图片来源：Cleo Abram

Z Highlights:

• AI最好的用途，是改善人类健康。如果真正把这项技术用在科学和医学上，它不仅能解决今天最难的研究问题，也会打开药物发现和疾病理解的一整串下游可能性。

• 我一直把AI看作推进科学和医学的终极工具。对我来说，它不只是一个消费级产品，而是帮助最优秀的科学家处理海量信息、从中找到真正洞见的工具。

• 当我们意识到AlphaFold已经能在几秒内高精度预测结构时，结论其实非常直接：与其搭一个服务器按需返回结果，不如把所有已知蛋白质全部算出来，免费开放给全世界科学家。

• 我们不必等到AGI真正到来，才开始获得AI的好处。完全可以一边谨慎推进更通用的系统，一边先用像AlphaFold这样的专用型系统去治疗癌症、寻找新材料、发现新能源。

• 真正更值得担心的，其实不是一时的热闹，而是两类更大的问题：一类是有人把这些本来用于治病、推进科学和能源的技术拿去作恶；另一类是AI系统本身随着能力增强而偏离轨道。

• 我想把AI当作一种工具，帮助我们理解现实世界的本质。我并不预设答案应该是什么；无论最后答案通向意识、时间、现实还是宇宙本身，我只是想知道答案。

Demis Hassabis博士是Google DeepMind CEO，曾于2024年获诺贝尔化学奖，如今主导着Google最核心的AI研究，也持续推动AI在科学、医学、药物发现与量子计算等方向的落地。本次访谈由《Huge Conversations》主持人Cleo Abram在2026年4月发起，围绕AlphaFold、AlphaGo、AGI、AI安全与人类认知边界等话题展开，呈现了这位AI领军人物对技术未来的系统思考。

不只是聊天机器人：AI正在推进科学、医学与人类认知边界

Cleo Abram：在这场很可能成为我们一生中最大技术跃迁的浪潮里，Demis Hassabis是世界上最重要的人物之一。因为AI影响我们生活的最大方式，并不是我们看得见的那些东西。它不是聊天机器人，也不是图像生成器，而是那些大多数时候对我们不可见的工具：药物设计、自然灾害探测、核聚变、量子计算，而这些工具正是他和他的团队正在打造的。他创办DeepMind时的使命，是“解决智能”这个问题，而起点，只是用来玩电子游戏。后来他把这家公司卖给Google，原因正是Google承诺会让DeepMind专注于科学研究。如今，这一切已经演变成近代史上最激烈的技术竞赛之一，而Demis所负责的事情，也远远不止于此。现在，Google几乎所有AI相关的工作背后都有他的身影。他每天都在做出影响你、也影响数百万人生活的决定。那么，他究竟打算如何使用这份力量？

欢迎来到《Huge Conversations》。非常感谢你接受采访。你也知道，《Huge Conversations》是一种不太一样的访谈。我不会问你财务问题，也不会问你的管理风格，这些别处已经讲得很多了。我希望这场对话能像是我们一起做的一期explainer，帮助大家看清此刻AI到底在发生什么，以及你所看到的未来是什么样的。那你希望在这场对话里聊到什么？

Demis Hassabis：我30多年前之所以进入AI领域，一个很重要的原因，就是想推进科学和医学。我一直认为，AI可能是实现这件事的终极工具。所以我希望我们今天能聊到这些内容，因为这一直是我最有热情的方向——把AI应用到这些事情上。当然，AI也可以应用于很多很多别的领域。这会是一场很有趣的对话。

Cleo Abram：我认为，AI真正对人们生活产生深刻影响的方式，往往恰恰是那些大多数时候对人们不可见的东西。所以我想先从那个为你赢得诺贝尔奖的项目开始。我想把AlphaFold的故事讲出来，包括其中所有的戏剧性，因为有些人可能并不了解它。然后我会很快转到这个科学类别当前最前沿的地方。在这么多可能的方向里，你为什么决定去攻克这个问题？

AlphaFold改写了科研流程：从按需预测一个蛋白到向全球免费开放已知结构

Demis Hassabis：其实我是在剑桥读本科的时候接触到这个问题的。我当时有很多学的是生物学的朋友，其中有一个人尤其痴迷于所谓的“蛋白质折叠问题”。蛋白质是你身体里一切运作的基础。它让生物学成为可能，也让生命成为可能。蛋白质最重要的，是它的三维结构。因为在体内，蛋白质会折叠成某种三维形态，而这种结构决定了——或者至少在很大程度上决定了——它的功能。所以，蛋白质折叠问题，本质上就是：你能不能只凭一维的氨基酸序列，预测出它的三维结构？这是一个持续了大约50年的重大挑战。我喜欢挑战，我喜欢谜题。

从科学角度说，我根本无法抗拒这个问题。有人把它形容成“生物学界的费马大定理”，那谁会不感兴趣呢？而且我第一次听到这个问题的时候，就觉得它在某种意义上非常适合未来的AI来解决——尽管那是在90年代末，当时我们当然还没有任何真正能用来处理这类问题的AI。但我觉得，总有一天会有可能。最后还有一点，就是一旦你真的攻克了它，它能带来的影响会极其巨大。因为它会打开一整串下游研究的可能性，尤其是在药物发现和疾病理解方面。而我一直认为，把AI用在改善人类健康这件事上，是最重要的用途。

Cleo Abram：之所以这对人类健康意义重大，是因为在过去，如果我们想开发新药，就必须花上几十万美元、投入多年的人力，才能通过实验方法弄清一个蛋白质的结构。所以，虽然我们确实已经弄清楚了一些蛋白质结构，但这个过程一直既慢又昂贵。我这里当然跳过了你和你团队所做的大量艰苦工作。但我想说的是，从我提问的方式大家大概也已经能听出来：你们确实把这个问题解决了。一定存在那样一个时刻——你意识到，这个系统不仅真的有用，而且你已经解决了现代医学中最重要的未解难题之一。那是在2021年，你在开一个会。我真的非常庆幸，当时现场有摄像机在拍。因为那是我见过最不可思议的时刻之一。

