AI进化倒计时:当 AGI 成为现实,普通人拿什么赢在终局?

过去一年，行业的焦点普遍集中在参数规模的膨胀与海量数据的训练上。面对不断突破极限的上下文窗口，许多人默认通向通用人工智能（AGI）的唯一路径，就是算力与模型体量的持续叠加。但技术演进的真相果真如此单一吗？

剥离参数竞赛的喧嚣，真正的技术质变正悄然向更务实的方向发生：一方面，极致的模型蒸馏技术正在将庞大的前沿能力压缩至设备端，以极低的延迟和成本催生出生产力的指数级跃升；另一方面，AI正逐步摆脱“被动响应文本”的局限，演变为能够自主探索底层生物与物理规律、甚至未来有望提出原创假说的科研引擎。

当前沿共识明确将AGI的落地倒计时拨至二十年内，这场注定会在我们这代人生命中途爆发的技术变革，已然超越了单纯的软件交互范畴。当人工智能的终极使命指向重塑真实物理世界的基础科学，我们目前的商业逻辑与应用框架，是否已经做好了迎接全局性颠覆的准备？

【读书笔记】

1.  AGI的最终架构已初具雏形，但在记忆机制和持续学习上仍存在严重短板；现有的百万Token上下文窗口本质上是信息的低效堆砌，导致系统在检索关键决策内容时成本极高；与人类大脑能在睡眠中通过经验重放优雅地整合新知识不同，当前的AI在面临新环境时缺乏情境适应能力

2.  强化学习在当前的大模型浪潮中被严重低估，构建具备自主规划能力的智能体（Agent）才是通向AGI的必经之路；从早期的雅达利程序到AlphaGo，前沿AI的本质都在于能够自己设定目标并主动进行决策；如今前沿大模型中的“思维链”推理，实际上是对早期强化学习思路的回归

3.  极致的模型蒸馏技术使得小模型具备了极其重要的战略级商业价值；研发团队能够将庞大的参数迅速压缩，用十分之一的成本实现前沿模型约95%的性能，从而将工程师的开发效率提升了千倍；这种轻量化模型不仅能大幅降低试错与迭代的成本，更是满足海量用户并发需求的核心手段

4.  跨学科结合的“深科技+AI”模式具备最强的商业护城河，AI的终极使命是成为解决科学“根节点问题”的终极工具；以AlphaFold为代表的应用已经渗入新药发现的各个环节，研发团队目前更是在致力于构建耗时十年的完整“虚拟细胞”；面对不可逆转的技术趋势，创业者应当避开仅在大模型外部套一层API的脆弱商业模式

5.  下一代AI的发展标尺，将从单纯的“模式匹配解题”全面跃升为真正的“原创科学发现”；当前的系统在面对无现成模式可套的复杂前沿问题时依然无力，距离实现深度的类比推理还有明显的技术差距；为此，作者提出了“爱因斯坦测试”，即考察一个知识库停留在1901年的AI能否自主推导出狭义相对论

本文编译自2026年5月1日发布于Stratechery的专栏，原链接：

https://podcasts.apple.com/us/podcast/demis-hassabis-on-building-deepmind-alphafold-and/id1750736528?i=1000764822395

以下是原文的全文翻译，enjoy!

注：正文中标蓝部分为读书笔记的对应原文

【正文】

Demis Hassabis：持续学习、长期推理，还有记忆的某些方面，这些仍然没有解决。我觉得要实现AGI这几样全都少不了，当然也要看你自己的AGI时间线预估，大概是二三十年左右。如果你从今天开始走一条深科技的路线，就必须考虑到AGI可能会在这段路程的中途出现。这不一定是坏事，但你必须把它纳入考量，你需要一个能主动替你解决问题的系统，才能真正到达AGI。所以智能体（Agent）就是那条路，我觉得我们才刚刚开始。

Garry Tan：Demis的职业生涯在科技圈里算是最不寻常的之一。他小时候是国际象棋神童，17岁就设计出自己的第一款热门电子游戏《主题公园》。之后他又回到学校拿了认知神经科学的博士学位，发表了对大脑记忆和想象力运作方式的基础性研究。然后在2010年，他联合创立了DeepMind，使命只有一个：解决智能问题。我个人认为，从那以后，他们真的做到了。他的实验室接着做出了许多人们以为还要几十年才能实现的事情。

