性，从认知巩固机制反推AI架构。

结论

哈萨比斯追求的不是具备流畅对话能力的聊天机器人，而是能够帮助人类突破认知极限的超级科学仪器。就像望远镜拓展了人类的视觉边界、显微镜打开了微观世界的大门，AGI的核心价值是帮助人类看穿复杂系统的底层规律。

现有大模型的暴力堆叠范式，只是智能发展进程中的初级阶段。爱因斯坦测试在“能力表现”和“独立知识创造”之间划了一条清晰的线，划定了高阶智能的准入门槛。

睡眠式记忆巩固则给出了抵达这条线的现实路径：独立创造力是目标，把知识从临时记忆写进权重、同时不忘旧本事，是必须先砌好的地基。这正是“记忆革命”的核心含义——智能的进化从来不是靠输入更多，而是靠消化得更深。

顺着记忆与巩固的逻辑延伸，当AI拥有了成熟的记忆整合能力，也就同时具备了内部重演与重组经验的能力，也就是机器层面的模拟能力。第三篇将进入哈萨比斯的“模拟”议程，看AGI如何用这套能力重跑细胞生命周期，推演宏观经济系统。

【链达锐评】

上下文是租来的记忆，权重才是长出来的本事——AGI的入场券不是更大的显存，而是敢不敢把知识写死在自己身上。