Demis Hassabis：“我们能不能用AlphaFold去把这个问题彻底解决掉？”

Cleo Abram：我理解那场会原本是在讨论：要不要做一个系统，让科学家提交他们感兴趣的特定蛋白质，然后你们像搭一个网站那样，为他们“折叠”出对应结果并回传给他们。但之后，另一个完全不同的想法冒了出来。你能不能带我回到那场会议，讲讲当时到底发生了什么？因为你的反应太精彩了，我真的很想知道你脑子里当时在想什么。

Demis Hassabis：当然。首先，那天刚好有摄像机在场，这件事本身就很巧。拍摄团队其实很少跟着我们，但偏偏就在那场会，他们在。通常这类预测模型的传统使用方式，是你搭一个服务器，其他科学家把他们感兴趣的蛋白质序列发给你，说：“我在研究这个蛋白，能不能把你预测出的结构发给我？”这个领域过去40多年一直都是这么做的。原因是，大多数预测算法都很慢。也许算一个结构要花几天时间，然后你再把结果通过邮件发回去，接着等下一个请求。但在那场会里，我突然意识到的不只是我们折叠蛋白质有多准确，还有我们算得有多快——快到只需要几秒钟。于是我就开始在手机上做一些粗略估算：科学界目前已知、自然界中已知的蛋白质有多少？大概两亿。我们有多少计算机？还需要多少？如果每10秒折叠一个，会怎么样？然后我就在会议进行到一半的时候突然意识到：我们完全有可能在一年内把它全部算完。

既然如此，我们为什么还要费那么大劲去搭服务器、做数据库、写邮件客户端之类的东西？为什么不干脆我们自己把所有蛋白质全都算出来——把任何人今后可能会请求、可能会需要的蛋白质，全都提前折叠好，然后把它们免费放到一个数据库里，供全世界所有科学家使用？这个想法就是在那一刻一下子击中了我：我们应该直接这么干。现在我们已经可以做到这一点了，那为什么不呢？这显然是更好的方案。

Cleo Abram：你当时在会上的反应大概就是：“我们为什么不直接这么干？这不是好得多吗？显然就该这么做。”然后你们真的这么做了。于是，一个原本极其困难、极其缓慢的关键过程，突然之间变得又快又容易，而且现在正被世界各地的科学家使用。那个曾经巨大的未解难题，现在真的被解决了。我能不能这样说：我们现在已经预测出了几乎所有科学界已知蛋白质的结构？

Demis Hassabis：是的，而且我们还在持续更新。每当有人从海里舀起一桶海水，里面就有各种各样的生物体，然后他们把这些都做测序。自从人类基因组被测序以来，测序技术已经有了数量级级别的提升。所以以前真正拖后腿的是结构生物学——找出这些蛋白的三维结构这件事，远远落后于基因测序。现在有了AlphaFold 2这样的计算工具，我们终于能跟上了。比如，“这是我们刚从某种奇怪新生物里得到的一百万条新基因序列”，那么我们也可以同时给出它们的结构。我们在欧洲生物信息学研究所有一个小团队，持续每年更新当年新发现的所有序列。现在我们始终站在最前沿：基本上，我们都知道这些不同蛋白质结构大概长什么样了。

更让人惊喜的是，这对那些研究相对冷门生物、动物、植物的科研人员尤其有帮助。比如小麦。后来我才知道，很多植物拥有的基因组数据，竟然比哺乳动物甚至比人类还多。它们似乎有多份基因组拷贝之类的情况。植物世界在我看来是一个非常奇异、非常诡异的世界。而那些研究植物的科学家朋友告诉我，他们根本没有像“人类基因组计划”那样的资源。现在，我们能够让他们立刻跳到真正关心的科学问题上：比如研究某些蛋白质，帮助作物更耐受气候变化等等。他们可以直接进入自己真正感兴趣的问题，而不用被“怎么把我关心的蛋白结晶化”这件事卡住。

另一个巨大的帮助对象，是研究被忽视疾病的研究者。这些疾病主要影响发展中地区的人群，比如疟疾、查加斯病、利什曼病等——影响着全球数亿人口。但这些疾病在商业上并不赚钱，所以大型制药公司往往不会投入太多资源去研究和寻找疗法，因为患者主要在更贫穷的地区。因此，这些方向往往被忽视。当然，也有很多了不起的非营利组织在研究这些病，但它们没有很多钱，也没有太多资源。所以，如果我们把与这些疾病相关蛋白质的结构直接提供给他们，那对他们会是巨大的帮助，因为他们就可以直接进入药物发现阶段。

从结构预测到药物设计：AI正在进一步完善生命科学的链条

Cleo Abram：我在做研究时最难搞清楚的一点，就是：有那么一个时刻，全球科学家都可以用AlphaFold了。你能看到地图亮起来，你能看到大家都在用它。但我却不太容易找到一个足够具体、又足够典型的例子，来和你讨论：某位科学家用AlphaFold加快了一个药物流程，而最终这个流程产出的药，今天的我已经可以吃到了。在你看来，最喜欢的一个例子是什么？

Demis Hassabis：现在我们估计，已经有超过300万名科学家在使用AlphaFold，几乎可以说，世界上每一个生物学家都在用了。我曾经碰到一位制药公司的科学家，他对我说：从现在开始，未来几乎每一种新开发出来的药物，可能在研发流程中都会用到AlphaFold。这真的是非常令人震撼——它带来的影响就是这么大。不过，药物发现终究还是需要时间。所以目前我们大多还处在更基础的生物学阶段：先理解疾病本身——我们到底瞄准的是哪一个蛋白质？这是不是正确的生物学机制？据我了解，其中一些药物现在已经进入临床试验阶段。希望在未来几年，我们会真正看到几十种药物在某种程度上都受益于AlphaFold的帮助。

