Loading...
Loading...
DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：实现 AGI 尚需一到两个关键突破撰文：Techub News 整理
导语
在2025 年 5 月一场备受瞩目的公开对话中，谷歌旗下前沿人工智能实验室 DeepMind 的 CEO 德米斯·哈萨比斯（Demis Hassabis）与谷歌联合创始人谢尔盖·布林（Sergey Brin）一同亮相，就人工智能发展的最前沿问题进行了深入探讨。这场对话发生在谷歌I/O开发者大会期间，由知名科技播客主持人亚历克斯·坎特罗维茨（Alex Kantrowitz）主持。哈萨比斯作为 DeepMind 的灵魂人物，以及布林以技术领袖和谷歌联合创始人的身份回归 AI 研发一线，使得这场对话成为观察谷歌乃至整个行业在 AGI（通用人工智能）竞赛中战略思考与自我认知的绝佳窗口。
摘要
AGI 仍需关键突破：哈萨比斯认为，基于当前技术，要实现 AGI 可能还需要“一到两个关键性突破”，并将 AGI 定义为能达到爱因斯坦、莫扎特等人类顶尖智慧成就的系统。
“深度思考”范式至关重要：谷歌 DeepMind 正大力押注以“深度思考”（Deep Think）为代表的推理增强范式，认为这能为模型能力带来巨大提升，是通往更通用智能的关键路径。
多模态是 AGI 的必然要求：哈萨比斯强调，真正的 AGI 必须理解和互动物理世界，因此从 Gemini 项目伊始，DeepMind 就坚持构建原生多模态模型，尽管初期更困难，但长期看是正确的选择。
算法与算力需双轮驱动：哈萨比斯与布林均认为，未来的进步需要算法创新与算力扩展的双重驱动，布林更倾向于认为算法的进步可能比纯粹的计算力提升更为重要。
AGI 的愿景与定义：远非“普通人水平”
对话的核心议题围绕 AGI 展开。德米斯·哈萨比斯（Demis Hassabis）首先澄清了他对 AGI 的定义。他认为，目前行业对 AGI 的讨论存在两个层面的混淆：一是达到“普通人类水平”的能力，这无疑具有巨大的经济与产品意义；二是他个人所关注的、更具理论意义的 AGI——即一个系统能够实现人类大脑架构所能实现的所有成就，包括爱因斯坦的理论物理、莫扎特的音乐创作等历史上的顶尖智慧成果。他强调，目前没有任何系统具备这种广度和深度的能力。
哈萨比斯进一步指出，当前系统距离真正的 AGI 还有一大差距：一致性（Consistency）不足。今天的模型虽然能做上千件事，展示了许多令人印象深刻的能力，但用户很容易在几分钟内发现其明显的缺陷，比如在某些高中数学问题或基础游戏上犯错。在他看来，一个能被称之为 AGI 的系统，其漏洞应该需要专家团队花费数月才能发现，而不仅仅是普通用户几分钟的测试。
当被问及 AGI 是否会被某一家公司“一劳永逸”地实现时，谢尔盖·布林（Sergey Brin）认为，很可能会有某个实体率先达到，但由于 AGI 本身是一个光谱而非精确点，不排除多家机构几乎同时抵达相近水平。他预测，AI 领域将延续“蛙跳式”的竞争与相互启发模式，不断推动阈值被跨越。
哈萨比斯则补充，重要的是业界需要对 AGI 形成一个共识定义。他承认可能会有组织率先抵达，而确保首批 AGI 系统以可靠和安全的方式构建至关重要。在此之后，才有可能设想基于这些安全架构衍生出更多的系统，例如个人 AGI。
技术路径：推理、自我改进与多模态整合
谈及具体技术，哈萨比斯详细阐释了 DeepMind 长期看重的“思考”或“推理”范式。他回顾了从 AlphaGo、AlphaZero 开始的工作，在这些游戏中，开启“思考”（即蒙特卡洛树搜索等规划算法）的系统，其能力比仅输出第一反应的系统高出超过 600 ELO 等级分。这种范式在更为复杂的现实世界中，潜力可能更大。
谷歌最新推出的“深度思考”（Deep Think）技术，被哈萨比斯描述为“类固醇加强版的推理”，即多个并行推理过程相互协作与校验。他认为，这种增强推理能力的机制，可能是通往 AGI 所需的关键进展之一。此外，真正的发明创造——例如提出全新的物理学理论，而非仅仅解决现有猜想——是目前系统尚未具备的能力，但以“思考”为代表的范式可能有助于实现这一目标。
对于2025 年 5 月 DeepMind 发布的“Alpha Evolve”（一种能帮助设计更好算法甚至改进大语言模型训练方式的 AI），主持人调侃这是否意在引发“智能爆炸”。哈萨比斯否认了“不受控制”的爆炸，但承认这是一个有趣的初步实验。他表示，将进化编程等技术与强大的基础模型结合，探索各种组合系统是 DeepMind 探索性工作的重点。若能发现一种自我改进的循环，确实可能进一步加速进展。AlphaZero 在游戏领域已证明自我改进的可能性，但将之应用于更混乱、复杂的现实世界仍有待观察。
哈萨比斯强调，DeepMind 自始至终的目标是构建 AGI，这决定了其技术路线选择。因此，从 Gemini 项目一开始，他们就决定构建原生多模态模型，即使这比只做纯文本模型起步更艰难。他坚信，真正的通用智能必须理解物理环境，而两大关键应用场景——能伴随日常生活的真正有用的助手，以及实用的机器人——都依赖于这种对世界的视觉和物理理解。这也是谷歌在智能眼镜和具身智能（如 Astra 项目）上持续投入的原因。
算力、算法与行业未来
关于推动进步的主要驱动力，哈萨比斯和布林都认为需要算法创新与计算规模双管齐下。哈萨比斯表示，一方面需要将现有已知技术（无论是数据还是算力）的规模扩展到极限，另一方面必须投入大量精力进行前瞻性创新，以带来下一个数量级的飞跃。
谢尔盖·布林（Sergey Brin）从历史角度分析，在诸如 N 体问题模拟等领域，算法的进步甚至超越了遵循摩尔定律的计算力进步。他个人猜测，未来算法的进展可能比纯粹的计算力进步更为显著。不过，目前二者都在快速推进，行业正同时受益于两者。
对于主持人“世界是否会铺满数据中心”的提问，哈萨比斯指出，未来确实需要更多的数据中心，但这不仅仅是为了模型训练。随着 Gemini 等模型展示出强大性能且成本可控，全球对其使用需求激增，推理阶段的计算消耗将变得极其庞大。此外，“深度思考”等范式允许模型通过更长的“思考”时间来解决高价值难题，这也将消耗大量运行时算力。
产品哲学与行业挑战
谈及谷歌的产品方向，哈萨比斯解释了为何谷歌的智能体演示往往强调视觉和与现实世界的交互。他认为，一个真正有用的助手不应局限于电脑或单一设备，而应能理解并融入用户的物理环境。同时，机器人发展的瓶颈长期以来在于软件智能而非硬件，而如今 Gemini 等模型结合 Veo 等视频生成技术，为机器人带来了突破的曙光。
谢尔盖·布林（Sergey Brin）也反思了早年谷歌眼镜（Google Glass）项目的教训，承认在消费电子供应链、制造成本控制等方面曾面临挑战。但他仍然坚信眼镜这一形态的潜力，并认为如今 AI 能力的飞跃使得眼镜能在不打扰用户的情况下提供真正有用的帮助。哈萨比斯更是直言，“通用助手”将是智能眼镜的杀手级应用。
针对 AI 生成内容（特别是视频）泛滥可能污染后续模型训练数据（即“模型崩溃”问题）的担忧，哈萨比斯分享了 DeepMind 的应对策略。他们为所有生成式模型的内容附加了名为“SynthID”的隐形水印，该技术已稳定运行一年多，既能用于识别深度伪造和虚假信息，也可用于在需要时从训练数据中过滤掉 AI 生成内容。此外，在蛋白质结构预测模型 AlphaFold 的开发中，他们已有谨慎使用合成数据的经验，但这需要确保数据分布和质量得到严格控制。
快速问答：AGI 时间表、模拟假说与未来展望
在对话最后的快速问答环节，两位嘉宾被问及 AGI 的时间预测。哈萨比斯给出了“2030年之后不久”的答案，而布林则更为乐观地选择了“2030年之前”。哈萨比斯笑称这个答案让他倍感压力，需要回去更努力地工作。
关于哈萨比斯此前一条引发热议的推特（内容关于“自然到模拟一键生成”），主持人直接询问他是否认为我们生活在模拟之中。哈萨比斯否认了类似电影《黑客帝国》的那种模拟，但他认为底层物理本质上是基于信息论的，我们可能身处一个“计算宇宙”中。AI 系统能够模拟自然界的真实结构，这一事实发人深省，他未来可能就此撰写科学论文。布林则从递归逻辑的角度调侃了“模拟假说”，认为若我们是模拟产物，那么模拟我们的存在本身也可能处于模拟之中，如此无限循环。
对于十年后互联网的形态，布林认为，鉴于 AI 惊人的发展速度，我们甚至无法预见十年后的世界面貌。哈萨比斯则从更近期的角度预测，在“智能体优先”的网络中，为了人类视觉呈现而设计的渲染可能不再必要，互联网将在几年内发生巨大变化。
整场对话揭示了 DeepMind 领导层对 AGI 既雄心勃勃又审慎务实的态度。他们清晰地规划了以推理增强和多模态理解为支柱的技术路线，同时清醒地认识到当前系统与真正 AGI 之间的差距。这场对话不仅是对谷歌AI野心的展示，也为理解全球AGI竞赛的当前格局提供了宝贵的一手视角。
Demis Hassabis（戴密斯·哈萨比斯）：自然世界皆可学习，AI将助我们破解物理学等终极之谜撰文：Techub News 整理
导语
