Demis Hassabis on AI's Next Big Breakthrough, 2050 and More!

编者按：2025年5月，Google I/O 大会次日，Google DeepMind 联合创始人兼首席执行官戴米斯·哈萨比斯（Demis Hassabis）接受了一档面向创业者与创作者的科技访谈节目专访。哈萨比斯是少年国际象棋冠军、认知神经科学博士、Isomorphic Labs 创始人，并因 AlphaFold 在蛋白质结构预测上的贡献获得2024年诺贝尔化学奖。本次对谈从他三十年前押注人工智能的初衷谈起，涉及攻克疾病、视频模型涌现的直觉物理、通用人工智能（AGI）的检验标准、睡眠与记忆的启示、模拟复杂系统、AI 的人格，以及他对2050年的展望。本文依据现场录音编译整理，仅删去口语枝节，未作内容删减。

三十年前押注 AI 的人

主持人：为了准备这次访谈，我把你做过的每一场采访都看了一遍。你在很多场合提到过你心目中的科学英雄，所以我想先说一声谢谢。我想从你的自传谈起。书里有许多不同的时刻，最后都汇成同一条线索：你的一生是围绕「智能」展开的。我觉得，当你创办 DeepMind，甚至更早，当你开始研究 AI 的时候，大多数人并不相信这件事。你对世界抱有哪些不合常规的看法，让你有这么强的信念？

哈萨比斯：说实话，我当时只是觉得，这是一个人可以用一生去研究的最迷人的问题之一。但更根本的是，这是我做科学的方式。我小时候就想弄明白那些大问题：现实的本质、意识的本质，诸如此类。我觉得这些问题就摆在我们眼前，而即便最出色的科学家，在回答它们上也没有取得多少进展。

我当时感到，我们也许需要某种帮助，需要一件了不起的工具。在我看来，这件工具显然应该是计算机，然后进一步就是 AI。正是这一点让我走上了这整条路：造出 AI，用它来推动科学发现。

AI 作为回答终极问题的科学工具

主持人：你曾经谈到，如果能造出一个 AGI 系统，我们就能理解人脑和 AI 大脑之间的差别。到目前为止，你观察到的主要差别是什么？

哈萨比斯：这个问题很有意思，你说的正是我的想法。意识、乃至智能本身、还有创造力，这些东西究竟是什么？其中牵涉哪些过程？困难之一在于，我们当然通过神经科学、功能性磁共振成像（fMRI）、研究人脑和动物大脑取得了一些进展，这也是我去读博士的原因。但我们缺少一个参照物，一个可供比较的对象，能让我们说：「这个系统、这个实体是有智能的，但它没有意识。」那么两者的差别到底在哪里？

我认为 AI 也可以反过来用于研究神经科学，充当这样的参照物。所以，先造出 AGI，再去分析它，会是理解我们自身心智、理解心智深处那些谜团的最佳途径之一。

从 AlphaFold 到攻克所有疾病

主持人：昨天你谈到，攻克所有疾病其实离我们并不远，比我们想象的要近。我的表亲正在读博士，每天都在用 AlphaFold。你们已经有过那么多「AlphaFold 时刻」。在攻克所有疾病这条路上，我们还需要哪些突破？

哈萨比斯：这正是我们在 Isomorphic Labs 做的事。AlphaFold 在蛋白质结构预测上确实帮了大忙，这对药物发现至关重要，但它只是关键的一环，仅仅一环。你可以这样理解 Isomorphic Labs：我们当然在改进 AlphaFold，但同时也把它延伸到生物化学和化学领域，去弄清楚该合成什么化合物，它们会结合在蛋白质的哪个位置，再去检验人体对这些化合物的反应：身体如何吸收它们，有没有毒副作用。你要把这些因素统统降到最低，并且能够预测它们，从而做出更干净的化合物、更干净的药。这里面大约有半打真正的大难题，我们都在攻关。可以设想，我们把这些环节全部打通，拼在一起，就有了一个药物发现平台。