AlphaGo击败了围棋世界冠军，AlphaFold破解了蛋白质结构预测——这是生物学上长达50年的重大挑战，而且他们把它免费提供给了全世界的每一位科学家。这项工作让他去年获得了诺贝尔化学奖。今天，Demis领导着Google DeepMind，正在打造Gemini，并朝着他十几岁时就定下的同一个目标前进——通用人工智能（AGI）。有请Demis。你思考AGI的时间比几乎任何人都长。当你审视当前的大规模预训练、RLHF、思维链这些范式时，你觉得AGI的最终架构我们已经拿到了多少？目前还根本缺什么？

Demis Hassabis：首先感谢Garry，感谢这段精彩的介绍，很高兴来到这里，谢谢你们的欢迎。这个空间真的太棒了，我觉得我以后会常来，在这样的地方工作，真的很受启发。关于你的问题，你刚才提到的那些组件，我相当确信它们会是AGI最终架构的一部分。我觉得它们已经走得非常远了，我们也验证了它们能做的很多事情。我很难想象再过两三年，我们会突然意识到这是个死胡同。这对我来说讲不通。但在我们已经知道有效的这些东西之上，可能还缺那么一两样。比如持续学习，长期推理以及记忆的某些方面，这些都还没有解决。另外怎么让系统在所有方面都更加稳定一致也是难题。

我觉得要实现AGI这些全都需要，有可能现有的技术只要再加上一些创新或渐进式创新，就能扩展到那个程度。但也有可能仍然有一两个重大的想法需要我们去突破。我猜如果真是那样，这种重大想法的数量不会超过一两个，我自己下的赌注是这种情况发生的可能性大概五五开。当然在DeepMind，在Google DeepMind，我们两方面都在做。

Garry Tan：我想这确实是我在和一堆智能系统打交道时，最让我觉得疯狂的就是它们竟然能一遍又一遍地用同一套权重。所以持续学习这个概念就特别有意思。因为你看我们现在基本上是在用胶带东拼西凑把它们搭起来。比如夜间的睡眠梦境循环之类的东西。

Demis Hassabis：这确实挺酷的。说到梦境循环，我们以前常常从记忆巩固和情节记忆的角度来思考这个问题。其实这正是我博士论文研究的内容。海马体是怎么工作的？又是怎么把新知识优雅地整合到现有知识库里的？大脑在这方面真是做得太出色了，它主要是在睡眠中完成这种整合，特别是像快速眼动睡眠这样的阶段，会重放那些重要的经历，让你能从中学习。事实上我们最早的Atari程序DQN能够精通雅达利游戏的方法之一，就是通过经验重放。我们算是从神经科学里借来了这个想法，反复回放成功的轨迹，那已经要追溯到2013年了。

现在回头看简直就是AI的远古时期，但那个突破非常关键。我也同意你说的，我们现在有点像是在用胶带凑合，把所有东西一股脑塞进上下文窗口里。但这确实有点不太让人满意，对吧？而且尽管我们是在造机器，不是生物大脑，所以理论上你可以有百万甚至上千万长度的上下文窗口或记忆，而且可以是完美记忆。但你在里面查找信息、找出对当前具体决策真正相关的内容，仍然是要花成本的，而这个成本并不小。即便你理论上能把一切都存下来，我觉得在记忆这类领域的创新空间其实还非常大。

Garry Tan：是啊，最疯狂的地方在于百万Token的上下文窗口其实已经容量已经非常大了。

Demis Hassabis：老实说，对于大多数应该使用它的场景来说，确实已经很大了。你可以把上下文窗口想成相当于工作记忆。人类的工作记忆只能容纳很少几个数字，可能平均就七个。我们现在已经有百万甚至千万长度的上下文窗口了。但问题在于，我们现在试图把所有东西都塞进去，包括那些不重要的事情、错误的东西。这种做法太蛮力了，感觉不太对劲。另一个问题是，如果你是一个需要实时处理视频的实体（Agent），只是简单地把所有Token原样录下来，那其实100万个Token并不算大，大概也就20分钟。所以如果你想要一个系统能理解你在一两个月的生活里发生了什么，那就需要更大的容量了。

Garry Tan：DeepMind在历史上一直很侧重强化学习和搜索，比如AlphaGo、AlphaZero和MuZero，这套哲学有多少真正嵌入了你们今天构建Gemini的方式里？强化学习是不是依然被低估了？

Demis Hassabis：是的，我觉得很有可能是被低估了。人们对它的关注总是起起伏伏。要知道我们从DeepMind成立之初就在研究智能体了，而且我们当年也公开说过，这就是我们在做的事情。所以所有那些Atari的工作，尤其是AlphaGo，本质上都是智能体系统。我们用这个词，指的是系统能够自己完成目标，能主动做决策、制定计划。

