DeepMind Gemini 多模态负责人与投资人讨论多模态是否通向 AGI

完整中文导读

作者整理了北大 AI 创业与投资课上的一场讨论，Google DeepMind 首席科研总监、Gemini 多模态负责人与 BAI 资本冯甜、前腾讯混元图像/视频模型负责人王春雨围绕多模态是否通往 AGI 展开对话。

中文整理

作者 / 来源：情绪稳定Alan⛳️ (@CryptoBirdie_1) · 原文时间：2026年11月5日 16:22（北京时间）

原作者信息要点

作者“情绪稳定Alan”整理了一场关于“多模态是否通向AGI”的讨论，参与者包括Google DeepMind首席科研总监、Gemini多模态负责人Miaosen Wang，BAI资本AI投资负责人冯甜，前腾讯混元图像/视频模型负责人王春雨。作者称梁文锋认为多模态不是AGI主线，而DeepMind方面给出不同判断。

作者转述的测试数据：在判断视频镜头向左还是向右的测试中，先进模型准确率为82%，人类基准为86%。作者据此提出，若AGI只需数学、Coding等抽象智能，多模态未必核心；若需理解环境、执行任务、探索现实世界，多模态难以绕开。

投资观察方面，作者称约80%的大语言模型公司存活，大部分AI应用创业公司倒下，数据公司表现不错，国内Infra创业较艰难；单纯调用基础模型的垂直应用生存情况不如拥有自身模型能力的公司。

数据方面，作者给出对比：算力和模型领域已出现多家万亿美元公司，而所讨论的数据领域规模仅约200多亿美元。作者提出合成数据与专家数据两条路线，并认为高质量数据可能越来越贵。

作者还提出：最好的数据采集方式是做用户真正愿意使用的产品；AI原生To C尚未真正爆发；中国接近60%的相关Token消耗集中在视频生成，美国更偏向Coding；世界模型投资热度从今年7、8月开始明显下降，仍有五六条技术路线并行；具身智能可能迎来低谷，家庭机器人离普及尚远；AI for Science下一轮瓶颈可能从GPU转向实验机器人；世界模型终极价值是预测行动后果而非生成漂亮视频；多模态的ChatGPT时刻关键在复杂任务的连续执行能力。

作者最后给出三个判断：短期看应用与分发，中期看数据与反馈闭环，长期看物理世界的实验、执行和验证能力。

本站整理与观察

本站观察：上述内容来自单一作者对一场讨论的转述，测试准确率、公司存活比例、数据市场规模、Token消耗占比等数字均未在材料中给出原始出处，应视为作者转述而非本站已验证事实。

本站观察：材料将梁文锋的观点与DeepMind方面的判断并置，但未提供双方完整论证，读者不宜据此推断两方存在直接辩论或对立结论。

本站观察：作者对AI创业的三点判断属于个人推论，材料未提供对应投资回报或公司成败的完整样本，不能作为行业整体结论。

材料为单一作者对讨论的二手整理，未附原始演讲、测试方法、统计口径或数据来源；文中数字与人物观点均无法独立核验。本站整理仅区分转述与推论，未补充背景、未验证事实，也未扩展原文未涉及的内容。