至于我最喜欢的一个“由AlphaFold帮助推动的突破”，其实更偏基础科学。那就是一个叫核孔复合体的东西。它是人体内最大的蛋白质复合体之一，功能非常重要——基本上它就是细胞核的大门，控制营养物质和各种分子进出细胞核。你可以把它想象成一个会开合的大型环状“门”。但直到最近，我们都不知道它长什么样，因为它太大、太复杂了，很难结晶，也很难真正看清它。而AlphaFold发布之后大概六个月到一年内，就有一些团队结合实验数据，终于弄清楚了这个“门”极其优美的结构。对我来说，这太惊人了——这是人体里最大的蛋白复合体之一，而AlphaFold在确定它的结构方面发挥了非常重要的作用。

Cleo Abram：也就是说，也许我们未来可以设计一些药物或治疗方式，以某种方式更好地利用它、接近它？

Demis Hassabis：对，理论上有这种可能。虽然我觉得那个案例更多还是基础生物学上的理解突破。不过，显然我们自己也在做这个方向。我们孵化出了一家新公司，叫Isomorphic Labs。它会在AlphaFold的基础上继续往前走，把它作为整个拼图中的一部分，去大幅加速药物发现。

你知道，平均来说，开发一种药物需要大约10年时间。这漫长得不可思议，需要投入极其巨大的艰苦努力，成本非常高，而且失败率也惊人——只有大约10%的药物最终能走完整个临床流程。如果我们真的想改善人类健康，就必须极大幅度地改善这一点。而我认为，改善的方法就是使用in silico的方式，也就是尽可能在计算机中进行模拟和设计，而AlphaFold 2只是其中一个组成部分。知道一个蛋白质的结构，只是药物发现流程中的一小部分。你还需要大量化学工作，比如：应该设计哪种化合物去和它结合？诸如此类。所以我们正在Isomorphic里构建这些“相邻系统”——你可以把它们理解为与AlphaFold协同工作的系统，可能是更先进版本的AlphaFold，比如AlphaFold 3、AlphaFold 4。我们的目标是端到端地创造这些药物，让它们副作用尽可能少，同时又能极其有效地作用于我们想解决的那类疾病。到目前为止，我们大概已经在推进18到19个不同的药物项目，涵盖从心血管疾病到癌症再到免疫学等非常广泛的领域。我认为，最终这类技术应该能帮助几乎所有治疗领域。

Cleo Abram：我在准备这期节目时，也和你的另一位诺奖共同得主John Jumper做过一次背景采访。他非常强调，AlphaFold只是药物发现这个更大问题中的一部分。这也正好把我们带到了今天真正的前沿。现在的最前沿到底是什么？

Demis Hassabis：我们现在正在构建很多可以彼此组合起来的组件。AlphaFold是其中一个关键枢纽，因为它解决的是蛋白质结构问题。但你想想看，假设你已经知道这个蛋白长什么形状了，也知道蛋白质上哪一部分才是真正执行功能的关键部位。接下来在药物发现中，如果你想阻断它的作用，或者以某种方式增强它的作用，你就要知道：你需要让一个化学化合物结合到蛋白质表面的哪个位置？然后你还要发现一种能准确黏到那个位置上的化合物，并且想知道：它结合得有多强？更重要的是，不只是它能不能结合到你感兴趣的目标上，而是要确保它不要结合到别的东西上，因为如果它也黏到别的蛋白上，那就会产生毒性。那就是我们说的副作用。我们当然希望尽可能减少这些副作用。

但现在，因为我们已经拥有这么多强大的算法工具，我们可以做一种“虚拟筛选”。比如，我们的一套AI系统会设计出一个候选化合物，然后预测它与目标蛋白表面结合的强度。接着，我们还能非常快地检查——比如在几小时内就能完成——这个化合物会不会黏到人体里其他2万种蛋白质中的某些上面。所以我们可以非常迅速地做这件事，然后不断修改这个化合物，让它在其他蛋白上产生的副作用越来越少，理想情况下对其他任何蛋白都不作用，但对我们真正想作用的那个目标蛋白，结合效果越来越强。你会发现，我刚刚其实描述的是一个“自我改进”或者“自我修改”的过程。如果这一切都能在计算机里完成，那它会极快、极高效。到最后一步，你才去做湿实验室验证。当然，你最终还是必须验证。你可以在计算机中做出所有这些预测、完成所有这些搜索，但最后还是要把最终提出的候选化合物放到真实湿实验中去检验，看它是否真的如预测那样表现。但你可以想象，这会节省多少时间：你可以比现在快几千倍，未来甚至可能快上几百万倍地搜索更多化合物。最后只需要验证少数最有希望的结果。这和今天有效上仍然是在湿实验室里完成搜索相比，效率要高得多。

AlphaGenome与CRISPR：AI开始解码那98%不编码蛋白质的基因组区域

Cleo Abram：另一个我很喜欢的项目是AlphaGenome。我还联系了另一位诺奖得主Jennifer Doudna博士——她也上过这个节目。她给你留了一个问题，我现在念给你听。她说：CRISPR，也就是她推动发展的那项基因编辑技术，现在几乎可以靶向任何DNA序列。但对于大多数遗传病，我们仍然没有完全理解，到底是DNA中哪些变化在驱动问题，尤其是在那占全基因组98%、并不编码蛋白质的部分。像AlphaGenome这样的工具，正在开始解码这98%的区域。那么你认为，我们距离这样一个时刻还有多远：AI能够可靠地指出，究竟是哪一个精确的基因变化导致了某位患者的疾病，从而让像CRISPR这样的技术去修复它？

Demis Hassabis：这是个非常棒的问题。其实我也和她讨论过这个。我觉得AlphaGenome真的很令人兴奋。它正是做这类事情的技术：输入很长的基因序列，然后预测——如果你在这个特定位置、这个特定碱基上发生了一个单点突变，它会不会是有害突变，会不会导致疾病，还是它只是良性的、什么也不会发生？而我们刚发布的AlphaGenome，是目前全世界在这方面预测能力最强的系统。所以，这正是你下一步真正想要的东西。如果它未来进一步提升到足够准确的程度，你就可以想象未来版本的AlphaGenome能非常明确地告诉你：哦，问题出在这个特定突变，再加上另一个突变。难点在于：很多疾病是多基因的，也就是多个突变级联在一起才引发问题。这比单个突变更难检测，但也正是AI特别适合帮助处理的那类复杂模式。然后，某一天，也许你就可以再结合CRISPR这样的技术，直接进去修复那个突变，从而解决问题。所以，AlphaGenome和CRISPR这类技术的结合，可能会极其强大。也希望未来有一天，我们能和Jennifer这样的人一起合作推进它。