当然我们当时是在游戏的领域里做，因为这样更容易把控，然后逐步挑战越来越复杂的游戏。比如AlphaGo之后又做了星际争霸，有了AlphaStar，我们基本上把市面上所有游戏都打了个遍。再往后的问题当然就是：你能不能把这些模型泛化成世界模型或语言模型，而不只是简单的游戏模型，甚至复杂游戏模型？这正是过去几年我们在做的事情。但实际上你可以把我们现在做的很多东西——包括所有那些带思考模式和思维链推理的领先模型——都看作是AlphaGo当年开创的那套思路的某种回归。

我其实觉得我们当年做的很多工作放到今天仍然非常有意义。我们也在用更通用的方式、更大的规模去重新审视那些旧有想法，包括像蒙特卡洛树搜索之类的方法，去增强我们现在已经在做的强化学习。我认为AlphaGo和AlphaZero的很多思路跟我们今天的基础模型现状真的密切相关。而且未来几年我们会看到的很多进展都会来自这些地方。

Garry Tan：我有一个问题很明显，现在要想让模型越来越聪明，就需要越来越大的模型。但我们也看到蒸馏技术很管用，然后较小的模型可以快很多。我觉得你们团队那些Flash模型就非常出色，你会发现它们能达到前沿模型差不多95%的水平，价格却只有十分之一。

Demis Hassabis：是这样吗？我觉得这是我们的核心优势之一。你确实需要打造最大的模型来拿到前沿能力。但我认为我们最擅长的是能非常迅速地把那种能力蒸馏和压缩到越来越小的模型里。很明显我们算是发明了这种蒸馏过程。像Geoffrey Hinton他们这些人，我们至今还是这个领域的世界级专家。而且我们也有巨大的需求去做这件事儿。因为我们得服务也许是最庞大的AI用户界面。除了搜索中的AI概览（AI Overviews）等模式之外，还有Gemini应用。

现在谷歌的每一款产品，像地图、YouTube等等，都越来越多地融入了Gemini或相关技术。这意味着几十亿用户以及十几个超过10亿用户的产品，这些服务必须被极其快速、高效及便宜、低延迟地提供。所以这就给了我们非常强的动力去把Flash模型，甚至更小的模型（比如Flash-8B模型）做得极其高效，希望这最终对在座各位的很多工作负载都能真正有用。

Garry Tan：我很好奇这些小模型到底还能聪明到什么程度？蒸馏过程有没有极限？比如一个500亿或4000亿参数的模型，能像今天那些前沿核心模型一样聪明吗？

Demis Hassabis：我不觉得我们已经碰到了什么信息密度的极限，至少目前我们中还没有人知道是否存在这样的极限。也许未来有一天确实会有一个我们无法突破的信息密度边界。但目前我们的假设是，比如我们的一款前沿模型或Pro模型发布之后，过个半年到一年，你就能在那种非常小、几乎能跑在设备端的模型里看到同样的能力。你也能在Gemma模型上看到一些这种优势。希望大家喜欢我们的Gemma模型，我觉得就它们的体量而言，性能真的非常惊人。所以这又用到了大量的蒸馏技术，以及怎么在小模型里实现高效率的理念。因此我真的不觉得我们现在遇到了什么理论极限，我觉得离那个极限还相当遥远。

Garry Tan：这真是个好消息。因为我们现在看到的一个比较奇怪的现象是，工程师们如今完成的工作量可能是六个月前的500到1000倍。在座的人里，有些人的工作效率差不多是——我记得Steve Yegge提到过——大概是2000年代一个谷歌工程师的1000倍。

Demis Hassabis：是的，1000倍，这非常令人兴奋。小模型的好处很多，一个是成本，但更关键的是速度，它能让你迭代得快得多，尤其是在编程这类场景里。如果你是跟系统协同工作的话，很多时候你其实并不需要百分之百的前沿能力。像你刚才说的95%、90%就完全够用了。而省下的那点能力差距，你靠迭代速度就能赚回来还有余。另外一个很重要的点是在设备端运行这些模型，除了效率因素，还有隐私和安全方面的考量。想想看，未来你可能在各种设备上运行处理非常私人信息的系统。

还有机器人领域。比如你家里的机器人，你会希望有非常高效、非常强大的本地模型，同时可能由云端的一些更大的前沿模型来协调。你只在特定情况下才把任务交给云端，相机的视频流也许就全部在本地处理并留在本地，我觉得那会是一个非常好的终局状态。

Garry Tan：回到上下文和记忆的话题，目前的模型是无状态的，但如果是持续学习的话，对开发者来说，使用一个持续学习模型的体验究竟会是怎样的？比如该怎么去引导它呢？