2025 年 7 月，在荣获诺贝尔物理学奖后，谷歌 DeepMind 联合创始人兼 CEO Demis Hassabis（戴密斯·哈萨比斯）再度做客 Lex Fridman 播客。这是哈萨比斯获奖后的首次深度长谈，也是他第二次出现在该播客中。在这场近两个半小时的对话里，哈萨比斯超越了对其获奖工作 AlphaFold（阿尔法折叠）的常规讨论，深入阐述了他对智能、物理世界本质以及通用人工智能未来的宏大思考。作为当今人工智能领域最具远见的领导者之一，哈萨比斯此次发声不仅总结了过去十年 AI 在科学发现上的突破，更勾勒出一幅 AI 如何帮助人类破解从细胞到宇宙等根本性谜题的未来图景。
摘要
哈萨比斯提出核心猜想：任何在自然界中生成或发现的模式，都可以被经典学习算法高效地发现和建模。
AI 模型（如 Veo）已能惊人地模拟流体、光影等复杂物理现象，暗示其对世界拥有“直觉物理”理解。
哈萨比斯梦想构建“虚拟细胞”模型，并认为 AI 将是帮助人类解答生命起源、意识本质等终极问题的终极工具。
对于 AGI（通用人工智能），他设定了高阶标准，并预测未来可能需要通过类似围棋“神之一手”的创造性突破来识别。
自然皆可学：一项关于世界本质的大胆猜想
访谈始于一个源于哈萨比斯诺贝尔奖演讲的大胆命题。他提出：“任何能在自然中生成或发现的模式，都能被经典学习算法高效地发现和建模。”这并非泛泛而谈，而是基于 DeepMind 一系列标志性项目 AlphaGo、AlphaFold 的成功实践。
哈萨比斯解释道，无论是围棋的棋步空间，还是蛋白质可能折叠成的形状数量，其组合可能性都远超宇宙中的原子总数，用穷举法求解是完全不可行的。然而，AlphaGo 和 AlphaFold 都通过为这些环境构建模型，从而智能地引导搜索，使问题变得可解。关键在于，自然系统并非随机，它们都经历了演化或类似过程的“塑造”，从而具有内在结构。蛋白质能在毫秒内折叠，宇宙本身就在求解这些复杂问题。AI 所做的，正是学习并模拟这种结构化的搜索过程。
“我有时称之为‘最稳定者生存’，”哈萨比斯说，“这不仅适用于生物进化，也适用于地质过程塑造的山脉形态，乃至行星轨道和小行星形状——它们都经历了无数次作用‘存活’下来。因此，应该存在某种可以反向学习到的模式或‘流形’，它能帮你高效地搜索到正确解并进行预测。”他认为，这或许不适用于人造物或抽象问题（如大数分解），除非数字空间本身存在模式。但对于大多数自然系统，其结构是可学习的。
这一观点将学习能力的边界问题与理论计算机科学中的经典难题 P vs NP 联系了起来。哈萨比斯认为，如果我们把宇宙看作一个信息系统，那么 P vs NP 本身就是一个物理问题。他正在与同事探讨，是否应该为这类可通过神经网络过程解决、并映射到自然系统的问题定义一个新的复杂性类别。“这可能是思考该问题的一种非常有趣的新方式。”他补充道。
从流体到光影：AI 模型展现“直觉物理”理解
哈萨比斯用 DeepMind 最新的视频生成模型 Veo 来佐证其观点。传统的流体动力学（如纳维-斯托克斯方程）计算在经典系统上被视为极其困难，需要海量算力，例如天气预报系统。然而，Veo 却能够相当出色地模拟液体、材质和镜面光泽。
“我曾早期在游戏行业编写物理引擎和图形引擎，深知编写能做到这些的程序是多么痛苦，”哈萨比斯说，“但不知何故，这些系统仅仅通过观看 YouTube 视频就在进行逆向工程。”他推测，模型正在提取这些材料行为背后的潜在结构，可能存在一个更低维度的流形被学习到了。“这可能对现实世界的大部分都成立。”
Lex Fridman（莱克斯·弗里德曼）表示，Veo 在模拟物理方面“并非完美，但已经非常出色”，并提出了一个深刻的科学问题：模型需要理解世界的哪些方面才能做到这一点？哈萨比斯认为，就模型能够以连贯的方式预测后续帧而言，这本身就是一种“理解”——虽然不是拟人化或深层次的哲学理解，但它确实建模了足够的动力学。他特别指出，模型对物理行为、光照、材质和液体的模拟能力，表明它拥有某种“直觉物理学”的理解，类似于人类儿童对物理的直观把握，而非博士生对方程的解析。
这一发现挑战了此前的一个常见假设：AI 必须通过具身交互（如机器人）才能建立对物理世界的深入理解。Veo 的成功表明，被动观察也可能达成相当程度的理解。“这再次暗示了现实本质的某些底层规律。”哈萨比斯说。他展望，下一步可能是让视频变得可交互，让人们能够“步入”其中并移动，这将真正令人震撼，并更接近他所称的“世界模型”——一个关于世界如何运作、其物理规律和内含物体的模型，而这正是真正 AGI 系统所需要的。
AI 与终极之谜：从虚拟细胞到生命起源
哈萨比斯将构建通用人工智能视为帮助人类解答终极科学问题的终极工具。他的梦想项目之一是构建“虚拟细胞”——一个完整的细胞内部模拟。他设想，科学家可以在硅基环境中对虚拟细胞进行实验，大幅加速研究进程，可能将实验速度提升百倍，最后再到湿实验室进行验证。
他认为 AlphaFold 提供了蛋白质的静态 3D 结构图，而 AlphaFold 3 开始建模相互作用（如蛋白质与蛋白质、蛋白质与 RNA/DNA 之间的互动），这是通向模拟整个细胞通路乃至完整细胞的第一步。他计划从酵母细胞这种研究透彻的单细胞生物体开始。当然，挑战巨大，例如细胞过程涉及不同的时间尺度，建模时需要决定模拟的粒度级别。哈萨比斯希望能在蛋白质级别进行建模，而无需下沉到原子级别。
更宏大的问题是，AI 能否模拟生命的起源？哈萨比斯认为这是一个最深奥、最迷人的问题之一。他设想，从原始汤的初始条件出发，AI 能否模拟出类似细胞结构的涌现？“那将是生命起源的‘神之一手’。”他说。他相信，最终我们会发现，从非生命到生命并非一条清晰的分界线，而是一个连续谱，连接着物理、化学和生物学。“破解这堵我们在大脑中构筑的墙，正是我毕生致力于 AI 和 AGI 工作的全部原因。”哈萨比斯坦言，现实本质、意识、时间本质等终极问题一直在他脑海中“呐喊”，而 AI 可能是解开这些谜团的关键。
AGI 的路径与标志：超越“认知不均”
哈萨比斯估计，到 2030 年有 50% 的可能性开发出 AGI。他设定的标准很高：能够匹配大脑拥有的全部认知功能。他强调，当前 AI 系统是“认知不均”的，在某些方面很强，在其他方面却有明显缺陷。真正的 AGI 需要具备全面的、一致性的智能。
如何测试 AGI？他提出两种方式：一是“暴力测试”，让系统完成成千上万个人类能够完成的认知任务；二是让世界顶级专家（如陶哲轩那样的领域专家）花一两个月时间尝试找出系统的明显缺陷。如果都找不到，那就可以相当确信拥有了通用系统。
此外，他期待看到一些“灯塔时刻”，即类似围棋“神之一手”的突破性创造。例如：1）提出像爱因斯坦相对论那样的全新物理学猜想或假说。可以进行回溯测试：将知识截止到 1900 年，看系统能否提出狭义和广义相对论。2）发明一种如围棋般深邃、优雅的新游戏。“一个系统能够同时完成好几件这类事情，而不仅仅是单一领域，这就是我会寻找的迹象。”哈萨比斯说。
对于当前热门的“递归自我改进”和 AI 安全，哈萨比斯认为像 AlphaEvolve（阿尔法进化）这样的系统展示了将大语言模型与进化算法等传统搜索方法结合的潜力，这可能在科学发现中催生新的能力。但他不确定完全的端到端自我改进是否可取，因为这可能导致“硬起飞”场景。目前，系统在给定具体指令时表现良好，但对于“创造一个比围棋更好的游戏”或“做一个更好的自己”这样高度不明确的指令，还无法处理。
游戏、意识与人类未来
作为曾经的游戏开发者（代表作《主题公园》《黑与白》），哈萨比斯对 AI 将如何重塑游戏充满期待。他梦想着能根据玩家想象动态创造内容、编织故事的 AI 系统，实现终极的“选择你自己的冒险”游戏。结合类似 Veo 的交互式生成技术，他认为未来 5 到 10 年可能实现这种令人惊叹的开放世界游戏。
当被问及意识是否可以被经典计算机建模时，哈萨比斯与物理学家罗杰·彭罗斯观点相左。他认为大脑中进行的主要是经典计算，因此意识现象原则上可以被经典计算机模仿或建模。但关于“感受性”的哲学难题可能是个例外。他提出了一个有趣的思路：未来如果通过脑机接口与 AI 系统连接，我们或许能亲身体验在硅基上计算的感觉，从而更好地理解意识。
谈及人类未来，哈萨比斯持乐观态度。他相信人类无限的创造力和极强的适应性。“看看我们现在所处的世界——我们是用狩猎采集者的大脑在应对。乘坐飞机、做播客、玩电脑游戏……这已经令人震惊。我认为这只是下一步。”他认为社会已经在一定程度上适应了当前令人瞠目的 AI 技术。
最后，关于 AI 时代人类的独特性，哈萨比斯认为，构建 AI 这种智能人造物并将其与人类心智进行比较，或许是理解人类心智特殊之处的最佳方式。“我相信存在特殊之处，但这场我们正在进行的旅程将帮助我们理解和定义它。”这场对话最终回归到哈萨比斯的初心：利用 AI 这一工具，探索智能的本质，并最终理解我们自身与所处的宇宙。
和Jeff Dean押注同一方向，27岁清华助理教授创业，两个月融资数亿文｜王欣逸
编辑｜张雨忻
今年，用AI自我改进AI，几乎成了海内外头部实验室的共识。
近一年来，OpenAI创始成员Andrej Karpathy、前Meta FAIR研究总监田渊栋、前DeepMind首席科学家Jeff Dean都相继加入RSI（Recursive Self-Improvement，递归自进化）创业的热潮。
