说实话，这句话的分量，比整个访谈里其他所有内容加起来都重。
Suleyman 不是那种喜欢放卫星的人，DeepMind 联合创始人，后来做 Inflection AI，现在掌微软 AI，这个人的底色是研究者，不是推销员，他说「近在咫尺」的时候，我是真的觉得，他不是在画饼。
但「还需要2-3个重大技术突破」这句话，才是真正值得掰开揉碎了看的地方。
到底是什么突破？
从哪里突破？
为什么是2-3个，不是10个，也不是1个？
坦率的讲，以下这些是我自己的判断，不一定对，但我认真的想了几天，也跟几个做技术的朋友聊了聊。
先说说 Suleyman 这次到底说了什么。
他把 AI 的发展分成了三个层次，这个分类方式我自己觉得还挺清晰的。
第一层叫 AGI，通用人工智能，定义是 AI 可以在绝大多数任务上达到人类水平，注意，是绝大多数，不是全部，这块其实现在的 GPT-4o、Claude Opus 4.6、Gemini 这些，已经在很多任务上摸到了人类水平，有些甚至超了。
第二层叫超级智能，这个就不只是「达到人类」了，而是「全面超越」，而且还能自主发现训练数据之外的新知识，比如发明新分子、新材料，这块，Suleyman 的原话是「近在咫尺」。
第三层叫奇点，就是 AI 可以递归自我迭代，能力指数爆炸，这块，Suleyman 说的很直接，这属于科幻，还很远。
所以他说「超级智能近在咫尺」，指的不是奇点，而是第二层，超级智能。
但「近在咫尺」不等于「已经到了」，他说还需要2-3个重大技术突破，这句话才是重点。
那我来试着说说，这2-3个突破，可能在哪里。
第一个，也是最明显的，推理能力的质变。
现在的大模型，核心都在做同一件事，给定上文，预测下一个 token，这个范式厉害的地方是，它通过巨量的数据压缩，学到了人类知识的统计规律，但它有一个天花板，做的事其实是统计层面的模式匹配，而不是真正的推理。
等下。
我刚才这句话，其实说的还不够准。
说它是「模式匹配」，听起来像是在贬低它，但这不是贬低，这是一个事实描述，它的所有能力，都来自训练数据里出现过的统计规律，它没有「跳出数据去想新东西」的能力。
这个差别，说实话，是天壤之别。
你可以把它想象成一个看了所有围棋棋谱的人，他下的每一步，都是基于见过的对局，但如果棋盘上出现了一个完全新的局面，一个人类棋手可以靠「直觉」和「创造力」想出新招，但模型只能靠统计概率选一个「最像对的」下一步。
现在的 o1、o3 这些「思维链」模型，是在试图突破这个天花板，但它们的方法，本质上还是靠「更长的生成」来模拟推理，不是真正的、内生性的推理能力。
真正的突破，需要模型具备「在生成之前，先在思维空间里做搜索和回溯」的能力，而不是一条路走到黑。
这块，Suleyman 说微软的新模型（MAI 系列）明确不做蒸馏，要自研全栈，背后的逻辑就是，只有自己从头构建了推理能力，才能真正突破天花板，而不是永远跟在别人后面。
第二个突破，世界模型。
这个词最近提的人挺多的，但真正做到的，几乎没有。
现在的大模型，对世界的理解是「统计相关性」，不是「因果性」，也不是「物理规律」。
举个例子，你告诉一个大模型「杯子从桌子上掉下去了」，它会生成「杯子碎了」或者「水洒了」，因为它在训练数据里见过这个搭配，但它并不理解「重力」「惯性」「脆性」这些物理概念。
要让 AI 真正「理解」世界，需要的不是更多的文本数据，而是多模态的、具身的交互数据，是「行动→观察结果→修正模型」这个闭环。
这块为什么重要？
因为超级智能的定义里，有一条是「自主发现训练数据之外的新知识」，如果 AI 没有世界模型，它永远只能「复述」人类已经知道的东西，不能「发明」人类还不知道的东西。
第三个突破，持续学习，或者说「终身学习」能力。
现在每一个大模型，都是「训练完就死了」，它不能持续学习，不能积累经验，每一次都是从头开始。
人类智能的核心，恰恰是「从出生到死亡，一直在学习，一直在更新自己的模型」。
如果 AI 做不到这一点，它永远是一个「工具」，不是一个「智能体」。
但持续学习的难点在于，模型会「灾难性遗忘」，新学的东西会覆盖掉旧的知识，这个问题，研究了二三十年，一直没有好的解决方案。
Suleyman 说还需要2-3个突破，我猜，持续学习一定是其中之一。
第四个，数据瓶颈。
这个已经是个公开秘密了，高质量的文本训练数据，快用完了。
下一步怎么办？
一条路是「合成数据」，用模型生成数据来训练模型，但这条路有「模型坍塌」的风险，就是模型越来越差，因为你在用「近似值」训练「近似值」。
另一条路是「推理时计算」，就是不让模型在训练时学会所有东西，而是让它在回答问题的时候，现场「想」一会儿，o1 就是这个思路。
还有一条路，是「从交互中学习」，不让模型靠离线数据训练，而是让它在真实世界里的交互中不断积累经验，这条路最难，但也最像人类的学习方式。
第五个，能量效率。
这个可能是最容易被忽视，但其实最硬的瓶颈。
人脑运行功率大概是 20W，GPT-4 训练一次消耗的算力，换算成能量，是天文数字。
如果超级智能需要指数级更多的算力和能量，那它永远不会真正到来，因为能源和芯片的供给是有物理上限的。
所以，真正的突破，可能不是「把模型做得更大」，而是「把模型做得更高效」。
稀疏激活、量化、专用芯片架构，这些方向，可能比单纯堆参数更重要。
聊完技术，说一个更宏观的事。
Suleyman 在访谈里提到，微软和 OpenAI 的合作， originally 是「OpenAI 做研究，微软做产品」，但现在，OpenAI 也在做全栈（产品、数据中心、芯片），微软也在自研模型。
所以2025年10月，双方签了一个新的协议，微软可以独立研发超级智能。
这个转向，说实话，我挺认同的。
AI 这种东西，它不应该被任何一家公司完全控制，不管是微软、OpenAI、还是谷歌。
超级智能如果出现，它应该是全人类的资产，而不是某几家公司的利润中心。
Suleyman 至少在公开场合表达了类似的意思，他说 AI 应该让所有人更健康、更聪明、更快乐。
这话听着像公关，但如果你了解他的背景，他在 DeepMind 的时候就一直在推「AI for Science」，用 AI 加速科学发现，所以这个人可能不是单纯在说漂亮话。
但话说回来，理想主义和商业利益之间的张力，永远存在，这一点，我有时候觉得，可能比技术突破本身还难解。