技术节奏被彻底改写：AI没有更久留在实验室，而是被提前推向公众

Cleo Abram：去年你在接受《卫报》采访时说过一句让我印象很深的话。你说：“如果按我自己的意愿，我本来会把AI更长时间地留在实验室里，多做一些像AlphaFold这样的事情，也许先治愈癌症之类的。”从外部看，整个故事好像是这样的：你创办DeepMind，使命是解决智能，再用它去解决其他一切问题；然后你把公司卖给Google，正是因为他们承诺会让你拥有足够的自由，以这种方式去探索科学；在很长一段时间里，这都是你的唯一重点。接着，ChatGPT出现了，Google拉响了“红色警报”，你成了Google全部AI业务的负责人，包括那些你过去并没有花这么多时间在其上的消费级产品。而我从远处看这一切时，会觉得它某种程度上也映照了更广泛的AI发展：最近这几年发生了惊人的转变。那么，在这种转变中，得到了什么，又失去了什么？

Demis Hassabis：你描述得完全对。你刚才说的那个故事，从内部看，感受也差不多就是这样。正如我前面提到的，对我来说，AI最好的用途就是改善人类健康、加速科学发现。事实上，我最初之所以进入AI，本来就是因为我痴迷于世界上的那些“大问题”——现实的本质、意识的本质，诸如此类。我觉得，我们需要一种工具，帮助我们——甚至帮助最优秀的科学家——去理解外部海量的数据和信息，并从中找到洞见。而这一切现在确实正在发生。显然，AlphaFold是我们在这条道路上的第一个、到目前为止也是最好的表达之一。类似这样的问题，其实还有很多很多。

所以我一直觉得，鉴于AGI的重要性，以及它的变革性——也许会是人类历史上最具变革性的技术——那么，在我们进入打造它的后期阶段时，也就是现在这个阶段，最好的方式应该是：非常谨慎、非常精确、非常深思熟虑、非常严格地用科学方法来推进；让最优秀的科学家们，以一种有点像CERN那样的协作方式，一步一步地走向最终建成AGI的目标，并且确保每一步我们都真正理解了。在我看来，面对这样一种技术，这种方式是最合理的。当然，这可能会花更久的时间。也许会再多花10年，甚至20年。但考虑到我们正在处理的事情有多么重大，我觉得这才是合理的。

同时，我另一个想法是：我们并不一定非要等到AGI真正到来，才能开始获得AI的好处。我们完全可以先构建更多“专用型系统”，它们或许会用到我们为AGI开发的一般性算法，但它们本身并不是通用智能，而是“窄AI”，比如AlphaFold——它只做一件特定的事，而且只做那件事。所以，我们本来可以——而且其实我现在仍然在这样做，比如通过Isomorphic以及很多“AlphaFold式”的系统——一边用一种更谨慎、更科学的方式推进AGI，一边让人类先从这些系统的成果中受益，比如治疗癌症、找到新的能源、发现新材料等等。如果让我从20、30年前自己刚开始这条路的时候往回看，我会觉得，那原本应该是最理想的展开方式。

但事情并没有那样发生，因为技术发展本来就是不可预测的。事实上，后来发现，像“语言”这样的东西，比我们所有人原本预期的都要容易得多——甚至包括我们这些原本就对整项技术非常乐观的人。现在回头看会觉得有点好笑，但当时我们真以为：像语言、概念、抽象这些能力——也就是今天Gemini这样的基础模型做得极好的东西——在实现之前，也许还需要再有一两个、甚至三四个重大突破。但结果是，Transformer——这是我Google的同事们发明的——再加上一些强化学习，似乎就已经足以把像语言这样的东西“攻破”了。我们当时其实也在试这些，其他领先实验室也在试。但后来随着ChatGPT出现——公平地说，OpenAI确实做到了——他们把它规模化了，然后把它放了出来。我想，连他们自己都说，那最开始其实更像是一次科学实验、一次研究实验。他们也没料到它会迅速病毒式传播。我想，我们当时谁都没有想到。

我们那时其实也有差不多水平的系统。只是，当你身处技术开发最前沿时，你太清楚它不能做什么、它有哪些缺陷，所以你不会意识到：原来外面的人，哪怕它还会幻觉、还会犯很多我们现在依然在努力解决的问题，他们也依然会从中找到很多用途。比如总结内容、头脑风暴之类——这些今天大家都在用聊天机器人做的事。

当然，这样也有好处。第一，进展会更快。如今进展真的是快得像闪电一样。所以对所有“好的用例”来说，这当然是件好事。第二，所有观众、所有人，现在都能亲自用上最前沿的AI技术——可能只比实验室里真正最前沿的版本落后3到6个月。这本身就很令人难以置信。这也很好，因为它让每个人都可以亲身体验和前沿AI互动是什么感觉，知道它能做什么、不能做什么。我认为这对整个社会是件好事，因为它帮助大家逐步适应即将到来的巨大变化。相比于从“完全没有AGI”一下跳到“某一天突然有了AGI”，更渐进地让大家逐步接触这些系统，可能会更健康。还有最后一个我觉得也属于好处的点：你其实不可能在几百万人真实使用之前，就完全理解自己的系统。无论你的内部测试做得多好，让几百万聪明的人去尝试、去折腾、然后观察哪些问题浮上来、他们给出什么反馈，这对构建更鲁棒、更好的系统都非常重要。

所以，我觉得现在这条路既有好的一面，也有不好的一面。它并不是我多年前梦想中的那种路径——大家围绕这件事从哲学层面审慎思考，非常谨慎地走好每一步。我们现在不在那个世界里。不过，虽然我首先是一名科学家，但我同时也是一个务实的工程师。所以，我们必须接受世界现实的样子，然后尽最大努力在这个现实中把事情做好。我们现在做的，就是一方面继续推进前沿，另一方面在部署像Gemini、AlphaFold这样非常强大的技术时，尽可能做到负责任。

