DeepMind设立新研究院，四篇论文直击AGI核心难题
近日，DeepMind正式对外宣布成立全新研究机构——**通用智能前沿实验室**（Artificial General Intelligence Frontier Lab），该机构将整合旗下长期从事认知架构、元学习与因果推理的多支团队，聚焦通用人工智能（AGI）中的关键瓶颈问题。作为新研究院的“开山之作”，团队同期发布了四篇高质量预印本论文，分别从推理深度、组合泛化、自监督因果发现以及持续学习四个角度向AGI的核心挑战发起冲击。这一系列动作标志着DeepMind正在将研究重心从“特定任务超常表现”转向“通用智能的原理性解构”。
论文直指AGI四大“硬骨头”
第一篇论文提出了一种**多层递归推理框架**，旨在解决大语言模型在逻辑链推理中常见的“浅层记忆”问题。作者通过引入外部符号推理模块与注意力干预机制，令模型在处理长距离依赖时能保持推理一致性与可回溯性。第二篇论文则聚焦**组合泛化**——即模型能否将已学知识灵活组合以解决从未见过的任务。团队在Abstract Reasoning Corpus上验证了新型神经元连接模式，结果显示，该架构在WinoGrande等零样本推理任务上实现了15%以上的准确率提升。
第三篇论文回到因果根基：作者设计了一种**基于干扰的自监督因果结构发现算法**，无需人工标注即可从多模态数据中提取因果图。实验表明，该算法能够在视觉与文本混合环境中准确识别“混淆变量”，大幅提升了模型在反事实推理场景下的鲁棒性。最后一篇论文涉及**持续学习中的灾难性遗忘**问题，提出了一种动态稀疏扩增网络（DSAN），通过逐层分配神经元以分离“旧知识”与“新知识”的表示空间，在20个连续任务集上实现了零遗忘的稳定学习效果。
新研究院的战略意义
成立专门研究机构而非延续原有团队模式，体现了DeepMind对AGI问题复杂度的清醒认知。长期以来，业界在通往AGI的路上常陷入“规模即智能”的简单假设，而忽略了智能背后所需的因果操作、组合泛化及长期记忆等基础能力。新研究院的设立意味着DeepMind正从“模仿人类行为”转向“探求智能本质”，将上述四项难题拆解为可验证、可迭代的子课题。值得注意的是，这四篇论文不仅披露了具体技术路线，也开放了配套的基准测试集与评估工具，有助于推动整个学界以更系统的方式对标AGI进展。
在AGI讨论仍充斥哲学争议与商业噪声的当下，DeepMind这一研究布局无疑提供了更“硬核”的工程化路径。未来，该实验室能否将四篇论文中的局域突破整合为连贯的通用智能体系，将是检验其“前沿”成色的关键标尺。
