Demis Hassabis：我们已经走了通往AGI的四分之三路程
摘要
DeepMind创始人Demis Hassabis在红杉AI峰会上分享了他近三十年的AI旅程。从15-16岁就制定"最终创建像DeepMind这样的公司"的计划，到通过游戏产业曲线推进AI发展，到2009年独具慧眼地将当时鲜为人知的深度学习与强化学习结合——他一直是孤独的先行者。Hassabis回顾了他两次创业经历中最关键的教训：要在领先时代5年而非50年——他早期尝试模拟整个国家的游戏Republic因为过于超前而失败，深刻塑造了他后来的判断力。他透露DeepMind的原始使命宣言从未改变：第一步解决智能问题（即构建AGI），第二步用它解决一切其他问题。他认为整个领域正按2010年预测的"20年使命"基本准时推进。在AI for Science方面，他分享了AlphaFold之后最令他兴奋的方向：AI模拟（simulations）——通过运行成千上万次高度精确的模拟，将经济学等原本难以进行受控实验的"人文科学"转变为真正的科学。他还提出了一个深刻的宇宙观：信息可能是比物质和能量更基础的宇宙本质。关于AGI时间表，他的预测一直保持在2030年左右，而他打算用AGI之后的时间去回答《现实的结构》（The Fabric of Reality）一书中提出的深层问题。
正文
一条贯穿始终的共同线索
当主持人指出Demis Hassabis的人生轨迹似乎由彼此无关的碎片组成——象棋神童、游戏公司创始人、神经科学家、DeepMind创始人——Hassabis给出了一个令人震撼的回答："我让它们变成了一条共同线索。"从十几岁时他就认定AI是他能做的最重要和最有趣的事情，然后系统性地选择学习和从事那些他认为最终将帮助他建立像DeepMind这样的公司的事情。这个计划从15-16岁就开始制定了。
他曾暂入游戏行业，因为在90年代那是最前沿科技的聚集地——不仅AI，还有图形技术，尤其是我们现在都在使用的GPU。他创作的所有游戏，从Bullfrog的《主题公园》（当时卖出了1000多万份）到他自己的Elixir Studios作品，都以AI作为核心游戏机制。看到数百万玩家与AI互动并感到愉悦，坚定了他在AI领域投入整个职业生涯的决心。神经科学则提供了对大脑工作原理的理解和算法灵感。
第二家创业公司的惨痛教训：超前50年等于失败
Hassabis分享了创立Elixir Studios期间获得的最重要教训：你要领先时代5年，而非50年。他的团队尝试开发一款名为《共和国》的游戏，模拟整个国家——玩家可以通过各种方式推翻独裁者，游戏模拟了数百万人口的活生生的城市。但这是在90年代末，运行在Pentium处理器上的家用电脑上。目标过于远大导致了公司的失败。
这个教训深刻地塑造了他的方法论：一个创意如果对所有人来说都已经显而易见，那就太晚了；但如果你超前50年，那也几乎没有成功的可能。在恰到好处的时机提供恰到好处的领先——这个原则也同样适用于他后来判断AI发展时机的逻辑。
2009年的秘密：在无人相信时押注AGI
2009年，当几乎所有人——包括学术界最前沿的研究者——都对"强AI"嗤之以鼻时，Hassabis和他的小团队相信自己掌握了秘密配方。他们看到三个关键要素正在汇聚：深度学习刚刚在学术界被Geoffrey Hinton等人发明（但几乎没人意识到它的重要性），强化学习有巨大的潜在进步空间（这两个领域几乎从未被真正结合在一起），以及GPU计算能力的迅猛增长。
更重要的是，Hassabis完成神经科学博士后研究后，和一群计算神经科学家一起，相信大脑中存在足够多的算法原理可以借鉴——包括强化学习可能最终扩展至AGI的直觉。当时在MIT和剑桥这样的传统AI中心，"老式AI"方法仍然是主流，但Hassabis已经不认为这些方法有前途。他和团队几乎像是"秘密守护者"——不管学术界或工业界是否相信，他们确信自己有一条不同的路径。"如果我们失败，至少我们以不同于前人失败过的方式失败。"
DeepMind的原始使命：从未改变的两步计划
Hassabis透露了DeepMind成立时的原始使命宣言，从未改变：第一步——解决智能问题（即构建AGI）；第二步——用它来解决一切其他问题。这个双重使命既包含了对AGI作为"终极工具"的信仰，也包含了对AI作为理解人类心智本身的"比较对象"的期待——作为神经科学家，他需要一个分析工具和一个可以与之进行对照实验的系统。