AlphaGo的第37手改变了一切：AI第一次以人类没见过的方式赢下复杂博弈

Cleo Abram：与此同时，另一条故事线也在展开。我还想回到你所担心的问题，回到你如何权衡那些担忧和对应代价。但在那之前，我觉得我们得先讲另一个故事：一个关于AI如何展现出极强创造力、甚至出人意料得疯狂的故事。而这个故事，就从这块木块开始。让我们回到2016年3月10日。当时，一位非常著名的围棋选手坐下来，与一个由你设计的系统对弈。在那之前，计算机已经在各种游戏中击败过人类，但围棋很特别，因为围棋中可能的走法比宇宙中的原子还多。双方一来一回地下着，然后你的系统下出了一手棋——它之所以震撼，是因为它极不可能是人类会想到的走法。第37手。你可以看到李世石坐在那里，一脸震惊，双手抱着头。我觉得，那真的是一个时刻——像你这样的人，在那一刻看见了AI中一种不同于我们前面谈到那些系统的“创造性前景”。有一类AI，是给它大量数据，让它做新的预测；当然我知道这是一种简化。但还有另一类，是你给它规则，比如数学、物理、或者围棋这样的游戏，然后它会在这些规则空间里展现出惊人的创造力。当时那一刻发生时，你人在哪里？你从那一刻看到的未来是什么？

Demis Hassabis：你描述的那个时刻，确实非常不可思议。而且，现在回头看，那几乎已经是10年前的事了——感觉却像过去了一个世纪。我其实认为，那在很多意义上就是现代AI时代的黎明。因为在那之前，也有很多AI程序能够在游戏中击败世界冠军，比如国际象棋。但那些是所谓的“专家系统”。也就是说，一群聪明的程序员和一群聪明的国际象棋特级大师坐在一起，试图把特级大师脑中的知识蒸馏成一整套规则和启发式，然后程序员再构建一个系统——像IBM当年用Deep Blue击败卡斯帕罗夫那样——依赖巨大的计算力，在超级计算机上把这些由人类专家提供的规则和启发式封装进去。然后系统再“傻乎乎地”执行这些规则，进行数以百万计的搜索，再根据这些启发式去推算哪一步最好。

而对我来说，这并不令人满意。我90年代读本科时看到这一类系统，就觉得：这不是真正意义上的AI。因为像Deep Blue这样的系统，当然，它在国际象棋上达到了世界冠军水平，但它什么别的事情都做不了。它不仅做不了语言、机器人之类的事，甚至连比国际象棋严格更简单的游戏——比如井字棋——它都不会玩。所以，这里面显然有什么不对劲。因为你不可能想象一个人类国际象棋大师学不会井字棋。这不合理，因为井字棋是严格更简单的任务。所以，问题就在于它的泛化能力非常差，而且它并不是“学会”的，而是别人把答案给了它。如果你问，像Deep Blue这样的系统里，智能到底存在于哪里？答案是：不在系统里。智能存在于国际象棋大师和程序员的大脑里。是他们把国际象棋这个问题解决了，然后再把解法实现出来。程序本身只是“傻傻地”执行解法而已。

而围棋，正如你刚才说的，是游戏领域里的最后一块高地。它是人类发明过的最复杂的游戏，也是最古老的游戏之一，本身就非常了不起，而且非常优美。在亚洲——中国、日本、韩国——围棋基本上占据了和西方国际象棋相对应的智力高地，但它又是一种更直觉化、更像艺术的游戏。你下出某些很美的形状，而这些形状恰恰会非常强。也正因为如此，这个游戏总带有一种近乎神秘的意味。顶尖棋手会说，围棋像是把宇宙的奥秘都封装进了这个游戏里。再加上它原始复杂度之高——围棋的局面数大约是10的170次方，比宇宙中的原子数量还多。这意味着，你根本不可能像对国际象棋那样，通过蛮力穷举去解决围棋。而且，因为围棋太直觉、太玄妙，所以你也很难把它归纳成那种可以轻易封装给机器遵循的规则。

你去问一位围棋大师：“你为什么下在那里？”和国际象棋大师不同，他们往往会说：“感觉对。”国际象棋大师可不会这么说。他们会说：“因为我算到了这一步、这一步、再这一步。”而那种“感觉”，显然很难直接写进程序里。你无法直接编程出那种直觉。所以，围棋是我们在DeepMind早期所开创的那些新技术——深度强化学习——的完美试验场。问题是：你能不能构建一种系统，让它直接从经验中学习？在AlphaGo里，AlphaGo一开始先看了互联网上所有人类下过的棋谱，学习人类通常会下什么样的棋。但同时，我们在它之上叠加了蒙特卡洛树搜索，让它能够从人类已有知识的基础上，继续去探索“知识之树”中新的分支，继续往前走。而这正是我们原本希望它发生的事。

所以，那场比赛真正神奇的地方在于——后来大概有2亿人观看了这场比赛——我们不仅赢了，这当然是首要目标，而且在第二局里，它下出了那个著名的第37手。那是一手充满创造力的棋。它下在棋盘第五线，而且还是在开局早期，在围棋里这几乎是个大忌。如果一位围棋老师教你下棋，你这样下，他会拍你的手，说你不能这么下，因为大家都觉得那是坏棋。但问题是，那不仅是一手好棋，而且它最终帮助AlphaGo赢下了那盘棋。大概在100手、200手以后，那颗子恰恰出现在了决定胜负的关键位置上。仿佛它早就预见到了未来，才把那颗子放在那里。所以，它不仅仅是一手令人惊讶的棋，更是后来决定全局的关键一手。当然，这也改变了所有围棋棋手后来下棋的方式。但对我来说，那一刻真正重要的是：我们花了6年构建这样的学习系统，而终于，它做到了过去任何系统都做不到的事——征服游戏AI的“珠穆朗玛峰”，也就是“能不能击败围棋世界冠军”这个终极前沿。更重要的是，它不仅赢了，而且赢的方式就是通过第37手这样的创造性新想法。而对我来说，那正是一个信号：我们已经准备好把这些方法转向科学问题了，比如AlphaFold。