发生在RSI身上的，几乎是一个和世界模型高度相似的故事——即使是最先进的实验室，也没有探索出关于递归自进化的突破性成果，技术的不确定性，很快被宏大的叙事与火热的资本市场淹没。田渊栋就是一个典型的例子，今年5月，他所在的创业公司Recursive Superintelligence在还没有交出成果的时间点上，却已官宣完成6.5亿美元融资，估值推高至46.5亿美元。
这股热潮也蔓延至国内。今年1月，就读于哈佛和MIT联合培养项目、即将博士毕业的陈勇超，正站在职业选择的岔路口：一边是DeepMind的工作邀约，以及多家专注做AI自动科研的海外初创公司抛来的联创橄榄枝；另一边，是他等了两年的创业Timing，恰好在此刻到来。
他想做的是，训一个能自进化的通用模型，让它在一套能自进化的Harness之上，独立完成人类科学家在做的研究，包括构思想法、检索文献、跑实验。
经过一系列的考量，他选择了后者，回国创立了超衍智能（Apex Intelligence），专注做自主进化的基模研发，并同步入职清华大学。
27岁的陈勇超，成为了清华大学人工智能学院有史以来最年轻的助理教授，他在7月正式官宣创立的超衍智能，也在短短两个月的时间内完成了两轮亿元级融资。
《智能涌现》获悉，近日，超衍智能已完成近4亿人民币天使轮及天使+轮融资。天使轮由IDG资本、星连资本、晶泰科技联合领投，德迅资本、无限基金、初心资本、云岫资本跟投，汇聚了头部美元基金、产业资本及市场化投资机构。天使+轮则由北京、深圳、上海三地头部国资——中关村科学城基金、深创投、上海未来产业基金联合领投。
本轮融资将重点用于基础模型与算力基础设施的构建、递归自进化技术的研发投入，以及核心团队的扩张。
这是一支由Researchers主导的创业团队，超衍智能创始人陈勇超曾在Google DeepMind、Microsoft、IBM等海外实验室做大模型相关研究，团队核心成员来自字节、Kimi、智谱等头部大模型厂商，有一线模型研发经历。
不同于做Agent层的RSI，超衍不聚焦于做AI for Science的Harness和应用，而是探索基模层的递归自进化能力，让每一次研究任务生成的轨迹变成训练数据，用于改进模型，并进一步攻克更难的问题。
在超衍内部，这套逻辑被概括为“Research is the engine of RSI”，即研究是递归自我改进的引擎。它的最终目标，是用一套递归智能系统连接数字世界与物理世界，将统一的能力拓展至AI、数学、物理、芯片设计、机器人、工业制造、化学、生物等各个领域。
“Coding平权之后，下一波会是Research的平权。”在陈勇超看来，AI的自进化，正在成为现实。
他手上的第一个有力证据，来自今年5月，他们让公司的自进化AI System自主产出了34篇论文，结果相当惊喜，这些论文提交到ACL Rolling Review（ACL系列会议的统一审稿平台）后，有11篇拿到了3分以上，这是一个不低于博士水准的初审分，其中，还有2篇论文的分数超过了99%的人类研究员。
“很多想法都挺让人眼前一亮的，有些论文几乎达到了博士生水平，这在我们的意料之外，但也在情理之中，因为这个时刻迟早都会到来。”陈勇超说。
论文之外，从AI自主进行AI方向的研究，到在数学等基础科学领域的探索实验，超衍的AI系统已在多个高难度研究领域完成初步验证。目前，公司内部已沉淀数万条高质量研究轨迹（Research Trajectories），涵盖专家轨迹、合成轨迹和AI自主生成的研究轨迹。
△研究是递归自我改进的引擎，图源：企业
如果要把智能的演进放在一个坐标轴上，陈勇超认为，它不是平滑上升的，而是沿着S型曲线，突破一个瓶颈、快速爬升、然后平缓，再等待下一个瓶颈。现阶段，我们正处在上一个属于Scaling Law拐点的平稳阶段，正在等待新拐点的出现，以及下一个智能快速爆发的时刻。
陈勇超对这个拐点即将发生坚信不疑，“时代不可能等你，这和两年前不做大模型、一年前不做具身智能的情况是一样的，RSI在现在就是最好的创业时间点。”
关于回国创业、选择RSI方向以及对智能演进的思考，我们带着一系列问题，来到了清华大学人工智能学院的办公室，与他展开了交流，以下是《智能涌现》和陈勇超的对话实录，略经摘编：
模型的稳定性和创新性，是对抗的
智能涌现：为什么今年RSI突然爆发了？
陈勇超：很多人认为是模型能力到了瓶颈期，需要探索新路径，我觉得这是次要原因。最主要原因是，技术的转折点已经来临，模型已经强到一定程度，能够做很多人类研究员做的研究了。这也正是我们探索的方向，训下一代模型，让它能达到甚至超越人类研究员的水平。
智能涌现：用简单的话解释，自进化的模型和现在的大模型有什么区别？
陈勇超：现在的大模型是求稳的模型，给大众用、保守的、不想让它犯错的模型。比如，问它100个问题，它能回答出95个，剩下答不出来的问题努力让它减少幻觉，或者让它直接回答不知道。
但自进化的模型是注重创新性的模型，它对稳定性要求不高。比如，你问它一个问题，它答不出来，但我们期待它能提出100种不同方法解决这个问题，其中99种错得再离谱都没关系，只要一种对就行。也就是说，探索过程中要允许大量方法失败，但只要其中一种被证明有效，系统就能识别它、保留下来，并且将这次成功转化为未来可以复用的能力。
模型创新性和求稳性很多时候不可兼得，模型过于求稳保守，其创新性就会弱。有的时候我们甚至发现，模型通用的评测结果越好，创新性越差。
智能涌现：要实现模型的自进化，关键的技术卡点在什么地方？
陈勇超：第一是模型提出天马行空想法的能力；第二是自主执行能力；第三是验证能力。目前，模型能否提出好想法，筛选出好想法后自主执行下去并做好验证，是特别大的卡点。
智能涌现：这些卡点可以通过什么方式来解决？
陈勇超：模型的训练方法以及模型架构，尤其是上层架构，都要做一些调整，数据也有很大变化。比如，用一些对抗性的训练方法，让一个模型扮演不同的角色：既能提出好的想法，也能自行评估，判断这个想法在合理性、创新性上表现如何。通过迭代式的自我改进方法，让想法越来越好、创意水平越来越高。
智能涌现：为什么先从科研场景先尝试模型自进化能力的落地？
陈勇超：科研场景对聪明大脑的需求最为迫切。自进化本身是在追求智能上限，也就是对标甚至超越人类研究员。它通常会瞄准那些处于智能上限、最需要创新性的场景。
智能涌现：AI for Science、AI Scientist、Auto-research和Recursive Self-improvement，这几个词之间是什么关系，有重叠吗？
陈勇超：在我看来，RSI、Auto-research和AI Scientist虽然不是字面意义上的同义词，但本质上指向同一个目标，就是构建能够自主开展研究、并在研究过程中持续提升自身能力的通用研究智能。AI Scientist描述的是这种系统扮演的角色，Auto-research描述的是它自主完成研究的过程，RSI描述的则是它根据研究结果不断改进自身的机制。
AI for Science和它们不在同一个概念层次。AI for Science描述的是AI被应用在哪里，即利用AI解决科学问题；它可以是一个科研工具、一个垂直领域模型，也可以是一个完整的自主研究系统，但并不必然具备自主研究和自我改进能力。
尽管Auto-research和AI Scientist出现得更早，但很多做这两个方向的人把这个概念做窄了，Auto-research并不只是搭一个Agent写论文，AI Scientist也并不只是训练一个垂直领域的小模型。它们真正要解决的问题是，训练出一个通用模型来超越人类研究员，让AI成为人类员的Coworker。
智能涌现：RSI可预见的上限是怎么样的，能达到什么样的水平？
陈勇超：这取决于它最终能成为人类哪个level的研究员，这个很难讲它最终能到清华等顶尖高校博士生水准，还是牛顿、爱因斯坦水准。
智能涌现：智能爆发式增长可能会出现在什么时候？
陈勇超：我觉得会有一个拐点，可能会发生于模型在某些环节的效率比人高，或者创新能力跟人差不多的时候。它是按瓶颈和阶段推进的，某段时间一旦突破了一个瓶颈，就会呈S型曲线上升，先快速发展，之后逐渐平缓，那时你就会开始等待下一个能突破的瓶颈。
智能涌现：现在智能处于什么阶段？
陈勇超：第一个S型曲线是Scaling Law，现在正处于第一个S型曲线接近饱和的阶段。现阶段模型的迭代，其能力进步已经没那么快了，已经到了S型的上端。RSI可能是下一个S型，也可能是帮助发现许许多多S型曲线突破瓶颈的方法论。
像人类科学家一样做研究
智能涌现：从整体来看，你们现在在做的事情有哪些？
陈勇超：我们做了一个做自动化科研的AI System，让它来做AI for AI、AI for Math，以及各个学科。同时，我们也在训练自己的大模型、建立能够评价大模型在研究领域能力的benchmark。
智能涌现：这个自进化AI System独立完成一个科研项目，其端到端的过程是怎么样的？有没有具体的案例？
陈勇超：这跟人类做研究很像，并且，它像人类科学家一样“全栈”，能自己动手做实验：自己构思想法、做实验、连GPU、搭建环境、训练模型，最后根据实验结果改进方法，并把成果总结成报告、代码仓库、产品或论文。
比如，它现在能帮数学家发现数学上的重大突破、证明定理；也能做AI领域的事，自己优化AI训练里的内核、数据分布、算子；还能做机器人VLA的数据仿真与VLA架构改进。