主持人：对于那些不稳定的蛋白质，你们怎么处理？AlphaFold 对结构稳定的蛋白质效果惊人，可对那些不稳定的呢？

哈萨比斯：这里的假设是，那些蛋白质中的无序区域，也就是所谓「固有无序」（intrinsically disordered）的部分，一旦知道它们与什么结合、处在什么情境里，其实会形成某种结构。所以 AlphaFold 3、AlphaFold 的更新版本，以及我们在 Isomorphic 做的工作，都是要更深入地理解蛋白质的动态图景：有东西结合上去时，它会变成什么样？会不会张开一个原本不存在的小口袋？这在药物发现中非常重要。我们必须能预测蛋白质的动态变化，有时也包括无序区域，才能针对特定疾病的特征，设计出合适的药物或合适的抗体。所以我们正在扩展模型，让它能处理这种复杂性。这是生物学的一大挑战，复杂性实在太多了。

主持人：那么是不是说，我们会用 AlphaFold 或更多技术来理解蛋白质，从而缩短临床试验的时间？

哈萨比斯：是这样的：我们眼下聚焦的是药物发现阶段。这个阶段至今仍要花很多年，甚至十年，你要从感兴趣的靶点出发，理解其中的生物学机制，再拿出一个可以进入临床试验的候选化合物。我们的目标是把这个过程从数年压缩到数月，也许有一天缩到几周，那将是不可思议的事。现在听起来匪夷所思，但我认为这和十年前人们看待蛋白质结构的态度一模一样，当时所有人都觉得不可能。

主持人：对。

哈萨比斯：而现在，所有的结构都已经折叠出来了。我认为同样的事会在药物发现上再发生一次。然后才是第二个问题：临床试验这部分能不能也加快？这更难。这里面有监管，有很多与技术本身无关的因素。但我确实认为 AI 在这里也能帮上忙，比如给病人分层，确保他们拿到合适的试验化合物，分析试验数据；如果你能更准确地预测副作用，也许就能更快地跨过剂量递增的各个阶段。所以，一旦我们对药物化合物的设计本身有了更清楚的把握，临床试验里的很多环节大概也能被压缩。

视频模型涌现出直觉物理

主持人：另一件人们曾认为不可能的事，是模型理解物理。昨天你们发布了 Veo 的新版本。对我来说最酷的一点是，你们其实没有用物理知识去训练它，它只是从视频里学会的。这是怎么做到的？

哈萨比斯：这确实相当令人震撼。给它的视频越多，效果越好。当然，底层是 Gemini，所以它对世界本身就有理解，能给事物打标签等等。Gemini 从一开始就是多模态的，非常擅长理解场景。然后我们用 Veo 让它动起来。令人惊叹的是，它似乎真的掌握了相当准确的直觉物理（intuitive physics）。

我们正开始建立物理基准测试，这样 Veo 的未来版本，比如 Veo Pro 等等，就能被检验：在滚珠轨道、物体坠落、重力这类任务上到底表现如何。但就眼下而言，它能做到的事已经很惊人了，它几乎是以一种涌现的方式理解了这些东西。图像模型 Nano Banana 也是如此。这意味着，对你这样的创作者来说，会打开大量可能性：因为它理解场景里的各个部分是什么，编辑起来会极其容易。

AGI 的高门槛：爱因斯坦测试

主持人：我记得在此前一次采访中，你被问到 AGI 时说过，Nano Banana 和 Veo 其实是我们离 AGI 最近的东西，正因为它们有这种深层理解。AGI 已经成了一个被反复讨论的词。我觉得你对 AGI 到来时间的预测比较保守，但你对它能做什么的设想又比别人雄心大得多。能带我进入你的思路吗？你是如何看待 AGI 的，它为什么重要？

哈萨比斯：对我来说，这多少是一个神经科学式的类比：人脑是我们手上唯一能证明通用智能可能存在的实例。我们之所以知道它可能，是因为人类心智发明了我们周围这一整套辉煌的现代文明，包括科学在内。它极其通用，所以我们才如此善于适应。我们能适应新技术，能发明这些技术，尽管我们的大脑是为狩猎采集的生活演化出来的。这件事本身就很了不起。

