PA视讯（集团）-官方网站

　　Hassabis在演讲中指出，通向通用人工智能（general artificial intelligence, AGI）的道路远比简单放大文本模型复杂。他主张未来发展的核心在于将多模态感知（multimodal perception）能力与强化学习（reinforcement learning）机制深度结合，而非仅依赖规模化的文本模型。Hassabis以DeepMind在把AI应用于基础科学研究上的一系列成果为例，说明“AI+科学”模式正在加速人类对复杂世界的理解与突破。

　　针对生成式AI引发的版权和创作争议，Hassabis表明其理性立场：他认为AI技术的本质在于降低创作门槛、赋能创作者，而非简单“替代”创作者。为解决难以区分AI生成内容的行业痛点，DeepMind提出并开源了SynthID数字水印技术（SynthID digital watermarking），希望推动其成为行业标准；同时，他呼吁创意产业与科技公司合作，探索新的版权补偿商业模式，在技术效率与版权保护之间寻求平衡。

　　在AI浪潮的整体治理方面，Hassabis尤其强调“安全”优先。他呼吁国际社会加速建立统一的AI安全标准和独立第三方检测机构，反对“先污染后治理”的发展路径，认为建立国际协作的监管框架是确保AI惠及人类的前提条件。

　　DeepMind（DeepMind）成立于2010年，后被Google收购，曾推出围棋AI AlphaGo（AlphaGo）和生物结构预测系统AlphaFold（AlphaFold），在强化学习和科学计算领域有长期积累（来源：DeepMind官网；Nature报道）。

　　Demis Hassabis（Demis Hassabis）长期以跨学科研究背景著称，既有认知神经科学背景，也长期推动以强化学习为核心的研究路线（来源：DeepMind团队简介）。

　　多模态（multimodal）指同时处理文本、图像、音频、视频等多种输入信号；强化学习（reinforcement learning）强调基于环境反馈优化行为策略。Hassabis的观点是：仅靠大规模自回归或encoder-decoder文本模型无法获得在物理世界中交互、试错与长期规划所需的能力，而将多模态感知与基于试验-奖励的强化学习相结合，更利于向具备通用性与因果理解能力的系统过渡（来源：深度学习与强化学习综述，arXiv；Nature综述文章）。

　　与此相关的模型范式对比：扩散模型（diffusion models）与生成式对抗网络（Generative Adversarial Networks, GANs）在图像生成上各有优劣：扩散模型在样本多样性与稳定性上表现优异，GAN在生成速度与逼真度上长期领先；但这些范式主要面向静态样本生成，未必直接解决需要长期交互和因果推理的业务场景（来源：arXiv综述，2021–2024）。

　　在全球监管层面，欧盟人工智能法案（EU AI Act）自起草以来持续推进分级监管与高风险系统要求，强调透明性与合规检测，这与Hassabis提出的统一安全标准与独立第三方检测机构的呼吁相互呼应（来源：European Commission 官方进展通报）。

　　技术路线：若业界采纳多模态+强化学习的路线，短期内可能面临更高的算力、数据标注和仿真环境建设成本，但长期可能有助于提升系统的场景适应性与安全可控性。

　　版权与商业模式：SynthID数字水印（SynthID digital watermarking）等技术若能被广泛采纳并形成行业标准，可降低鉴别成本并为版权补偿机制的建立提供技术基础；但商业化进程需与版权法、许可体系及行业利益方协商对接。

　　治理与合规：Hassabis关于建立国际协作监管框架的建议，会推动各方在标准制定、测试机构资质与跨境责任分配等方面展开更多对话。

　　结语 Hassabis在戛纳的表态既是对DeepMind技术实力的自我肯定，也提出了对行业标准、版权治理与安全机制的具体诉求。随着AGI探索的深入，如何在追求高性能模型的同时构建可信、可治理且兼顾版权的生态，已成为包括DeepMind在内的领先厂商必须面对的战略性挑战。