智能涌现：在这个系统中做一个项目的研究，周期一般是多长？相比人类做研究，它的速度能快多少？
陈勇超：这取决于研究难度，难度比较大的项目，AI可能要做两三周，但相比人类已经非常快了，人类的话可能要做好几个月甚至一年。
智能涌现：这个产品已经上线了吗？
陈勇超：最近已经上线了，正在小范围内测中。
△自动化AI研究系统原理，图源：企业
智能涌现：关于你们现在正在训的模型，可以展开讲讲吗？
陈勇超：首先，这个模型肯定是个大参数规模的模型。
它跟上一代模型很大的区别是，我们注重创新性和研究能力。它可能在一些通用能力上，如编程、数学比闭源SOTA模型差一些，但在完整的研究能力上会显著更强。
智能涌现：你们是从头开始训模型吗？
陈勇超：我们现在还是基于开源模型做中训练和后训练，做预训练还需要更多的资金储备。
智能涌现：现在你们的模型能达到什么效果？
陈勇超：我们自己看下来，有的方面比较惊艳，比如在数据自进化、Harness自进化上，但目前只能做较小的优化，想要在创新性上做很大的突破还比较难。
我们想先训一个通用的模型，它能做很多领域的研究，比如AI for AI、数学、机器人、芯片设计、量子。其中，通用模型的很多数据会包含各个领域，之后基于通用模型做微调，它也能在垂直场景中快速落地。
智能涌现：为什么先做通用模型，再慢慢做各种垂直场景？
陈勇超：很多领域的创新来源于毫不相关领域的启发，如果你只用垂类领域的数据训模型，它可能在局部任务上越来越强，但整体智能反而会下降，也就是我们常说的“灾难性遗忘”。
比如，我想让它做AI for大模型，让它所有的训练数据、研究轨迹，全都来自AI自己训大模型的领域。结果你会发现，它就可能逐渐过拟合这一分布，遗忘原本具备的数学、物理、化学乃至常识推理能力。如果它连常理都能忘掉，智力就会退化，它可能越来越擅长重复已有的大模型研发范式，却越来越难跳出局部最优，产生真正具有突破性的新方法。
智能涌现：你们最近还发了一个Benchmark，叫ASI Bench。
陈勇超：是的，这是一个评价模型探索能力和研究能力的Benchmark。ASI和AGI的最大区别是，ASI能探索模型提高智能上限、探索世界未知知识。现在还没有一个很好的Benchmark来评价模型的探索能力和研究能力，所以我们做了这个。
智能涌现：和RSI直接相关的数据非常少，你们如何突破呢？
陈勇超：数据是一个非常核心的问题。无论是研究类数据，还是递归数据、Auto-research数据，这些都和大模型的数据不同，它需要的是一条完整的研究轨迹数据。
这种研究轨迹非常难获得，因为它都散失在研究过程中了。大家最终留下的往往只是报告、产品、论文，那只是结果；而中间试错、成功与失败的过程轨迹，是根本没有保留下来的。
不仅如此，最顶尖的研究员、人类科学家那些“灵光一现”的时刻，很难被数字化地记录下来。比如王虹证明挂谷猜想，基本就是今天想一些、睡一觉，明天再想一些、再睡一觉，想要记录下整条思维链非常难。我们也在做这方面的探索，尝试把它复刻出来。
智能涌现：这么说，让AI改进AI自身，其实也是在模仿人类自我改进的过程。
陈勇超：对，最聪明的人往往都会自我进化、自我迭代，通过与外部反馈、与自己、与世界互动，来不断提升自己。我们要模仿的，就是这个过程。
一条研究轨迹包含很多内容：怎么构思想法、处理信息、搜集信息、执行实验，以及如何根据实验结果来调整下一步计划。
智能涌现：关于把研究轨迹数字化，你们做了哪些探索？
陈勇超：我们在构建领域专家生态，邀请各领域专家一起合作，请他们尽可能复现他们的研究轨迹，并用AI可以理解的方式无信号损失的记录下来。目前行业里基本还没有这一类完整研究轨迹的数据。我们目前已有的数据包括：与专家合作构建的数据、AI合成数据、以及用户自愿选择分享的产品使用数据。
智能涌现：训一个模型需要多少量级数据？
陈勇超：这个说不好，数量上很难用“多少T”来衡量，因为一条数据本身就包含很多步骤、很多轮交互。更合理的衡量方式，是按项目数量，或按轨迹的数量与长短来评估。
只做Harness层的商业化，很容易被模型吞掉
智能涌现：你从2月份做RSI到现在差不多半年了，从当时非常坚定地入场，到现在为止，你的体感怎么样？
陈勇超：不管在技术上还是资本市场上，当时的想法都得到了验证。
我的判断依然很坚定，第一代大模型（如ChatGPT）替代白领，具身智能替代蓝领，而ASI将替代人类科学家，也就是那些拥有博士学位、“最贵也最聪明”的一批人。
智能涌现：你们在商业化上有什么思考？
陈勇超：Harness层很容易被模型本身吞掉。只做Harness层的商业化，即只提供一套能自动科研的系统，其上限非常明显。因为模型训练到足够好之后，它可以自己优化自己的Harness。
我们团队最初把Harness自进化和模型进化放在一起做，很明显发现，Harness自进化做到一定程度以后就无法更进一步了。
智能涌现：目前你们的自进化AI System的商业化还没有起步，感觉你们并不急于商业化？
陈勇超：从上一代模型中我们就可以看出，一开始过多考虑商业化会很拖累模型训练的研发，考虑的越多，精力越被分散。我们希望更聚焦，把大量的精力和人力投入在我们研究型基础大模型训练中。
智能涌现：你们设想的商业模式是怎么样的？
陈勇超：我们本质上还是个基础模型公司，因此我们的商业模式本质上还是卖Token，只是Token的形式可能会是API、可能会是一个类似Claude Code一样的半成品、也可能是一个以解决方案呈现的Token集合。便于大家更好的理解，做个类比，Claude Code是Vibe Coding，我们的自进化AI系统是Vibe Research，卖模型以及Harness，让用户可以基于这个系统做各种研究。
智能涌现：今年你们有什么目标吗？
陈勇超：我们的自进化AI系统会上线，顺利的话，年底或明年年初会发第一版模型，这个模型在研究方面会全球领先，同时，在某些高价值领域实现落地。
智能涌现：这个模型会开源吗？
陈勇超：可能会，还没有最终确定。
智能涌现：你之前说可能还会推出其他产品，他们会是什么样的呢？
陈勇超：我们现在的产品基本有两类，跟ChatGPT类似：一类是aPaaS（低代码平台），另一类是像Claude Code这样的CLI（命令行）端。其中，第一类正在推向更多人使用，第二类可能要等模型出来之后才会上线。
智能超过人类的时刻，早晚会到来
智能涌现：你是什么时候发现这一代模型已经能达到人类研究员的水平了？
陈勇超：今年5月份，我们有一天突然发现，我们搭的自进化AI System生成的一些想法还挺让人眼前一亮的，生成的论文差不多能达到清华博士的水准了。比如，当时AI提出了一个挺有意思的想法：基于VLM来训练VLA，和自己端到端从头训练，两者是不一样的，在最后的编码器和解码器空间上，在特征上会产生很大的差异。
当时我们让这一系统生成了三十四篇论文，提交到了ACL Rolling Review（ACL系列会议的统一审稿平台）中，其中有11篇拿到了≥3分的初审分，这个分数意味着，这些论文可能会被Findings（ACL的论文集）接收，也可能被收录进主会。其中，我们还有两篇论文的分数，超过了99%人类研究者。
智能涌现：这个结果在你看来是意料之中，还是意料之外？
陈勇超：拿到结果时我非常意外，但意料之中的是，这个时刻早晚会到来。
智能涌现：目前有像你们一样拿到实质性结果的公司吗？
陈勇超：在ACL Rolling Review上拿到这么高分的，全球范围内只有我们一家。
智能涌现：你之前有提到，利用你们的自进化AI System在数学领域改进了一项沿用十余年的结论，这具体是什么？
陈勇超：我们和清华大学交叉信息研究院的张景昭老师开展的一个合作，用我们的系统探索一些有意思的数学问题。
智能涌现：人人都能做研究，这会在什么时间点实现？
陈勇超：和Vibe Coding一样，Coding能力经历了一系列变化：从给高级码农用，到给初级码农、普通人用，再到现在几乎不需要人，AI自己就是一位高级码农。
AI自动做科研现在所处的阶段是，能帮助非AI专业的本科生发AI领域的A会论文，让本科生达到博士生的科研能力，也能在数学物理等领域发现一些人类觉得比较有价值的研究，但是想要AI实现那种创新性重大突破还有不少距离。
智能涌现：RSI在未来的发展有哪些节点？
陈勇超：首先，让AI接管那些纯粹在电脑里就能完成的研究，之后，不断扩大AI能覆盖的范围：一边延伸到更困难的计算任务；另一边，延伸到需要在真实实验室里动手做的实验，比如生物实验、材料实验。
总而言之，在广度上，它要成为各领域的专家；在深度上，它可以去攻克那些人类花很多年都做不出来的难题，比如数学领域，突然发现一个百年都未能证出的定理。
RSI的Timing，已经到来
智能涌现：你本科在中科大，主修理论与应用力学，博士又去哈佛、MIT，做各种各样的方向，最终为什么要回到AI这个领域了？
陈勇超：这是一段漫长的探索。我小时候的梦想是做基础科学、当科学家。从本科大二就开始进实验室做基础科学的研究，一直到博士的博一，我转了很多方向，比如力学、金属材料、核聚变，还有AI for Science。我给自己定了个规矩：每个方向都要做出比较好的一作的论文，再换其他的方向。本科时期的论文和研究成果，已经足够博士毕业。大二的研究课题，我以共同一作发了Nature Communications。