将AI直接应用于科学突破的耐心也令人印象深刻：AlphaGo战胜李世石已经过去十年（恰逢峰会当月），而几乎就是AlphaGo比赛归来的第二天，DeepMind正式启动了"AI for Science"项目。Hassabis一直在等待算法足够强大、理念足够通用的那个时刻——对他来说，攻克围棋正是那个时机的标志，证明这些思想已经准备好被应用于真实世界的重大科学挑战。
AI驱动的药物发现革命：从数年到数天
当被问及AI何时在生物学中产生类似语言和编程领域的突破时刻时，Hassabis的回答令人振奋："我们已经有过这样的时刻——AlphaFold。"蛋白质折叠是一个长达50年的重大挑战，而AlphaFold在2020年解决了它。但这只是药物发现过程中的一部分。
Isomorphic Labs正在构建相邻技术——在生物化学和化学空间中自动设计能够精准结合到蛋白质目标位点上的化合物。Hassabis描绘的梦想是：将99%的探索工作（包括所有失败路径）都在计算机模拟（in silico）中完成，只保留最后一步湿实验室验证。如果实现这一目标，药物发现的时间可以从平均10年下降到几个月、几周甚至几天。这将使得所有疾病都变得可以攻克，个性化医疗——基于基础药物的个性化变体——也将成为可能。
AI模拟：将"人文科学"转变为真正的科学
Hassabis对AI模拟（simulations）的热情几乎贯穿整个对话。他的所有游戏不仅是AI驱动，更是模拟驱动的。他认为模拟是解决那些无法进行受控实验的学科——如经济学和其他"人文科学"——的关键工具。
这些学科之所以无法成为像物理学那样的"硬科学"，是因为它们的系统是"涌现性的"（emergent），极难进行重复受控实验。你不能"将利率提高半个百分点，然后在真实世界中运行上千次来观察结果"。但如果你能构建一个高度精确的模拟器，你就可以从中进行严格的采样和实验。DeepMind已经用GraphCast和WeatherNext等项目证明了AI模拟的威力——他们拥有世界上最准确的天气模拟器，速度远快于气象学家使用的传统方法。
Hassabis认为机器学习是描述涌现性、动态复杂系统（如生物学）的"完美语言"，就像数学是物理学的完美语言一样。在生物学中，有海量数据、大量弱信号、无数弱相关性——远超任何人类大脑可以分析的程度，但其中确实存在着关键连接和因果关系。机器学习恰好是解决这类问题的天然工具。
信息：宇宙最底层的本质？
Hassabis提出了一个基于他长期科学哲学思考的观点：信息可能是比物质和能量更基础的宇宙本质。这与传统物理学家的认知方向相反——传统认为能量和物质是首要的，但Hassabis认为以信息作为第一性理解世界是更好的方式。如果这一观点成立，那么AI作为信息组织和处理的工具，其深层意义将远超我们目前的想象。
关于图灵机能否计算一切的问题，Hassabis给出了一个有趣的观点：AlphaFold证明了经典计算系统可以通过正确的方法来近似量子系统（蛋白质折叠）。原本人们可能认为必须考虑所有量子效应才能准确预测蛋白质结构，但事实证明经典系统可以达到近似最优解。这可能意味着很多被认为需要量子计算才能解决的问题，如果以正确的方式思考，可能在经典系统上就可处理。
从工具到智能体再到意识：分步走
Hassabis对AGI发展路径有一个清晰的哲学主张：我们应该首先构建一个令人难以置信的智能、有用和精确的工具，然后再迈出下一步——处理自主性（agency）、意识等更深层的问题。他甚至建议，可以用第一步构建的工具来帮助回答第二步的问题，同时也借此更好地理解我们自己的大脑和心智。
关于意识的定义，Hassabis承认两千年哲学还没有完全解决这个问题，但他相信一些组件是必要的——自我意识、自我与他者的区分、某种时间连续性——尽管这些可能只是必要而非充分条件。他提到自己与已故哲学家Daniel Dennett的长期对话：一个AI系统可能在行为上表现得像一个有意识的系统（尤其是接近AGI时），但由于我们永远无法与人工系统建立"基底等价"（substrate equivalence），意识体验层面的鸿沟可能永远无法完全弥合。
AGI时间线、推荐书目与最骄傲的时刻
在快速问答环节，Hassabis给出了三个值得记录的答案。AGI的时间预测：他一直保持一致——2030年左右。当被问及实现AGI后必须阅读的一本书时，他推荐了David Deutsch的《现实的结构》（The Fabric of Reality），并说"我希望用AGI来回答那本书中提出的问题——那将是我后AGI时代的工作。"他最骄傲的DeepMind成就毫无疑问是AlphaFold。