从AlphaZero到AlphaTensor、AlphaChip：AI不只会预测，也会在规则空间里寻找新解

Cleo Abram：我想确认一下我是不是理解对了。之所以让想要理解未来的观众理解“第37手”和围棋这件事如此重要，是因为它意味着：如果DeepMind能构建一个做到这件事的系统，那么它也许就能构建一个能玩任何游戏的系统；它也许也能构建一个系统，在现实世界的问题里——比如量子计算、核聚变、矩阵乘法，或者芯片设计——去找出最佳解法。你能不能给我讲讲，这个方向今天的前沿是什么？你随便挑一个系统讲讲：其中“像第37手那样”的惊人、创造性的部分到底体现在哪里？

Demis Hassabis：我觉得AlphaZero很适合讲。它可以被看作是AlphaGo的进化版本。在我们赢得围棋、登顶这个领域、证明系统确实能在围棋中想出像第37手那样的新点子之后，我们进一步把这套思想泛化成了一个叫AlphaZero的系统。我认为，AlphaZero最终会被证明是一个极其重要的系统——甚至对今天也依然如此。因为在AlphaGo里，我们一开始用的是人类已经下过的所有棋谱；此外，还有一些围棋特有的东西被硬编码进系统里，比如棋盘的对称性等等。但我们想把这些假设统统拿掉，让系统真正从零开始，仿佛算法一开始根本不知道自己要做什么。这就是AlphaZero里“Zero”的意思：它像AlphaGo，但把所有人类提供的知识——无论是数据层面的，还是规则启发式层面的——都移除了。

AlphaZero一开始就像一块白板。当然，它本身还是一个学习系统，有神经网络，我们设定好参数，但没有给它任何关于围棋或其他游戏的领域知识。然后我们测试它的第一件事，就是：它能不能从零学会围棋，并打败AlphaGo？结果我们做到了。整个过程大概经过17轮“自我演化”。你可以这样想象：AlphaZero一开始是随机的。它只知道游戏规则，所以一开始当然下得很差。它先和自己下10万盘棋，生成自己的数据集。然后，它就能看到：哪些走法最后赢了，哪些输了。尽管最开始几乎是随机乱下，但总会有一些走法比另一些稍微更好一点。于是，它拿着这10万盘棋的数据，训练出“版本2”。版本2比版本1稍微好一点。这时候它虽然不再是随机了，但也仍然不算强，只是能下出“还行”的棋。然后，这些“还行”的棋又比完全随机好，再拿来训练出版本3、版本4……每一轮，新系统都会和旧系统对弈，看看它是否显著更强。结果发现，至少在围棋、国际象棋这类问题里，大概只需要16到17代，就足以从随机水平提升到超过世界冠军。

以国际象棋为例，我曾经亲眼看着这个过程实时发生，因为我自己也下棋，所以非常着迷。系统早上开始训练时还是随机乱下；到了中午，我勉强还能和它抗衡；到了下午茶时间，它就已经比所有特级大师都强；到了晚饭时间，它已经超过世界冠军了。而你就这样亲眼看着它从零完成了整个进化过程。更惊人的是，它下出的棋风非常新颖，连像Stockfish这种传统更接近专家系统、蛮力搜索型的国际象棋引擎，也没有发现过这些类型的新走法。

所以，AlphaZero是对AlphaGo思想的彻底泛化。而有意思的是，我认为今天在基础模型时代，我们实际上又需要把这类思想带回来。像Gemini这样的模型，你可以把它们看成是针对“一切”的通用模型——不仅是一个像围棋那样的狭窄游戏，而是语言、世界本身。但在这些模型之上，我们依然需要“搜索”“思考”“推理”的能力。有时候我们把这类模型称作“世界模型”。而我认为，怎么在这些世界模型之上真正实现有效的搜索与推理，这个问题今天还没有被完全解决。也就是说，要把AlphaGo式的思想重新带回来，只不过这一次不是应用到一个单独的游戏里，而是应用到整个世界模型上。

而且，也许还可以应用到科学中很多地方，比如材料设计、芯片设计、量子计算等等。你看，这里有这么多木块，真不敢相信我们居然真的同时在做这么多事，但这确实是真的。这也正是梦想所在：我热爱几乎每一个科学分支，而AI作为一种通用工具，真的可以对所有这些领域产生巨大影响。所以我得以“放纵”自己去涉猎这么多不同的科学方向。随便举一个例子：新材料设计。如果我们想得到一种具有特殊性质的材料，我们能不能超越今天材料科学已知的范畴，去找到全新的设计？我认为，AlphaGo式的过程对这件事就会非常有帮助。

Cleo Abram：所以，与“第37手”等价的那个时刻，可能就像AlphaTensor找到了一个让矩阵乘法更高效的新算法。

Demis Hassabis：完全正确，正是这样。而且最令人兴奋的是，你其实是在“算法空间”里应用这一点。这意味着算法本身会变快，于是就形成了某种循环式的自我改进。比如AlphaTensor，它只是把矩阵乘法提升了几个百分点，但你要知道，神经网络的基础几乎全部都是矩阵乘法。如果这件事哪怕只快5%，在如今整个行业花费数百亿美元训练模型的背景下，那都是巨大的成本节约。同样的逻辑也适用于芯片设计。比如一块芯片上怎么把元件布局得尽可能高效，怎么走线，这本质上有点像旅行商问题，是一种NP-hard的问题：你如何用最短路径把所有东西都连接起来？像AlphaChip这样的系统，在处理这类问题上，有时已经比人类芯片设计师还要好。所以我会说，我们现在只是刚刚开始触碰未来几年可能发生之事的表面。今天这些更通用的系统，再结合AlphaGo、AlphaZero里这类思想，我觉得它们会重新回来，而且会带来非常巨大的变化。