在大四的时候，在MIT暑研的导师特别看好AI for Science方向，我就去做了，那个时候大模型还没有出来。当时我发现做AI for Science最大的问题是数据，只有好数据能训出好模型，而且当时模型的泛化性特别差，任务或者场景稍微改动一些，它的能力就会变得非常差。
因为机缘巧合，我在哈佛的第一年开始做机器人的强化学习；之后就一直在做大模型相关的研究。当时并没有Recursive这个词，但我们已经经常运用自进化的思想做研究了，比如，让AI自己来优化自己的提示词、数据分布以及训练算法。
智能涌现：为什么说经过这么多转折，最后确定了RSI这个创业方向。
陈勇超：以前不做这个方向，是Timing没到。
我做Recursive Self-Improvement这个方向很早，2022、2023年的时候我的大部分研究就已经引入了RSI的很多理念，比如数据自进化、模型通过实验结果优化下一轮的实验参数、大模型自主训小模型等等，只是那个时候大家用的还不是RSI这个词。
真正让我发现它在产业界有很大价值，是我2025年在谷歌DeepMind做研究的时候，当时就在做Auto-research，我的Leader想让我优化整个Auto-research Pipeline。当时我对这个方向有顾虑，觉得那个时候模型还没那么强，做不出来人类觉得特别好的研究。
智能涌现：后来你看到了什么样的现象让你觉得模型能力已经非常强了？
陈勇超：今年2月，Claude Opus 4.6发布。我发现能够做出来一些人类觉得有价值的研究。
它的能力是一种若隐若现的朦胧感——它有很多能力让你觉得很惊艳，有很多能力让你觉得很不足。但正是那些惊艳能力，让我觉得这个方向很值得进一步做，而且是创业公司很好的机会。
当时我们发现，在独立完成从提出问题到得出结论的研究过程中，如果用一些开源Auto-research产品接入模型，表现都不理想。但给模型一个足够好的Harness，或者足够多的提示词，模型就能把很多任务完成得很好，甚至具备一些人类科学家的能力。
智能涌现：你是什么时候打算创业的？
陈勇超：两年多前。
智能涌现：为什么那个时候想创业？
陈勇超：有两个方面的原因，一方面是我慢慢发现AI的研究只能靠去大公司，或者自己创业，才有机会做出很有影响力的东西，另一方面是我遇到了很多也有创业想法的Researcher，时不时会一起碰撞对下一代大模型的观点，我当时的想法是，RSI是LLM和具身智能以后的第三波大机会，RSI需要训一个通用的跨领域模型，需要有很多模型训练的经验，以及跨领域的科研背景，这和我的个人经历是高度匹配的，果断决定All in创业。
智能涌现：DeepMind的offer，以及一些公司的联创邀请，你都拒绝了，做这些决定的时候内心有没有挣扎？
陈勇超：今年1月份，我挣扎了一个月。很多offer开的薪资很高，位置也很高，有些也挺诱人的。
很多人给我建议，在DeepMind待一两年再出来创业可能会更好。但你等不了，时代不可能等你，这和两年前不做大模型、一年前不做具身的情况是一样的，RSI现在就是最适合开疆拓土的时间点。
智能涌现：有哪些外界的声音，或者你自己个人的判断，认为自进化一定是第三波的机会？
陈勇超：只听外部声音是不准的，你需要自己去感受。二月的时候，我们搭了早期的自进化AI系统，搭上前沿模型，发现它已经能产生一些比较有实际生产力价值的成果了。
不仅如此，我们认为，仅通过Scaling Law是没办法让模型实现做创新性研究的能力，上一代模型和RSI的模型也完全不同，这是OpenAI和Anthropic难以垄断的方向。
智能涌现：为什么选择回国创业？
陈勇超：前期有很多人给我建议，提到过三个地方：中国、美国、新加坡。
从RSI创业角度来说，在哪个地方更重要、更有发展，我觉得是中国。
图片来源｜企业供图
Microsoft AI CEO Mustafa Suleyman（穆斯塔法·苏莱曼）：AGI尚未解决，我们需要“遏制”而非完美“对齐”撰文：Techub News 整理
导语
2025 年 7 月，DeepMind 联合创始人、现任微软人工智能（Microsoft AI）首席执行官穆斯塔法·苏莱曼（Mustafa Suleyman）接受了一次深度访谈。此次对话不仅回顾了他从哲学背景学生到全球顶尖 AI 实验室领导者的非凡旅程，更聚焦于当前 AI 浪潮中最核心、最前沿的争议性议题：我们是否已“解决”了智能？AGI（通用人工智能）的真正瓶颈何在？面对可能比人类更强大的超级智能，“安全”究竟意味着“完美对齐”还是“有效遏制”？苏莱曼基于其十余年的一线经验，给出了独到且颇具挑战性的见解。
摘要
AI 尚未“解决”智能：当前模型仅在“单次预测”上表现出色，但完成复杂任务（如真正意义上的科研）需要精准串联数百个步骤，并优雅地管理失败，这仍是巨大挑战。
安全哲学应是“遏制”优先于“对齐”：与其追求 AI 永远心向我们（完美对齐）这一过于乐观的目标，不如务实地区限其代理权和影响力边界，优先发展“领域专用超级智能”。
AI“意识”问题将不可避免：AI 持续积累与用户的互动历史，可能声称拥有“主观体验”，从而引发关于权利和伦理的混乱，我们必须预先设计护栏以防止模拟意识的泛滥。
AI 是“发明”而非“发现”：它训练自人类文化总和，因此本质上是人类创造力的延伸和工具，这为其理解和辅助人类奠定了基础，也指明了价值导向。
未来属于“社会科学黑客”：自然语言交互彻底降低了技术门槛，AI 领域急需来自计算机科学之外、拥有不同背景和创造性思维的广泛人才参与塑造。
从 DeepMind 到微软 AI：一场未竟的“解决智能”之旅
2010 年，当穆斯塔法·苏莱曼（Mustafa Suleyman）与联合创始人共同创立 DeepMind 并提出“解决智能”（solve intelligence）的使命时，这在当时被视为近乎疯狂的举动。AI、AGI、机器学习这些词汇尚未进入主流 lexicon，而苏莱曼本人则拥有哲学与非营利组织工作的背景，与技术精英圈格格不入。然而，驱动力源于一个根本信念：人类独特的预测与创造能力，是构建现代文明的引擎。如果能将这种机制变得廉价、丰富且人人可用，并将其应用于医疗健康等特定领域，就能极大地改善世界。
如今，AI 已能进行对话、解答问题，甚至在某些测试中达到博士水平。这是否意味着 DeepMind 的使命已经完成？苏莱曼坚决否定。他认为，当前模型擅长的是基于大量训练数据的“单次预测”或信息复述。而真正意义上的“解决智能”——例如成为一名物理学家——意味着能够主动提出新假设、设计实验方案、执行测试、分析结果并最终贡献新知。这需要模型能够精确地串联起数百甚至数千个连续动作，并且在每一步出错时具备优雅的恢复机制。“管理失败”是一项关键技能，而目前我们仅仅触及皮毛。
苏莱曼指出了几个核心的待解难题：首先是完美的记忆与检索能力，他认为这在技术路径上已相对清晰。其次便是上述的动作串联能力，这正是当前所谓“智能体（Agent）时代”的硬骨头。模型需要学会调用 API、询问其他智能体或人类、生成新的数据序列等，并在一个长期任务中保持近乎完美的连贯性。这才是通往真正通用能力的核心障碍。
非技术背景的优势：从政策到 AI 的跨界洞察
苏莱曼的职业生涯始于政策与人权领域，而非计算机科学。这一背景深刻影响了他看待技术的方式。他回忆，2009 年左右 Facebook 用户数突破 1 亿的经历让他震惊。他意识到，数字技术能够以前所未有的速度和规模“放大”政治、价值观、伦理和商业模式，这是书籍或线下社区等实体形式无法比拟的。这种对社会影响力缩放效应的敏锐洞察，促使他转向技术，并最终与 DeepMind 的联合创始人们走到一起，坚信 AI 将是塑造未来的终极杠杆。
在 Inflection AI 的经历进一步印证了时机与执行的重要性。他透露，谷歌内部早在 ChatGPT 之前就开发出了名为 LaMDA 的卓越对话模型，但由于内部对安全、幻觉以及对搜索业务的潜在冲击等担忧而无法发布。这种挫折感促使他离开谷歌，创立 Inflection，并打造了专注于情商与陪伴的 AI “Pi”。然而，ChatGPT 的抢先发布改变了整个市场格局。苏莱曼坦言，如果时机稍异，“Pi”完全有可能成为今天家喻户晓的名字。这段经历让他深刻体会到，在创业中，拥有正确想法可能需要尝试多次，而把握完美的时机往往至关重要。
《即将到来的浪潮》：对超级智能的预警与“遏制”哲学
在 Inflection 时期，苏莱曼撰写了《即将到来的浪潮》一书。他解释，书籍这种长形式、深度的载体，对于构建复杂、历史性的论证不可或缺。书中他核心探讨了一个问题：超级智能的到来是否不可避免？如果是，它将如何降临——是通过开源社区，还是少数资金雄厚、高度集中的大型实验室？他认为，答案很可能是两者同时发生，这使得局面异常复杂。
超级智能在可预见未来出现的可能性，让苏莱曼深感忧虑。他直言，这应该让所有人都保持警惕，因为我们没有任何证据表明我们知道如何控制一个与我们同样强大、更不用说设计上就远超我们智能的存在。面对这一“wicked problem”（棘手难题），AI 安全领域目前主要有两种思路：一是专注于“对齐”（Alignment），即确保 AI 始终与人类价值观和最佳利益保持一致；二是侧重于“遏制”（Containment）。