Demis Hassabis：我觉得这真的很有意思。目前还没有持续学习能力，这是阻碍智能体完成完整任务的关键之一。它们在任务的某些环节上已经很有用了。你可以把好几个智能体拼起来做出很酷的东西，但它们对自己所处的上下文适应得并不好。我觉得这正是缺失的那一环。你没法把它们放出去就不管了、让它们自己搞定一切。它们需要去学习你要把它们放进去的那个具体环境。所以我觉得我们必须攻克这一点，才能实现完全的通用智能。

Garry Tan：推理方面现在怎么样了？模型能做出非常厉害的思维链了。但有些聪明的本科生都不会犯的错，它们还是会犯。具体需要改变什么？你对推理能力的进步有什么预期？

Demis Hassabis：我觉得思考范式上还有很多创新空间，可以说我们现在做的事情还比较原始，比较蛮力，可以想象的空间很大。比如去监控思维链，或者在思考过程中间进行干预。我常常感觉不管是我们的系统，还是竞争对手的系统，它们都好像想太多了，几乎陷入了某种循环。比如我有时候喜欢跟Gemini下一下国际象棋，你会发现所有顶尖的基础模型下棋都很臭。这挺有意思的，不过去看它们的思考痕迹非常棒。因为下棋的思路是很好理解的。我能很快看出它是不是跑偏了，也能很清楚地判断它的思考到底有没有用。

我们实际看到的是，有时候它会考虑某一步棋，也意识到那是个臭棋，但又找不到更好的走法，于是又回到内部，棋还是走了出去。在一个非常精确的推理系统里，你根本不应该看到这种事。所以我觉得差距还是挺大的。不过要修复这些差距可能只需要一两个调整。我先说清楚，当然这些差距还挺明显的，这也是为什么会出现这种“锯齿状智能”（Jagged Intelligence）。一方面它能在国际数学奥林匹克竞赛里解出金牌级难题，超级难；但另一方面我们也都见过，只要换个问法，它还是会犯基础的小学数学错误或者基本的推理错误。所以我总觉得它对自己的思考过程缺少一种反省。

Garry Tan：智能体现在特别火，有些人会说这是炒作，但我觉得它们才刚刚起步，这简直太疯狂了。DeepMind的内部研究告诉你，目前智能体的真实能力到底处在什么水平，跟外面的炒作相比怎么样？

Demis Hassabis：我同意你，我们确实才刚起步。要迈向通用智能，你必须有一个能主动帮你解决问题的系统，这一直是我们的共识。所以智能体就是那条路，我们才刚上路，我们所有人都在摸索怎么跟它们协作最好。你做了很多个人实验，在这方面引领了潮流。我看到很多人也一样，关键是怎么把它融入你的工作流，让它不只是一个锦上添花的东西，而是开始去做那些根本性的事情。我的印象是目前大家还在大量试错，可能只是最近一两个月才开始找到真正有价值的地方。而且现在这项技术可能才刚刚好到能支撑这一点。就是说它不再是个玩具式的演示，而是真的能为你的时间和效率增加价值。

我经常琢磨，我看到很多人一开就是几十个智能体，跑上40个小时。但我不确定看到的产出是否真对得起那样的投入。不过我觉得会来的。所以我认为我们还处在实验阶段，我们还没看到哪款商业级游戏是纯靠提示词编程做出来，然后霸榜应用商店的，对吧？我见过、我自己也编程，我相信在座很多人都做过一些很棒的小演示，那确实很惊艳。我现在半小时就能做一个《主题公园》的原型，而我17岁的时候得花六个月，这真的很让人难以置信。我甚至觉得如果我花一整个夏天去打磨，我能做出非常厉害的东西。但它仍然需要手艺，需要人的灵魂和品味。

我觉得这是你在构建任何东西时都必须带进去的，这也表明现在还没完全到位。因为如果到位了，为什么我们还没看到一个小孩用这些工具做出一款卖出1000万份的热门游戏呢？考虑到投入的精力，这应该是能做到的。所以还是缺了什么？也许是流程，也许是高级工具。我不太确定，你们可能比我更清楚，因为你们肯定都在大量实验，但我还没看到那个结果。那个“一旦技术真正发挥全部价值就会到来”的结果，我认为会在未来6到12个月内出现。

Garry Tan：有些问题在于里面有多少会是自主的。相比来说，我是说我觉得我们不会先看到完全自主。我们更可能先看到在座各位以1000倍的效率工作。

Demis Hassabis：那才是你该先看到的。然后你们中的很多人，比如游戏公司或别的公司，会用这些工具打造出某种畅销应用、畅销游戏，那就是你该先看到的景象。然后更多的环节会逐步自动化。

