在人工智能领域，关于模型能力等级的讨论持续升温。谷歌DeepMind首席执行官德米斯·哈萨比斯近日公开质疑部分企业宣称的“博士级智能”模型，直言此类表述“缺乏科学依据”。他在“All In峰会”上强调，当前主流AI系统虽具备特定领域的专业能力，但距离真正的通用智能仍存在显著差距。
哈萨比斯以数学能力为例指出，现有模型在处理基础计算或高中数学问题时仍会犯错，这与人类博士应具备的跨领域综合能力形成鲜明对比。“真正的通用智能需要像人类专家一样，在各个知识领域都达到高水平表现，而当前系统仅在特定任务上表现优异。”他进一步解释，这种“碎片化智能”现象暴露了模型在知识整合与迁移学习方面的局限性。
此前，OpenAI首席执行官山姆·奥尔特曼在GPT-5发布会上曾宣称，该模型“具备任何领域的博士级专业能力”，并强调其是“迄今为止功能最强大、推理最稳健的模型”。然而，这一表述与谷歌团队的观察形成矛盾。DeepMind方面认为，将单一任务表现等同于整体智能水平，可能误导公众对AI发展阶段的认知。
关于通用人工智能（AGI）的实现时间表，哈萨比斯给出谨慎预测。他表示，要开发出具备全面博士级能力的系统，可能需要5至10年时间。这一判断基于两个关键瓶颈：一是持续学习能力，即模型能否像人类一样实时吸收新知识并调整行为；二是跨领域知识迁移能力，目前多数系统仍依赖大规模数据训练，缺乏自主进化机制。
实验数据显示，尽管GPT-5、Grok 4等模型在国际数学奥林匹克竞赛中取得优异成绩，编程水平也超越多数人类开发者，但在处理简单逻辑推理或常识问题时仍会出错。例如，部分模型在计算商品折扣后的实际价格时出现错误，或在理解隐喻性语言时产生偏差。这种“高能低效并存”的现象，成为学界质疑“博士级智能”宣称的重要依据。
DeepMind团队强调，真正的智能突破需要解决两个核心问题：一是如何让模型具备“元认知”能力，即理解自身知识边界并主动寻求补充；二是如何实现“少样本学习”，使系统通过极少量示例掌握新技能。目前，这些能力仍停留在理论探索阶段，距离工程化应用尚有距离。