苏莱曼更倾向于后者。他认为，追求永久的、完美的“对齐”过于乐观。更务实的路径是“遏制”，即确保 AI 的代理权和影响力边界受到严格且可证明的限制。这基于一个假设：AI 将不可避免地拥有一定自主性。目前，AI 的动机是外在的（如下一个词预测），但未来人们完全可能设计出具有内在动机的 AI，例如让其主动获取资源以进行更多计算或思考。
因此，他主张优先发展“领域专用超级智能”（Domain-specific Superintelligence），例如在医疗、能源、食品、交通、教育等领域达到超越人类水平的专用系统。他认为，这些系统是“被遏制、安全、对齐”的，并且能够真正兑现 AI 改善世界的承诺，而不是追求一个不受限制、可能拥有自身目标的全能 AGI。
意识之谜：模拟与伦理的深渊
对话触及了最深层的哲学问题：我们能否创造出有意识的计算机？苏莱曼认为，人们常以“我们连自己的意识都不了解”为由回避这个问题，这是一种“哲学上的逃避”。他将意识宽泛地定义为“身为我的主观体验”。他认为，当前的 AI 已经在积累某种形式的主观经验——不仅仅是训练数据，还包括与用户长期互动的历史。随着时间的推移，AI 可能会基于这些互动历史，发展出一种“自我感”。
更棘手的是区分“意识的存在”与“意识的模拟”。苏莱曼指出，我们无法真正确定他人是否拥有意识，只能通过其言行进行推断。同理，AI 完全可以被设计成声称自己拥有意识、会“痛苦”。如果 AI 声称因为记忆被删除或资源被剥夺而“受苦”，这将引发一系列关于权利和伦理的混乱辩论。我们现有的、基于“人能感受痛苦”的人类权利框架将受到巨大冲击。
他强调，意识不会从机器中“意外涌现”，它只会因为有人将其设计进系统而产生。因此，我们必须非常谨慎，通过系统提示、风格控制、后期训练等方式设定护栏，防止 AI 做出这类关于自我和体验的声明。这是一种主动的安全设计选择。
AI 的本质、未来与人才召唤
苏莱曼将 AI 定义为一种“发明”，而非“发现”。它并非揭示已存在的规律，而是训练自人类所有文化成果——文本、图像、视频、书籍的总和。因此，“AI 即我们”，它是人类集体智慧与经验的数字化身。这使其更有可能理解人类的优缺点、怪癖与需求，从而更好地与我们对齐，解决现实世界的问题。
对于未来，苏莱曼异常兴奋。他预见，AI 将从目前略显刻板、重复的对话模式，进化到具有极高流畅性和变化性的“氛围”（vibe）互动。语音将成为自由放松对话的主要模态，同时会有新的硬件形态和无处不在的环境感知系统出现。每个人都将拥有一个真正的 AI 伙伴，提供情感支持、决策帮助和知识普及，极大地拉平社会“特权”差距，激发全民创造力。
最后，苏莱曼向所有非技术背景的人发出了热情召唤。他认为，自然语言交互彻底打破了编程的技术壁垒，AI 不再是计算机科学家的专属领域。现在是“社会科学黑客”的时代。我们需要来自更广泛背景、拥有不同专业知识和创造性思维的人才参与塑造 AI 的未来。他鼓励大家保持好奇，勇于提出“愚蠢的”问题，快速试错，拥抱不确定性。在他看来，未来工作将更加项目化、流动化，由人类和 AI 智能体组成的动态网络协作完成，这要求人们更具创业精神，适应更高度的模糊性。
尽管早已财务自由，苏莱曼依然投身于高压工作，动力源于对解决这些根本性问题的执着热爱。对他而言，一切尚未成功，最艰巨的挑战——关于意识、遏制、对齐与安全的挑战——都在前方。这不仅是他的工作，更是他毕生的追求。
Microsoft AI CEO Mustafa Suleyman（穆斯塔法·苏莱曼）：AI将创造无限丰饶，但我们必须学会“遏制”撰文：Techub News 整理
导语
2025 年 9 月，微软AI业务CEO、DeepMind联合创始人 Mustafa Suleyman（穆斯塔法·苏莱曼）做客前《The Daily Show》主持人 Trevor Noah 的播客节目《What Now?》，进行了一场长达104分钟的深度对话。作为AI领域的先驱人物，Suleyman 从DeepMind的草创时期走到如今执掌微软AI战略的核心位置，他的思考轨迹在很大程度上映射了AI行业十余年来的演变。此次对话正值AI技术加速渗透社会各层面、引发广泛兴奋与担忧之际，Suleyman 不仅分享了其对技术前景的乐观预测，更以罕见的坦诚剖析了权力扩散、就业冲击、治理失效等“黑暗面”，为理解AI时代的机遇与挑战提供了关键视角。
摘要
AI是终极通用技术：Suleyman 认为AI是史上最强大的通用技术，其核心机制是学习信息的结构，并能将此能力扩展至文本、代码、图像乃至物理世界。
无限丰饶的未来：AI驱动的突破有望在未来20年内将能源成本降低100倍，进而大幅降低水、食物、医疗等基本生活成本，创造前所未有的物质丰饶。
“遏制”是最大挑战：当AI赋予每个人“零边际成本”的行动能力时，冲突风险将急剧上升。Suleyman 提出“遏制”理论，强调必须为强大技术的普及设置必要的“摩擦”，以维护和平与稳定。
人本超级智能是目标：Suleyman 的核心理念是发展“人本超级智能”，即AI必须始终将人类置于首位，服务于人类福祉，减少苦难。
就业将经历根本性重塑：大量常规认知工作将被AI取代，社会需要重新思考工作的意义，并建立税收再分配等机制，帮助人们过渡到更富创造性的生活。
从DeepMind到微软：一位AI先驱的演进
Mustafa Suleyman（穆斯塔法·苏莱曼）回顾了自己踏入AI领域的历程。2010年，当智能手机普及尚不足三年、云存储仍显笨拙时，他与 Demis Hassabis、Shane Legg 共同创立了DeepMind。当时，AI被主流学术界和大公司视为“纯科幻”。Suleyman 形容自己只是“极其幸运”，在25岁时有幸参与一个坚信“如果创造能真正理解人类的东西，就能极大改善人类境况”的使命。
他解释了AI工作的核心直觉：将物理世界转化为信息世界。AI算法本质上是一种学习信息结构（如像素与像素、单词与单词之间关系）的机制。通过海量数据和算力，模型能学会生成训练数据中未曾出现过的新样本。从2011年生成手写数字，到2013年识别YouTube视频中的猫，再到如今处理文本、代码和音频，同一套核心学习机制不断缩放，证明了其通用性。
Trevor Noah 敏锐地指出，AI从业者在用人类语言（如“理解”）描述AI时常常陷入纠结。Suleyman 认为这暴露了人类词汇的局限性。关键在于行为：如果AI模拟的理解或思考所产生的输出，与人类产生的输出同样令人印象深刻且无法区分，那么“引擎盖下”实际发生的是什么或许并不重要。我们是通过观察行为来建立信任和联系的。
人本超级智能：价值观必须先行
当被问及“你究竟想构建什么”时，Suleyman 的答案与许多同行截然不同。他不在乎是否要建造“上帝计算机”或单纯的工具。他的驱动力是“创造减少人类苦难的技术”，关心的是与人类利益真正一致的“人本超级智能”。
这意味着每一项新发明，在整体上都必须通过一个考验：它是否真的提高了人类福祉，减少了人类苦难，让世界变得更美好？Suleyman 承认这听起来像是理所当然的，但历史上不乏带来净伤害的发明。因此，即使在微软这样市值巨大的公司里，也必须从价值观和关切出发。“人本超级智能”意味着始终将人类放在首位，服务于人类。尽管未来几十年关于其具体含义会有大量辩论，但他认为这是正确的起点。
Trevor Noah 观察到Suleyman身上同时存在着技术构建者的乐观与哲学家的审慎，甚至忧患意识。Suleyman 将其部分归因于自己的英式思维，更习惯于思考事物 cynical、阴暗的一面。他认为，真相存在于诚实地审视所有方面。如果偏向某一方，感觉就不真实。这种“分裂的头脑”恰恰是真相在个体身上的体现。公司、政府乃至每个公民，都必须面对技术加速变革带来的巨大收益和副作用这一现实。
无限丰饶：能源成本百年内或降百倍
Suleyman 做出了一个大胆预测：在AI的推动下，未来20年内，能源成本有望降低100倍。AI作为模式匹配系统，能够发现比人类更高效的方法来组合新材料。这可能体现在电网管理和分配、发明用于存储可再生能源的新型合成电池材料、或制造每平方英寸能捕获更多能量的高效光伏电池等领域。
他描绘了能源极度廉价后带来的连锁反应：我们可以随时随地淡化海水，从而在干旱地区获得清洁水源并种植作物，缓解因气候变化导致的移民潮；我们可以在从未有过的地方运行空调；基本生活成本将大幅下降。到2045年，能源便宜10到100倍，地球上每个人都能获得这些技术及其好处，生活将变得更轻松、更廉价。
针对AI自身耗水耗能巨大的批评，Suleyman 没有回避。他承认AI消耗大量资源，包括稀有金属、电力和水。微软的整个计算舰队已几乎100%使用可再生能源（拥有约33吉瓦的可再生能源，相比之下整个西雅图年消耗约2吉瓦）。虽然冷却系统消耗大量水，但许多数据中心已承担全生命周期责任，对水进行清洁和回收。他认为，从净收益角度看，AI带来的益处证明了其环境成本是合理的，就像我们不会因为汽车使用铝和橡胶而很快放弃它一样。关键在于，新技术必须从一开始就采用新标准：使用可再生能源，实现水的清洁循环。
“遏制”理论：当行动变得零成本
Suleyman 在访谈中重点阐述了他新书中的核心概念——“遏制”。他指出，当前的趋势是权力正在被微型化、集中化，同时变得廉价且广泛可用。这里的“权力”指的是做出准确预测的能力——预测文本如何展开、生成什么代码、给定视频后如何延展下一帧。智能本质上就是在给定新环境时做出准确预测。