Garry Tan：我的意思是有些情况下背后是有人的，然后那个人还不愿意说是智能体做的。

Demis Hassabis：我觉得部分原因可能在于我们接下来要聊的创造力。我常这么说，看看我们做过的AlphaGo，大家肯定都知道第二局里著名的“第37手”。对我来说，我一直在等同等量级的时刻，来启动像AlphaFold那样的科学项目。所以我们从首尔回来的当天就启动了AlphaFold，那已经是十年前的事儿了。今天活动结束后，我就要去庆祝AlphaGo十周年。但是仅仅下出“第37手”是不够的。那步棋很酷也很有用，但它能发明围棋吗？我想要的是一个能发明围棋的系统。

如果你给它一个高层次的描述：“一款你五分钟就能学会规则，却要花好几辈子才能精通、具有美学美感的游戏，而且一个下午就能下几盘。”你可以想象我会给出那样的描述，然后我希望返回给我的就是“围棋”。很显然今天的系统还做不到。所以问题是为什么？我觉得那里还缺了点什么。

Garry Tan：在座的某个人说不定能做出来。

Demis Hassabis：那么答案可能就是：其实什么都不缺，只是我们使用系统的方式问题。这也许真的是答案。也许我们今天的系统是能做到的，只要有一个足够有才华、有创造力的人来使用它，注入项目的灵魂，并且对工具足够熟悉，几乎达到人机合一的境界。我可以想象，如果你整天整夜地实验这些工具，就像在座很多人正在做的那样，再结合真正深度的创造力，是可以做出更不可思议的东西的。

Garry Tan：换个话题聊聊开源或者说开放权重。最近你们发布了Gemma，在做那种能力强、开放可获取而且能在本地运行的模型，这对你来说意味着什么？AI会变成掌握在用户手里的东西，而不是主要待在云端吗？这会不会改变谁能用这些模型来构建东西？

Demis Hassabis：总的来讲，我们是开源和开放科学的坚定支持者。你一开始提到AlphaFold，我们把它完全免费公开了，而且直到今天，我们所有的科学研究都还在顶刊上发表。我们想做出在各个尺寸上世界领先的模型，希望我们通过Gemma做到了。我们非常坚定地走这条路，也希望你们都能去实验、去构建、享受使用Gemma。好像到现在才两周半，下载量就已经4000万了，我们特别兴奋。而且我也认为在开源上有西方的技术栈很重要。

显然很多中国模型都非常出色，不过我们目前在开源上还是领先的，而且我们认为Gemma在各个尺寸上都很有竞争力。对于我们来说，这里有个资源、人才和算力的问题，没有人有那么多闲置算力能同时做出两个最大尺寸、又各具不同特性的前沿模型，这非常难。不过就目前而言，我们决定那些用于安卓手机、智能眼镜和机器人的边缘模型最好是开放的。因为一旦部署到终端上，它们本来就容易受到攻击，那还不如索性完全开放。所以我们在所谓的纳米尺寸级别上统一了这个策略。这对我们来说战略上也讲得通，我们希望尽可能多的人在上面构建，当然我们自己也会这样。

Garry Tan：上台之前我给你看了我的那个萨曼莎（Samantha，《Her》电影）版本，就是电影里的那个对吧？天，给你演示东西真的让我紧张死了，非常酷，而且它成功了，太棒了。Gemini从一开始就是多模态的，我花了很多时间用这些模型，我是说上下文的深度，还有直接用语音给模型配合工具使用，真的没有别的能比，实际上它就是最好的。

Demis Hassabis：是的，我觉得这仍然是Gemini系列一个有点被低估的方面。我们从一开始就把它做成多模态的，这反而让起步阶段更困难了一点，比如相比只专注文本；但我们相信从长远来看，我们会从中获益。现在我们在世界模型构建之类的事情上就看到了这一点。比如我们在Gemini基础上构建的Genie模型，我觉得这对机器人技术会非常重要。这就是为什么很多在座各位可能玩过的Gemini Robotics，我认为就会建立在多模态基础模型上，也就是机器人模型。而且我们觉得Gemini在多模态方面这么强势，是我们的一个竞争优势。我们在Waymo等产品上已经越来越多地使用它了。

而且如果你想象一下那些会跟着你进入现实世界的设备和数字助手，比如在你的手机、眼镜或其他设备上，它需要理解你周围的物理世界，懂得直觉物理，理解你所处的物理环境——这正是我们的系统极其擅长的事情。我想你也发现了，这就是为什么你喜欢在你的设备上使用它。我们计划继续深耕，我认为在这类问题上我们是最强的模型，遥遥领先。