政府一定会使用AI：更大的风险来自滥用与更强智能体的失控问题

Cleo Abram：从AlphaFold开始的那条故事线，从AlphaGo开始的那条故事线，这两类AI都让我感到非常乐观。但我也认为，真正的乐观一定是认真去思考事情可能如何出错，以及我们能做什么来防止它出错。所以我想把另一块木块也插进来。之所以提这个，是因为它是一个实时战争游戏。而在那些系统把人类打得毫无还手之力的视频里，你可以看到工程师们在为自己系统的胜利欢呼。但当然，作为一个没有构建这套系统的人，我心里想的是：如果这是真实世界呢？而我们此刻谈话的这个时间点，正处在一个关于军队和政府使用AI的讨论极其热烈的时期。我希望这场对话在未来10年都还有意义，所以我不想讨论具体公司、也不想讨论具体服务条款。而且我觉得，在某种程度上，人们现在有点“只见树木，不见森林”了。因为从更大的图景看，各国政府一定会使用AI。所以，我真正想问的是：作为一个构建这些系统的人，如果你能挥一挥魔法棒，你会希望他们把AI用来做什么？

Demis Hassabis：首先，我认为政府应该使用AI。我们希望支持所有民主选举产生的政府。而我最希望看到他们使用AI的地方，是像改善公共卫生、改善教育这样的方向。这些领域都需要被重新思考。AI能带来的效率提升，以及它能为公民创造的公共价值，可能是惊人的。我觉得有些国家已经在这样做了，比如新加坡和阿联酋，它们就在积极拥抱这些用例。我也很希望看到AI被用在能源领域，比如优化电网。我们曾经在自己的数据中心这样做，结果仅冷却系统的能耗就降低了30%。我认为，把AI大规模应用到这些领域，会给整个社会带来巨大的收益。这一直是我所想象的方向，也是我希望政府会真正去使用AI的地方。而我们也愿意支持这些事情。

当然，现实世界的地缘政治非常复杂，而这些技术又是典型的“双重用途技术”。所以，我确实担心几类问题。如果从更大的图景来看——正如你说的，很多人会陷在细节里——但我认为真正需要担心的，大致有两类。第一类，是坏行为者。无论是个人，还是国家行为体，他们会把我们本来试图用于善的这些技术——比如治病、推进材料科学、推进能源——重新拿去做有害的事，无论是有意还是无意。第二类，是AI系统本身失控、越界，随着它们越来越强大而偏离轨道。

这还不是今天系统的状态，但也许在未来2、3、4年，尤其是当我们进入越来越强的“智能体时代”时，这会变成真正的问题。所谓“智能体”，就是那种能够自主完成整项任务的系统。我们当然想要这种东西，因为它们会非常有用，比如作为助手。但与此同时，这也意味着它们会越来越有能力、越来越自主。所以，问题就变成：作为前沿实验室之一，我们以及其他前沿实验室，要如何确保这些系统拥有足够牢固的护栏？如何确保它们真的只会去完成被明确告知的目标，而且这些目标本身足够清楚？如何防止它们绕开这些护栏，或者意外突破这些护栏？如果你去想象这些系统未来会变得多么强大、多么聪明、多么有能力，你就会意识到，这其实是一个极其艰难的技术挑战。

所以我真正担心的，更多是这两类问题。虽然3到4年严格说来根本算不上“中期”，但它们已经是现在这个阶段我觉得大家没有给予足够关注的事情了。而且我认为，如果我们真的要以对人类有利的方式走过AGI这个时刻，这些将会是我们必须认真面对的最大问题。

Cleo Abram：是的，我今天来见你时，脑子里最大的一个问题就是：下次当我再看到一条相关新闻标题时，我该如何权衡？在未来30年里，人们会担心很多事情——哪些是大家担心得过头了的？哪些又是大家担心得还远远不够的？

但说到底，我还是认为，这类问题与那些更大的问题相比，规模要小得多。真正更大的问题还是：当AGI本身变得非常强大时，我们如何确保它受到约束？我们如何真正理解这些系统随着接近AGI会具备什么能力？在这方面，我认为全行业都需要投入更多研究、更多努力。而且我非常希望看到国际合作，看到领先实验室之间围绕这些安全问题进行合作，也包括与AI Safety Institutes这样的机构、与学界合作，一起想清楚我们该如何走好下一步。因为打造这样一种技术，是人类从未经历过的事。

人类还特殊吗：意识、图灵机与现实本质仍是悬而未决的问题

Cleo Abram：如果我们继续把这件事往下推演，它的极限会是什么？你觉得，有哪些事情是人类能做而AI做不到的？你曾经把这称作你一生的核心问题。

Demis Hassabis：是的，确实如此。而且这和我很多科学偶像的思考非常相关，比如艾伦·图灵。图灵提出了图灵机的概念，那是一种理论构造，而现代计算机本质上都可以看作图灵机——也就是说，它们可以计算任何“可计算”的东西。凡是可以被描述为算法的，就能被这种机器计算。而我认为，我们正在构建的系统是“近似图灵机”。而很多神经科学家——包括我自己——也认为，也许人脑的一个不错模型，就是一种近似图灵机。于是问题就变成了：那它的极限到底是什么？当然，也有人持不同看法，比如我的朋友Roger Penrose。他认为，大脑中也许存在某种量子效应。我们围绕这个问题进行过很多非常友好的辩论。不过到目前为止，神经科学还没有发现大脑中存在量子效应。当然，这不意味着未来不会发现。但就目前而言，人们已经相当认真地找过了，还是没有发现。所以看起来，大脑里大多数运作更像是一种经典计算。如果是这样的话，那最终AI系统能做到什么、能模仿什么，好像就没有一个特别清晰的上限。

不过，我认为这最终是一个经验问题。就像“意识”一样——我觉得它本身并没有被很好地定义，但我们每个人都直觉地知道它是什么。而我觉得，我们现在踏上的这段“构建一个智能造物”的旅程，某种意义上会给我们提供一场关于人类心智的“对照实验”。在这个过程中，我们会慢慢看清：什么才是真正不同的，什么才是心智独有的。我对此保持非常开放的态度。我认为，确实有可能存在一些独特的东西。尤其是人与人之间的某些独特连接，也许永远不会被这些AI系统复制。但很多今天我们还觉得遥不可及的能力，比如长期规划、推理，甚至某些形式的创造力，我认为最终AI系统都是能够做到的。