所以我认为，除非一个系统具备了人脑所具备的那些能力，否则我们无法断言它是真正的通用智能，因为人脑是我们唯一的存在证明。这是一道相当高的门槛。它大概比「能做一些有用的经济工作」之类的标准要高得多，我听过别人那样谈，但我在这一点上一直很一贯。我想用的那种测试是一个「爱因斯坦测试」：用截止到1901年的知识训练一个这样的系统，它能不能像爱因斯坦在1905年那样，发明狭义相对论？

如果它能，那就意味着你可以把它用到今天的物理学上，让它给出弦论的扩展，或者回答暗物质究竟是怎么回事、有哪些假说，那时它给出的东西也许就值得我们投入精力去研究。因为无论它提出什么理论，检验这些理论都要耗费大量时间和精力，在物理学里尤其如此。所以你得相当有把握，这些系统真的能拿出理智的东西。我一直说，提出一个假说比解决一个已有的猜想更难，尽管后者已经很了不起了。

主持人：对。

哈萨比斯：真正难的是提出一个值得研究、值得投入的问题。提出正确的问题，是科学里最难的事。

主持人：这就是 AI 系统的真正创造力所在吗？

哈萨比斯：是的，这和我所说的「真正的创造力」密切相关。它能不能拿出真正新颖的东西，实现向前的跃迁，而不是渐进式的改良。

Move 37 不够，要能发明围棋

主持人：检验的方式之一是爱因斯坦测试，还有别的方式吗？

哈萨比斯：有的。我常举的另一个例子是 AlphaGo。众所周知，AlphaGo 在那场比赛的第二局下出了著名的第37手（Move 37）。那毫无疑问是围棋中一种全新的策略，改变了围棋的下法。这很惊人，因为人类下围棋已经有两千多年，它是人类发明的最古老、最复杂的游戏，而 AlphaGo 居然还能发明出新的策略。但我要说的是，这还不够。你真正想要的是，AlphaGo 的某个未来版本能够发明围棋本身。

发明一种像围棋一样深邃、复杂、优雅、美丽的游戏，而不只是在游戏内部想出一种策略。我认为今天的系统还做不到这一点，但未来它们能做到。

睡眠、海马体与 AI 的整合模式

主持人：这是个有点天马行空的问题，但我很好奇。作为一个人，我有时会被某个想法困住，不知道该怎么办，可睡一觉起来，第二天就感觉自己像一千个专家合体。AI 有没有一种「睡一觉再说」的模式？

哈萨比斯：对于人脑来说，这一点已经被确凿地证明了。有一些非常漂亮的睡眠研究：给人们一道题，然后让他们打个盹，哪怕只是小睡一会儿，他们的表现就会好得多，在统计上显著好于没有小睡的人。所以你的大脑在睡眠中确实在做大量工作，其中包括记忆重放（memory replay），也就是把白天或最近发生的、值得关注的事情重新播放一遍，这是海马体在做的事，我的博士研究有一部分就是关于这个。

我认为这个过程的实质，是把新知识以一种优雅的方式整合进你已有的知识里。这自然会带来新的洞见，于是你醒来时会有「啊哈」时刻：「哦，问题解决了。」特斯拉有一句很有名的话，说他会把问题「提交」给潜意识，让它在自己睡着时去解决。他是个才华横溢得难以置信的人，非常古怪，但确实才华横溢。

我认为 AI 也许需要某种类似的东西，一种睡眠模式，或者有时被称为「整合模式」（consolidation mode）：今天看到的所有视觉和输入数据，其中真正有用的只是一小部分，该如何把它们整合进来？像我们今天这样把所有东西全部存进上下文里，是相当浪费的。你要怎样提取出有用的部分，再把它们纳入已有知识，同时又不覆盖原有的知识？

用模拟理解生物、经济等涌现系统

主持人：我记得你博士研究的一个主要发现是，记忆和想象是紧密相连的。你研究了海马体受损的人，发现他们想象场景的能力也下降了。而你做的很多电子游戏，在场景设计上都带有模拟的成分。模拟对 AI 有多重要？现在我们能模拟天气，可其他那些东西要怎么模拟？