Garry Tan：推理的成本正在快速下降，当推理几乎免费时会有什么可能？这又会如何改变你们团队实际优化的方向？

Demis Hassabis：我不确定推理会变得几乎免费，有那个“杰文斯悖论”（Jevons Paradox，效率提升反而增加资源消耗）之类的效应存在，我觉得我们最终都会用尽所有能拿到的算力。你可以想象数百万个智能体，一群一群的智能体协同工作，这是使用推理的一种方式。或者你也可以想象单个智能体或者小型群体从多个方向思考，然后再做集成。我们现在就在实验这些方式，可能你们很多人也在做。所有这些都会用掉所有可用的推理资源，也许有一天成本可以接近零。

尤其是能源方面，如果我们解决了核聚变、超导或者理想电池之类的问题，我相信借助材料科学，我们能做到能源成本几乎为零。但芯片的物理制造和其他方面还会有瓶颈，至少未来几十年还会这样。如果这样的话，推理侧还是会有资源配给，大家还是得高效地使用它。没错。

Garry Tan：幸运的是越来越小的模型正变得更聪明，这很棒。没错，我们在座有很多生物和生物技术领域的创始人，我能看到几位。AlphaFold 3让我们超越了蛋白质，覆盖了广泛的生物分子。我们离对整个细胞系统进行建模还有多远？还是说这个根本就是个更难、自成一类的问题？

Demis Hassabis：我们分拆出来的Isomorphic Labs是在DeepMind做出AlphaFold之后成立的，现在进展非常棒。它在做的不仅仅是AlphaFold——AlphaFold只是药物发现流程中的一块——我们真正是去做邻近的生物化学和化学，设计出具有正确特性的合适化合物等等。很快我们会有一些重大公告发布，我觉得这方面进展真的很好。最终你是想要一个完整的虚拟细胞。

我在很多次科学演讲中都提过：一个能扰动并输出接近实验结果的、全工作状态的细胞模拟，只要足够有用，对吧？你可以跳过大量搜索步骤，生成海量合成数据来训练其他模型，然后去预测真实细胞的情况。我觉得我们离一个真正的完整虚拟细胞大概还有十年。我们正在DeepMind科学团队里从一个虚拟细胞核开始，因为它相对自包含。所有这类问题的窍门在于：你能否切分出复杂度的某个可处理切片？最终我们当然想模拟整个人体，但你能模拟到合适的详细程度吗？你能切出哪一块使其足够自包含、能近似输入输出，然后只专注于这个自包含系统？所以细胞核从这个角度看很有意思。另一个问题是还没有足够的数据，所以你需要数据。

我和一些顶尖科学家聊过，他们是做电子显微镜和其他成像工作的，如果能够在不杀死细胞的情况下对活细胞成像，那将是改变游戏规则的。因为那样我们就能把它转变成一个视觉问题，而我们恰好知道怎么解决视觉问题，对吧？但现在至少据我所知，还没有任何技术能在动态活细胞上给你纳米级分辨率，却不破坏细胞，让你能看见所有相互作用。你当然可以拍下那种分辨率的静态图像，现在已经能拍得非常精细了，但这还不足以把它直接变成一个复杂的视觉问题。所以这有可能通过硬件驱动、数据驱动的方式解决，或者我们也可能构建更好的学习这些动态系统的模拟器，那就是更偏建模的解决途径。

Garry Tan：你一直在关注各类科学，不只是生物，还有材料科学、药物发现、气候建模、数学。如果让你排个名，未来五年哪个科学领域会经历最剧烈的变革？你的榜单上会有什么？

Demis Hassabis：这些都很令人兴奋。这对我来说一直是我的主要热情所在，也是我整个职业生涯三十多年来研究AI的原因。把AI当作终极工具——我一直认为AI会是用来推进科学、增进科学发现、促进医学和我们对宇宙理解的终极工具。实际上提到我们最早阐述使命的方式，现在依然是这样思考的。

它分两步：第一步解决智能，也就是构建AGI。第二步用它去解决其他一切问题。我们后来不得不稍微调整了这个说法，因为人们总问“你们真的去解决其他一切问题吗？”我们确实是那个意思。我觉得现在人们开始理解那意味着什么了。具体来说，我指的是解决科学中我所谓的“根节点问题”，就是那些能解锁全新发现分支的领域。AlphaFold就是一个典型范例，展示了我们想做什么。现在全球超过300万研究人员，几乎全世界每一个生物学研究人员都在用AlphaFold。有制药公司的高管朋友告诉我，从今以后，几乎每一种新药的发现过程都会在某个环节用到AlphaFold。这是我们非常自豪的事情，也是我们期望用AI产生的影响。但我觉得这只是个开始，我真的想不出有任何科学或工程领域AI无法提供帮助。你提到的那些领域，我觉得我们正处在类似AlphaGo爆发的那个“临门一脚”时刻，我们有非常可观的结果，但还没完全解决该领域的那个重大挑战。不过我想在接下来几年，我们会有很多可以谈的，涵盖所有那些领域。从材料科学开始，一直到数学。