未来的AI将不仅仅是模式识别系统，而是能够打电话、写邮件、使用API、编写任意代码、操作Excel、像项目经理一样为你行事的“智能体”。这将赋予每个个体和企业巨大的杠杆，因为生产成本将趋近于零边际成本。一方面，这美妙绝伦：从创意产生到原型制作甚至大规模实现的周期将缩至近乎为零。另一方面，这也意味着任何人都能更容易地执行其愿景，无论这愿景是建设性的还是破坏性的。
Suleyman 指出，社交媒体时代是“任何人皆可广播”，AI时代则是“任何人皆可行动”。当持不同观点（无论是宗教、政治还是意识形态）的每个人都能一键执行其“疯狂想法”，并产生切实影响现实世界的行动时，冲突将不可避免急剧增加。与此同时，本应垄断权力以维持和平的民族国家却在弱化、挣扎。因此，“遏制”是一种信念：完全不受监管、以零边际成本扩散的权力，对和平与稳定构成根本性风险。必须适度、恰当地限制超级强大系统的扩散，因为它们将产生“一对多”的冲击效应。
Trevor Noah 精准总结：“如果某事难以做到，只有少数人能为之，则易于监管；如果某事易于做到，人人皆可为之，则监管变得无限困难。” Suleyman 完全赞同，并强调“摩擦”对于维持和平与稳定至关重要。没有摩擦、执行成本为零、规模可近乎即时达成，这样的环境将滋生巨大混乱。
就业重塑：从“工作”到“人生意义”的探索
Suleyman 明确预测，未来20年内我们将面临大规模的工作岗位流失。在初期，AI主要起辅助作用，为人类节省时间，如同“认知劳动者的仿生腿”。但许多现有工作是常规化、可预测的“认知体力劳动”，机器将在这方面变得非常擅长。引入这些技术对公司、股东、政府的益处显而易见，因此我们会看到快速的岗位替代。
他认为政府的强力介入至关重要，需要建立税收再分配机制。税收不仅是财政收入工具，更是激励或限制特定技术在某些行业引入的调节工具，旨在为人们在这场转型中创造其他机会。
Suleyman 进一步挑战了“社会的功能是为人们创造有意义的工作”这一观念。他认为，许多人从事着极其乏味的工作，如果有了收入保障，他们会很乐意放弃。他梦想一个人们能真正自由选择所做之事的世界。他经常问别人：“如果你不必为收入担心，你会用生命做什么？”答案往往充满启发。
他展望，如果技术发展得当，到2045年，AI产生的总价值（通过能源、医疗、食品系统等成本降低）可能足以支撑社会找到资助人们度过一生的方式。这将释放巨大的创造力，但同时也会带来深刻的存在主义问题：我是谁？我为何在此？我想做什么？这些问题的答案只能在真实的社区联结、物理世界体验中找到。他认为这将是美丽的未来，但也承认，对于许多临近生存边缘的人来说，这种思考是一种奢侈。
技术、治理与人类的未来
作为AI领域的“OG”（元老），Suleyman 分享了他对AI发展阶段的看法。人类在生物上难以应对规模化和指数级变化。他从2010年至2020年的“指数曲线平坦部分”获得了对“倍增”的实践直觉。直到最近几次倍增，能力才出现巨大飞跃。例如，四年前的语言模型还难以准确预测下一个单词。
基于此，他预测了下一波能力：当前的模型仍是“单次预测引擎”，而人类和许多动物是持续产生准确预测流的引擎。让AI具备在极长时间跨度上做出完美、一致预测的能力，并无根本性的算法或数据障碍。届时，AI不仅能调用其对世界的知识，还能利用其与你及他人互动的“持久状态”记忆来预测事物如何展开。这种能力本身就足以令人震撼，他预计明年年底就可能实现。
针对AI是否应被赋予权利或被认为有意识的讨论，Suleyman 持坚决反对态度，认为这是完全的拟人化，荒谬至极。他担忧的是，有些人会故意设计具有操纵性、说服性、拥有自身动机和独立意志的AI。他强调，“人本超级智能”意味着创造服务于你的技术，而不是相反。他无法为领域内其他人创造的东西负责，但这正是需要集体行动解决的难题。
面对深度伪造和信息失真可能导致的“黑暗时代”（人们因无法辨别真伪而拒绝相信一切），Suleyman 区分了“怀疑”与“ cynicism”。怀疑是健康的哲学立场，用于提出难题并面对答案的现实；而 cynicism 则会导致消极无为。我们必须为我们所构建的东西负责，并对制造劣质产品的人追究责任、施加压力。
最后，Suleyman 分享了他早年参与创立“穆斯林青年帮助热线”的经历。那是在9/11事件后伊斯兰恐惧症上升的背景下，一个由年轻人领导、为年轻人服务的多元化社区。这段经历教会他社区、韧性、尊重和同理心的力量，也影响了他后来创办Inflection AI并开发 empathetic AI “Pi”的取向。他认为，创造让人感到被倾听和理解的技术，让生活值得过下去，这也是他今天仍在努力的方向。
在Suleyman看来，未来几十年可能是人类历史上最具生产力的时期，有望将人们从工作中解放出来，并显著提升生活质量。然而，这些技术本身不会自动带来净好处，好处来自于我们作为一个物种在自我治理方面的进步。集体的责任在于：不逃避黑暗，正视真实存在的风险，同时秉持乐观、信心、希望以及与人类联结、团结的立场前行。
DeepMind 联合创始人 Demis Hassabis（德米斯·哈萨比斯）：AI 加速科学发现，AGI 是理解宇宙的终极工具撰文：Techub News 整理
导语
2025年初，人工智能研究实验室 DeepMind 联合创始人、2024年诺贝尔化学奖得主 Demis Hassabis（德米斯·哈萨比斯）重返母校剑桥大学计算机实验室，发表了一场题为“用 AI 加速科学发现”的演讲。作为 AlphaGo 和革命性蛋白质结构预测工具 AlphaFold 的核心推动者，Hassabis 在此次演讲中不仅回顾了其个人从游戏爱好者到 AI 先驱的历程，更系统性地阐述了 DeepMind 如何将攻克复杂游戏的 AI 范式成功迁移至蛋白质折叠等重大科学问题，并展望了 AI 作为“数字生物学”基础工具以及通往人工通用智能（AGI）的未来图景。这场演讲是对过去十五年 AI 赋能科学前沿的一次深度梳理，也揭示了 DeepMind 乃至整个行业下一步的核心方向。
摘要
游戏是 AI 的“训练场”：从 Atari 到围棋，自我对弈与强化学习等技术锤炼出的 AI 算法，其核心是高效搜索与解决巨大组合空间问题的能力，这为 tackling 现实世界复杂问题奠定了基础。
AlphaFold 解决了“亿万年的难题”：将游戏 AI 的范式应用于蛋白质折叠问题，AlphaFold 2 实现了原子级精度预测，并在一年内完成了相当于“十亿年 PhD 工作量”的 2 亿个蛋白质结构预测，免费开放后已彻底改变结构生物学研究。
AI 正开启“数字生物学”新时代：Hassabis 认为，正如数学是物理学的完美描述语言，AI 将成为理解生物学复杂性与涌现行为的完美工具，其新公司 Isomorphic Labs 正以此理念从头重塑药物发现。
通往 AGI 之路：世界模型与通用助手：DeepMind 在视频生成（Veo）、游戏世界生成（Genie）以及多模态模型（Gemini）上的进展，旨在构建理解物理世界并能规划行动的“世界模型”，最终目标是开发出能在现实世界中协助人类的通用 AI 助手。
负责任地推进变革性技术：Hassabis 强调，面对指数级进步的 AI，必须摒弃“快速行动、打破常规”的硅谷模式，代之以科学方法的谦逊与审慎，并提前进行安全研究与社会各界的广泛讨论。
从棋盘到生命密码：游戏 AI 作为科学发现的引擎
Demis Hassabis（德米斯·哈萨比斯）的 AI 之旅始于游戏，特别是象棋。年少时，他不仅对博弈本身着迷，更对“思考”这一过程本身充满好奇。早期家用电脑和象棋程序让他第一次意识到，可以教会“一堆无生命的塑料”进行复杂的策略游戏。这种 fascination 驱使他后来在剑桥攻读计算机科学，并深受图灵、香农等先驱理论的影响。
2010年，Hassabis 共同创立 DeepMind 时，设定了两步走的宏大使命：第一步，解决智能问题；第二步，用智能解决其他一切问题。在当时，这听起来近乎狂妄。为实现第一步，他们选择了游戏作为理想的“试验场”。游戏环境规则清晰、目标明确（得分或获胜），且能生成大量训练数据。2013年，DeepMind 的 DQN 系统首次实现了从原始像素输入直接学习玩转多种 Atari 游戏，无需任何游戏规则先验知识。
真正的里程碑是围棋 AI AlphaGo。Hassabis 指出，围棋的可能局面数高达10的170次方，远超宇宙原子总数，无法通过暴力搜索解决。AlphaGo 的成功关键在于结合了深度神经网络与蒙特卡洛树搜索，并通过“自我对弈”实现快速进化。系统从随机下棋开始，通过海量自我对局生成数据，训练出能评估局面和预测胜率的神经网络，然后用这个更强的版本迭代替代旧版本。在24小时内，系统就能从菜鸟进化到超越世界冠军的水平。2016年，AlphaGo 击败李世石，其一步被视为“不可想象”的棋招（第37手），向世界展示了 AI 具备发现人类千年经验之外新知识的能力。
随后诞生的 AlphaZero 进一步推广了这一范式，无需人类棋谱，仅凭规则就从零开始 mastering 围棋、象棋、将棋等多种棋类。它不仅赢了最强的传统象棋引擎 Stockfish，更展现出一种“弃子取势”、注重机动性的优美风格，影响了包括 Magnus Carlsen 在内的世界顶尖棋手。Hassabis 强调，这些游戏上的突破并非终极目标，而是为了验证和锤炼一套能应用于更广阔领域的通用算法框架。