哈萨比斯：没错。我们能模拟天气，在某种程度上也能模拟一些生物学过程，我认为将来会做得更好。我很喜欢「虚拟细胞」（virtual cell）这个想法：对一个细胞进行足够精确的模拟，精确到你可以在里面做虚拟实验，而它会告诉你一些真正有用的东西。再往后是材料科学等领域，甚至有一天可以是经济学。我认为模拟会成为我们和 AI 理解世界的一个关键组成部分。因为如果你想理解某种极其复杂的、涌现的东西，不论是生物学还是经济学，这类真正的涌现系统，并且想在当下做出一个好的决策，比如对某种疾病进行干预，或者「我要不要把利率上调半个百分点？那样经济会怎样？」你没法反复做受控实验，因为它本质上是一个现实世界中的涌现系统。

所以，要做出好的决策并收集相关数据，唯一的办法就是跑大量的模拟。这有点像 AlphaGo 用蒙特卡洛方法模拟出大量的走法和计划，然后回溯汇总，看哪一个最好。可以设想，如果你对天气、经济、生物这类复杂涌现系统有大量精确的模拟，就能借此向前推演，然后在当下做出统计意义上的好决策。

主持人：我们现在不能模拟经济吗？

哈萨比斯：我认为不能，太复杂了。有人尝试过，但问题在于，经济大概是所有系统中最复杂的一个，因为它涉及人，人本身已经非常复杂，还涉及公司这样的组织，也就是人的组合，而这些公司又在和民族国家打交道。所以在某种意义上，它是最涌现、最复杂的系统。据我所知，还没有人能对它做直接的模拟。但我认为，有一天你也许能「学」出一个这样的模拟。事实上，我最喜欢的书之一，阿西莫夫的《基地》系列里，有一个人物能够通过汇总人类的群体行为来预测未来，对平均的态势做出判断。当然，没有哪个人类头脑能做到这一点，但 AI 也许可以。

主持人：假设我们有无限的算力，能把当下全世界的信息都输进去，理论上能预测未来吗？

哈萨比斯：我认为你也许能预测当下某个决策的后果。那会是一件梦寐以求的事。在我看来，现在经济学的做法相当临时凑合：经济正在发生这样那样的情况，你手里有几个统计数字，然后就做出了那些巨大的宏观决策，直到后来，也许五年之后，你才会说：「其实那个决策不太好，我们在这里造成了衰退。」

这些都是重大决策，无数人的生计系于其上，可在做决策的那一刻，没有任何办法去检验它。反事实推演极其困难。

主持人：对。

哈萨比斯：所以经济学家和政治家也很难改进。这就是它被称为「社会科学」的原因：它不是严格意义上的科学，因为你无法在完全相同的条件下重复实验，它发生在现实世界里，而且是涌现的。但有了一个非常精确的模拟器，也许就可以了。

AI 是工具还是伴侣：人格与个性化

主持人：这太让人兴奋了。还有一件真正让我兴奋的事，上周我和萨姆·奥尔特曼也聊过：我觉得人们很少想到，AI 可能是人们交谈最多的对象。所以你手里有一个很酷的机会，去重塑一个人的世界观。你的 AI 用什么样的措辞，可以引导一个人变得更乐观、更亲和。你怎么看这件事？哪些人格特质是重要的？

哈萨比斯：我认为这件事必须非常谨慎，因为它显然可能走向糟糕的方向。就目前而言，我们造的是我所说的「非常聪明的工具」：针对用户想要达成的特定目的，极其有用的东西。一旦谈到帮助人处理心理问题之类的事情，接下来的每一步都要小心，因为那更像是一个伴侣了。也许我们将来会想走到那一步，我也能看到它会非常有用，但眼下我认为应当把它们当作极其聪明、极其有用的工具。

主持人：那是不是意味着，现在每个人用的 Gemini 都是同一种人格？

哈萨比斯：是的。不过我们正在引入个性化，昨天 I/O 上你看到了很多这方面的内容，我认为这是用户想要的方向。你不必反复告诉它你是做什么的、你的家庭情况如何。你只是想就某件事得到建议，或者让它帮你做规划、处理事务。个性化显然会让它更有用。