Garry Tan：在科学上我是说，这感觉就像普罗米修斯之火，就好像有了这种能力。

Demis Hassabis：我也这么认为。当然伴随着普罗米修斯的寓言，我们也必须小心我们怎么使用它，用它来做什么，以及这些工具可能被滥用的情况。

Garry Tan：这个房间里很多人正试图创建公司，把AI用到科学上。在你看来，一家真正推动前沿的初创公司和一家只是在大模型外面包一层API然后自称“AI for Science”的公司，区别在哪里？

Demis Hassabis：让我想想，我会给出的一个建议是——我记得你之前也跟我提过——假如我今天坐在你们的位置上，在YC（Y Combinator）看项目必须做的一件事是：你得预判AI技术的发展走向。这是困难的部分之一。但我确实认为，把AI的发展方向跟某个其他深度技术领域结合起来会有巨大的空间。我觉得那个结合点非常有价值，不管是材料、医药还是其他特别困难的科学领域。我认为这种跨学科的团队，特别是还涉及原子世界的那些，至少在可预见的未来，不会轻易被基础模型的下一次更新给淹没。所以如果你正在寻找这类方向，这会是我认为更具防御性的领域。我一直钟爱深科技，所以我天然偏向深科技的东西。

我觉得真正持久和有价值的事情没有容易的，所以我总被深度技术所吸引。显然AI在2010年我们刚开始的时候就是这样的，对吧？那时候投资者跟我说，我们知道AI行不通。甚至学术界也认为这是一个很偏门的课题，说我们在90年代试过，知道它不行。但是如果你有信念，坚信自己的想法，为什么这次不同？或者你拥有哪些特别的背景组合最好？比如你在机器学习和你所应用的另一个领域，这两个方面都是专家；或者你能组建一个具备这些专长的创始团队，那你就能在那里创造巨大的影响，建立巨大的价值。

Garry Tan：这是一个非常重要的信息，人们很容易忘记。一旦你做成了，大家觉得也就那样了；但在你做之前，人们是成群结队地反对你的。

Demis Hassabis：当然没人相信。所以我认为你还必须投身于你真正充满热情的事情。对我来说，不管发生什么，我都会研究AI。我从很小的时候就认定这是我能想到的最具影响力的事情。结果确实如此，但也可能不是。也许我们早了50年，但它还是我能想到的最有趣的事情。即使今天我们还在某个小车库里，技术还没有完全跑通，我依然会继续研究AI。我可能会回到学术界或是别的什么，但我总会找到办法继续做下去。

Garry Tan：那么AlphaGo算是你追求并成功实现的一个尖峰。一个科学领域要适合出现Alpha系列或者是突破，需要具备什么条件？有没有某种模式或者特定的目标函数在起作用？

Demis Hassabis：我是该抽空写下来，我从我们做过的所有Alpha项目，尤其是AlphaGo和AlphaFold上学到的经验是：现有的技术在面对那种可以描述为“巨大组合搜索空间”的问题时特别有效。这个空间越大越好，大到没有任何暴力计算或特例算法能解决。围棋的走法是如此，蛋白质的不同构象也是如此，两者的可能性数量都远超宇宙中的原子数量。然后你需要有一个明确的目标函数，比如说蛋白质里就是最小化自由能，在围棋里就是赢得棋局。你需要清晰地定义目标函数，这样才能进行爬山式优化。接着需要足够的数据，或者一个能生成大量分布内合成数据的模拟器。如果这些条件都成立，我认为用今天的方法你就可以走得很远，在干草堆里找到你所要的那根针。

顺便说一句，我把药物发现也看作同样的问题，对吧？一定存在某个化合物，只要我们能找到它，就能治好某种疾病，而且没有副作用。只要物理学允许它存在，问题就只是如何高效地在可计算的时间内找到它。我认为AlphaGo首次展示了这些系统可以找到那样的“干草堆里的针”，在那例子里就是完美的一步棋。

Garry Tan：我想稍微再拔高一层，我们在谈论人类用这些方法创造AlphaFold。但还有另一个元层次，就是人类用AI去探索可能假设的空间。我们离那种能做真正科学推理的AI系统——而不只是对数据进行模式匹配——还有多远？