Cleo Abram：我想坦白说一下我此刻脑子里正在发生什么。那就是：我正在做一件人类历史上一直都在做的事——我试图找出“我们为什么是特殊的”。“我们一定得是宇宙的中心。”——哦，等一下，我们不是。“那我们一定是情感上最细腻的生物。”——哦，等一下，大象也会举行葬礼。“那我们一定是能够创造艺术、具备创造性的那个存在。”——哦，等等，Gemini好像也可以。就是这种感觉：“不，我们一定得是特殊的。”当你描述这样一个未来时，你自己会不会也有这种反应？

Demis Hassabis：我觉得我们确实是特殊的。而且我认为，关于宇宙如何运作，仍然有很多深层的谜团——包括我们心智中的很多东西，也包括物理学中的很多东西。其实，这正是我小时候决定要做AI的原因。我小时候在学校里就沉迷于那些“大问题”。那时我最喜欢的学科其实是物理，因为如果你关心终极问题，通常大家会觉得你应该去学物理。但我在十几岁时读了很多科学书、很多伟大科学家的传记——像Richard Feynman就一直是我最崇拜的人之一——然后我逐渐意识到：虽然我们已经发现了很多，也知道了很多关于世界的事情，但我们仍然有太多太多不知道的东西。比如，我们甚至不知道“时间”到底是什么。这对我来说一直非常疯狂。我们就浸泡在时间里，可它究竟是什么？当然，你可以说它和熵有关等等，但这些答案在我看来都不真正令人满意。再比如，我们仍然没真正理解量子效应和引力如何统一，也没真正理解意识。

我觉得，那些我们最在乎的东西，恰恰有很多都还没搞懂。只是，大多数人好像会靠电视剧、游戏之类的东西，把自己整天分散掉注意力，不去太认真想这些问题。但我从来不是那样的人。这些深层的谜团一直都在我脑子里挥之不去。所以，我对最终答案到底会是什么保持非常开放的态度——关于究竟发生了什么，关于现实的本质。说到底，那才是我真正想追求的东西。而我希望把AI作为一种工具，帮助我们理解围绕我们的现实究竟是什么。无论最后答案是什么，我都可以接受。我想，这或许说明我确实是一个真正的科学家——我并没有预设自己想得到什么答案，我只是想知道答案本身。

如果AGI安全到来：它会先破解一批科学根问题，再把人类带向更远的未来

Cleo Abram：还有一种说法可以概括你正在做的事情：你并不是想造出一个只特别擅长这一项或那一项的系统，而是——正如你一直在说的——想造出AGI，通用人工智能。

Demis Hassabis：对，一个什么都擅长的系统。

Cleo Abram：我知道你很喜欢科幻，我也是。你能不能给我讲讲你脑海里的那部科幻电影剧情：在那个未来里，你真的把这件事做成了。

Demis Hassabis：当然。我也很爱科幻，甚至可能小时候看得太多了，也许这能解释很多事情。我最喜欢的一套作品之一，是Iain Banks的《文化》系列。我觉得它其实描绘了一个非常有意思的“后AGI世界”——虽然他没有用AGI这个词，但本质上讲的就是这个。那故事设定在一千年后，但我觉得其中一些事情，甚至在50年内都可能发生。前提是：我们安全地穿过了AGI这个时刻；它被构建出来，并真正有利于社会；它已经存在，也许甚至就在我们的口袋里；而且我们已经用它去攻克了我所谓的一些“根节点问题”。AlphaFold就是其中一个。如果你把所有知识想成一棵树，那么这些就是那些一旦被攻克，就能解锁整整一大支研究或应用的“根节点问题”。我认为还有很多其他问题也是这样，比如我们刚刚提到的核聚变，或者在常压下实现室温超导。如果这些再结合更优的电池技术等等，我相信，能源问题最终会被解决。也就是说，我们会拥有几乎免费的、可再生的、清洁的能源——不管是通过核聚变，还是更先进的太阳能。

而一旦解决了这一点，它就会真正解锁“走向群星”的能力。像Elon通过SpaceX做了很多了不起的事，但航天的最大成本仍然是燃料，也就是能量成本。如果那个成本因为我们攻克了核聚变而几乎变成零——比如我们可以从海水中制造几乎无限的火箭燃料，我们可以到处建催化工厂、海水淡化设施——那就真的会把太空彻底打开。之后，我们还能获得更多资源，因为我们可以去开采小行星。这些今天还属于科幻的事，我觉得在未来50年里都会变得非常现实。比如围绕太阳建戴森球；或者水星——它恰好就在一个合适的位置，而且材料组成似乎也很适合做这类工程——如果你仔细想想宇宙竟然是这样安排的，会觉得非常惊人。而这一切最终应该会通向人类最大程度的繁荣：我们治愈各种可怕的疾病，人们活得更久、更健康；我们走向群星，把意识带到银河系的其他地方。我觉得，那会是一个非常了不起的结果，而且我认为，它可能在未来50年内发生。

Cleo Abram：当你说这些的时候，我会觉得……我好像真的会相信你。

Demis Hassabis：至少，这就是我想努力去做的事。

如果最终被记住：希望那会是“这一生对人类有益”

Cleo Abram：这是我最后一个问题。如果有一天，在我自己的葬礼上，大家在说完“她爱她的丈夫、她的家人、她的朋友”之后，我希望他们还会说：她用自己的一生去帮助人们看见那些乐观的未来，让他们能够参与其中，推动它们更快发生，或者让它们变得更好、让更多人受益——总之，让人们能够对自己所看到的愿景采取行动。所以，我最后想问你的是：你希望人们将来会怎么评价你？

Demis Hassabis：我希望他们会说，我这一生对人类是有益的，是在为人类服务。我想，这就是我正在努力做的事。所以，如果最终能这样被记住，那也许就是最好的评价。

Cleo Abram：非常感谢你今天的时间。

Demis Hassabis：谢谢你，真的很有意思。

原视频：The Hardest Problem AI Ever Solved, with Google DeepMind CEO

https://www.youtube.com/watch?v=C0gErQtnNFE

编译：Yancheng Liu

请注意，本文编译自文未载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。