但它仍然可以被看作一件个性化的工具，只是预先装载了大量你希望它掌握的信息，让你不用每次都重复。这显然会很有用。

主持人：考虑到你对人格研究得很深，我有点意外你对这件事没有更兴奋。它看起来是一件很大的事。

哈萨比斯：不，这非常令人兴奋。个性化非常令人兴奋，而如果你指的是系统本身的人格（persona），我们也想得很多。眼下它是隐含在训练过程里的：我们通过强化学习和后训练，确立某些价值观，希望它以某种方式行事，做到有帮助、有用、简洁，诸如此类。然后人们当然会想在这之上叠加自己的个人偏好。

有些人喜欢它更积极一些，有些人喜欢它更直接一些。这更多是一种个人选择，叠加在一个基础人格之上。我认为这方面还需要更多研究。人格研究非常有意思，甚至包括「大五」人格因素之类的东西，也许还有更好的人格模型可以用到 AI 身上。

主持人：很酷的一点是，你们现在做的工作会开启许多新的科学领域。也许会出现另一个科学分支，专门分析人格。

哈萨比斯：正是如此，而且能做得比以前细致得多。我确信这会发生。我现在和学生交流时觉得最令人兴奋的就是这一点：如果他们对眼前的局面有创造性和想象力的思考，会发现有太多科学分支等着被开辟出来，哪怕是很小的分支。

主持人：同意。比如我们能不能造出一种类似 fMRI 的东西，用来理解这台「混沌机器」？

哈萨比斯：混沌机器，正是这样。我认为这里面有太多的机会和潜力。

2050 愿景：后稀缺与走向星辰

主持人：如果你和我穿越到2050年，那会是什么样子？你脑海里的图景是什么？你的梦想是什么？

哈萨比斯：2050年。考虑到现在的进步速度，那是很遥远的事了。但我希望在那样的时间尺度上，我们已经安全地把 AGI 带过了终点线，为人类所用。我们已经想清楚如何演化经济制度，让所有人都能广泛受益于它带来的资源和生产力的增长。

希望到那时我们处在一个后稀缺（post-scarcity）的世界里。在我看来，下一步显然就是人类走向星辰，实现人类最大程度的繁荣。到2050年，我们应该已经在木星的某颗卫星上做这场访谈了，在建造戴森球，真正用人类意识去「唤醒宇宙」，就像卡尔·萨根，以及那样的科学家和作家常说的那样。这方面有很多优秀的科幻作品，比如伊恩·班克斯的《文明》系列。

那将是不可思议的。我认为到2050年，我们应该已经开启那个时代了。

主持人：你是否设想人们会用 AI 给自己的工作加上火箭燃料，同时仍在做传统的事情？

哈萨比斯：我想是的。2050年很远，但在未来十年里，我觉得几乎每个人都能用上最前沿的技术，这本身就很了不起。人们用到的东西基本上只比前沿实验室里的最新成果晚几个月。下一代人将是第一批在 AI 环境中长大的「AI 原住民」。

我非常期待看到他们如何用这些工具来给自己赋能。你能做到的事将会不可思议，那些事在过去需要十人、二十人、三十人、五十人的团队。所以我认为这会释放出大量的创造力。变化会很多，但每当出现大量变化和颠覆，也就意味着巨大的新机会，属于那些有足够想象力和创造力、愿意投身于这些新工具能做之事的人。我认为这就是未来十年左右会发生的事。

凌晨时分的思考与国际合作

主持人：最后一个问题。你以凌晨一点到四点的工作时段闻名。你说过，白天你是 CEO，晚上则更多是做研究之类的事。在那个时刻，你脑子里最常出现的念头是什么？

哈萨比斯：这会有些轮换，取决于我手头有没有一个正在推进的项目，比如 AlphaFold 那样的东西。通常最有意思的，是我自己动手做一个科学项目或研究项目。但其他时候，是在思考下一阶段更偏哲学的问题：如何让 AI 造福世界，领先的实验室之间需要怎样的协作，以及我们如何在 AI 上建立国际标准与国际合作。因为我认为在接下来几年里，这将是极其紧迫的需要。

主持人：太好了。非常感谢你来参加节目。

哈萨比斯：这次谈得很尽兴，我们聊了很多。谢谢。