Demis Hassabis：我认为我们已经很接近了，我们正在研发这类通用系统。比如我们有像 AlphaGeometry / AlphaCode 等各类专攻推理的系统，还有像AlphaFold这样的算法，能做到一些基础版Gemini做不了的事。当然所有前沿实验室也都在尝试类似的方向，但到目前为止我还没看到任何东西，大家其实都在摆弄差不多的东西。比如一些比国际数学奥赛稍微难一点的题目之类的。我还没见过任何一个真正意义上的重大发现，这只是我个人的看法。不过我觉得它快来了，可能跟咱们之前聊的创造力和超越已知边界有关。到了那个程度，它显然就不再是简单的模式匹配了，因为根本就没有现成的模式可套。而且它比单纯的外推还要更进一步，它需要某种类比推理的能力。我觉得现在的系统还不具备这种能力，或者说至少我们还没用对方法来让它做到。我常拿科学来打比方，它能不能自己提出一个真正有趣的假说，而不只是去解题？当然我所说的解题，比如解决黎曼假设之类的，这本身就已经非常了不起了，或者是千禧年大奖难题中的任何一个。也许我们距离攻克它们也就还有几年时间。

不过我个人最想解决的是P对NP问题。但比解出难题更难的是：提出一组全新的“千禧年大奖难题”，而且得让顶尖数学家都觉得这些问题足够深刻、有意义，值得花一辈子的时间去研究，对吧？我觉得这又是另一个量级的难度了，而且我们到现在还不知道该怎么做。我并不觉得这有什么魔法，我确实相信这些系统最终能做到。也许我们还缺一两个关键的东西。我们可以用这样一个测试来验证，我有时候管它叫“爱因斯坦测试”：你能不能训练一个知识库截止到1901年的系统，然后看它会不会自己提出爱因斯坦在1905年提出的东西，包括狭义相对论，他的“奇迹年”，它能做到吗？我觉得我们可以做做这个测试，也许我们真应该不断去试，看能不能成功。一旦它能做到了，我就觉得我们离发明真正全新事物的临界点不远了。

Garry Tan：好，最后一个问题，在场各位都是技术大牛，肯定有人想做点跟你们所创造的东西规模相当的事儿。毕竟这是全球最大的AI项目之一。而你在前沿探索了这么多年，我想在座的每一个人都从心底里深深感谢你和DeepMind团队，谢谢你一直走在这种最前沿做建设。你现在明白了哪些事，是你希望自己25岁时就能懂得的？

Demis Hassabis：我觉得前面其实聊到了一些，比如你会明白，去攻克那些又难又深的问题，在某些方面并不比做那些浅显、简单、表面化的问题更难。它们只是难的地方不一样罢了，各有各的难点。但我认为人生特别短，你的时间和精力都有限，还不如把自己的生命力投入到那些“如果你不做，就不会有人去推动”的真正能改变世界的事情上。你就从这个角度去想。另外，如我们之前聊过的深科技，我特别喜欢跨学科的工作。我觉得未来几年就会越来越普遍地去组合不同领域，找到它们之间的连接点。而且有了AI，做这件事会变得更容易。

我唯一还想补充的一点是，根据你相信的AGI时间线——我自己的预估大概是二三十年左右。如果你今天踏上一段深科技的征程，在我看来真正的深科技通常需要走十年，那你现在就不得不去考虑：AGI可能会在你走到一半的时候突然出现。这意味着什么？这倒不一定是什么坏事，但你必须把这个因素考虑进去。你能利用它吗？AGI系统又会拿它来做什么？这有点回到你刚才提到的AlphaFold和通用AI系统的话题。我能预见到的一个场景是，像Gemini这样的通用系统，会把AlphaFold这类的专用系统当成工具来用。我不认为我们最终会把它做成一个巨大的超级大脑。因为如果我把所有的蛋白质数据都塞进我们的Gemini里，这完全没道理。我们不需要让Gemini去折叠蛋白质，再回到你那个信息效率的概念，这绝对会对它的语言能力或者别的能力产生负面影响。我觉得更好的办法是有真正强大的通用系统，能够调用模型工具。它们甚至可以去训练那些专用工具，但这些专用工具是跑在一个独立的系统里。

我觉得想想这里面的含义，以及你今天应该去构建一些什么会很有意思，也包括物理世界的东西，比如你会去建什么样的工厂，设计什么样的金融系统等等。所以你需要非常认真地把这些东西想清楚，一边要想象那个世界会是什么样子，一边去构建一些“哪怕AGI在你走到一半时降临，依然能派上用场”的东西。