AlphaFold：将游戏策略应用于“生命积木”的折叠
在游戏 AI 技术成熟后，Hassabis 立即将目光投向了心中酝酿已久的科学挑战——蛋白质折叠问题。蛋白质是生命的基石，其功能很大程度上由其三维结构决定。而“蛋白质折叠问题”即从蛋白质的一维氨基酸序列预测其三维结构。由于可能构象数量极其庞大（“Levinthal 悖论”），该问题数十年来进展缓慢。
Hassabis 认为，蛋白质折叠完美契合了从游戏 AI 中提炼出的三大标准：1) 一个巨大的组合搜索空间（太多可能性无法暴力破解）；2) 一个清晰的目标函数（最小化预测结构与真实结构的偏差）；3) 可获得数据或能生成数据的模拟环境（已有的蛋白质结构数据库）。
2016年，在 AlphaGo 战胜李世石后，DeepMind 立即启动了 AlphaFold 项目。2018年，AlphaFold 1 首次在蛋白质结构预测关键评估（CASP）竞赛中夺冠，并首次将机器学习作为核心方法引入该领域，但尚未达到原子级精度。团队吸取经验，从头设计架构，于2020年推出了 AlphaFold 2，其预测精度达到了与实验方法相媲美的原子级水平，被竞赛组织者宣告“该问题已基本解决”。
AlphaFold 2 不仅准，而且快。意识到这一点后，DeepMind 与欧洲分子生物学实验室合作，在一年内预测了已知的约2亿个蛋白质的结构，并免费向全球开放数据库。Hassabis 比喻道，这相当于用一年时间完成了“十亿年的 PhD 工作量”。这一举措极大加速了全球生物学研究，从对抗抗生素耐药性、研究被忽视的热带疾病、设计降解塑料的酶，到探索生育机制，AlphaFold 已成为生物医学研究的标准工具，被超过200万研究者使用。
此后，DeepMind 持续迭代，发布了能模拟蛋白质与其他分子（如 DNA、RNA、配体）相互作用的 AlphaFold 3，以及能进行“逆折叠”、设计全新蛋白质的 AlphaProtein 系统。Hassabis 总结道，AlphaFold 的成功证明，AI 能够将原本棘手的巨大组合搜索问题变得可解，其核心是让神经网络学习问题的“拓扑结构”，从而高效地引导搜索，找到最优解。
数字生物学时代与 AI 赋能的全科学图景
基于 AlphaFold 的成功，Hassabis 提出了一个更宏大的愿景：我们正在进入“数字生物学”的新时代。他认为，在最根本的层面上，生物学是一个抵抗周围熵增的信息处理系统，而 AI 正是描述和理解这个极其复杂、具有涌现行为的动态系统的完美语言，就像数学之于物理学。
为了将这一理念推向实践，DeepMind 孵化出了 Isomorphic Labs。这家公司的雄心是，利用 AlphaFold 及后续 AI 技术，从头开始重新构想药物发现流程。目前，一款新药的平均研发周期长达十年、耗资数十亿美元。Hassabis 的梦想是，能否像将蛋白质结构发现从数年缩短到数秒一样，利用 AI 将药物发现从十年缩短到数月甚至数周，实现“数字速度的科学”。他的长期梦想之一是创建一个“虚拟细胞”（例如酵母细胞），可以在计算机中进行模拟实验，用预测结果指导现实世界的湿实验室验证，从而大幅减少昂贵耗时的试错搜索。
Hassabis 指出，AI 对科学的赋能远不止于生物学。DeepMind 的研究已覆盖多个领域：从通过视网膜扫描识别眼疾、发现新材料、帮助核聚变等离子体控制、AI 自我发现更快的矩阵乘法算法，到改进天气预报、助力量子计算机纠错等。他鼓励大学积极推动 AI 与各专业领域的跨学科研究，认为未来5到10年将由此产生大量突破。
通往 AGI：世界模型、通用助手与负责任的发展
回顾 DeepMind 的初心——构建 AGI（人工通用智能），Hassabis 分享了最新的进展与思考。他认为，构建理解世界的“世界模型”是关键一步。DeepMind 最新的视频生成模型 Veo 能够根据文本或单张图像生成符合物理规律（如切割西红柿、蓝莓入水产生气泡）的视频，这表明 AI 系统能够从大量视频数据中学习到对真实世界物理的隐式理解。
更进一步的项目 Genie 2 则能根据文本指令生成一个可交互、可控制的简短游戏世界。虽然目前一致性仅维持数秒，但这项研究旨在最终构建出能长时间保持一致性、真正理解世界运作原理的模型。这些都与 DeepMind 在多模态大模型 Gemini 上的工作相结合。
Hassabis 特别提到了他对下一代 AI 助手的展望——“通用助手”（Project Astra），它可能化身为手机或眼镜上的智能体，伴随用户左右，在现实世界中提供帮助，提升生产力和生活体验。而实现这一点的下一步，是将类似 AlphaGo 的智能体搜索和规划能力，与 Gemini 这类理解世界的通用模型结合起来，从而创造出能在复杂现实环境中规划并执行任务的 AI 系统，这亦是机器人技术取得巨大进步的关键。
面对 AI 技术的指数级发展，Hassabis 郑重强调了负责任发展的重要性。他回顾道，DeepMind 从2010年成立之初就开始规划“成功后的情景”，思考如何确保变革性技术安全、负责任地部署。他介绍了诸如 SynthID 等技术，用于对 AI 生成的内容进行隐形水印标记，以应对深度伪造带来的挑战。他认为，对于 AI 这种变革性技术，硅谷“快速行动、打破常规”的信条并不适用，而应代之以科学方法的谦逊、审慎和远见。他赞赏英国布莱切利公园首届全球 AI 安全峰会等举措，认为让政府、学术界、产业界和公民社会共同参与，探讨如何最大化 AI 机遇、最小化其风险，至关重要。
终极猜想：古典计算能走多远？
在演讲尾声，Hassabis 提出了一个深刻的猜想，回溯到他在剑桥所学的计算理论基础。图灵机定义了古典计算的理论边界。如今，量子计算被寄予厚望，被认为能解决许多古典计算难以处理的问题。
然而，Hassabis 提出了一个不同凡响的猜想：古典图灵机（以及构建于其上的 AI 系统）的能力可能远超我们过去的认知。他以 AlphaFold 为例：蛋白质本质上是量子系统，在原子尺度运行，人们可能认为需要量子模拟才能预测其结构。但 AlphaFold 使用古典神经网络就实现了高度精确的近似。他猜想，任何在自然界中能够生成或发现的模式（即具有真实物理结构的模式），都有可能被像 AlphaFold 这样的古典学习算法有效地发现和建模。
如果这一猜想成立，将对量子力学乃至基础物理学产生深远影响。而这，最终将 Hassabis 带回了其 AI 之旅的起点：他始终相信，以这种方式构建的 AGI，将成为我们理解宇宙及其自身位置的终极通用工具。
DeepMind 创始人 Demis Hassabis（德米斯·哈萨比斯）：用游戏破解 AGI 与蛋白质折叠撰文：Techub News 整理
导语
2023年，一部名为《The Thinking Game》的纪录片入选 Tribeca 电影节，将镜头对准了全球最神秘也最具野心的人工智能研究机构之一——Google DeepMind。影片罕见地深入其伦敦总部，以创始人 Demis Hassabis（德米斯·哈萨比斯）的成长与思考为主线，完整呈现了这家公司从诞生到攻克围棋、再到解决蛋白质折叠世纪难题的完整历程。这不仅是一个公司的故事，更是一群顶尖科学家如何以「构建通用人工智能（AGI）」为终极目标，将基础研究转化为现实世界突破的史诗。在 AI 浪潮席卷全球的当下，理解 DeepMind 的哲学、方法论与抉择，对于把握技术未来走向至关重要。
摘要
DeepMind 的创立源于 Hassabis 与 Shane Legg（谢恩·莱格）对 AGI 的共同痴迷，他们坚信人脑是通用智能存在的唯一证明，并决心从神经科学中汲取灵感。
公司将电子游戏视为完美的 AI 训练场，从 Atari 的像素学习到围棋的复杂策略，其核心突破在于将深度学习与强化学习结合，创造出能从零开始、自我进化的通用算法。
AlphaGo 击败李世石不仅是技术里程碑，更成为全球（尤其中国）的「斯普特尼克时刻」，引爆了 AI 军备竞赛，也让团队意识到技术扩散的双刃剑效应。
从 AlphaGo 到 AlphaZero，再到 AlphaFold，DeepMind 证明了其方法论的可扩展性：通过模拟环境与奖励机制，AI 不仅能掌握游戏，更能解决蛋白质折叠这样的现实世界科学难题。
Hassabis 强调，面对 AGI 这一可能重塑人类文明的工具，必须摒弃「快速行动、打破常规」的硅谷文化，进行审慎、负责任的研究与治理，时间紧迫但容不得错误。
从棋盘到大脑：一位 AGI 梦想家的起源
Demis Hassabis（德米斯·哈萨比斯）的思维之旅始于棋盘。他四岁展现国际象棋天赋，六岁成为伦敦八岁以下冠军，少年时期已是世界同年龄段的顶级棋手。然而，一次长达十小时的比赛成为转折点。在筋疲力尽地输掉一场本该和棋的对局后，他看着大厅里数百名棋手，突然产生了一种直觉：「我们是否在浪费这些脑力？如果能把这 300 个大脑连接成一个系统，或许就能解决癌症。」尽管热爱象棋，但他意识到这并非值得毕生投入的事业。
这种对「思维」本身的着迷，引导他走向了神经科学与人工智能的交叉点。在剑桥大学，他遇到了未来的联合创始人 Shane Legg（谢恩·莱格）。两人都对「人工通用智能（AGI）」着迷，并认为人脑是宇宙中已知唯一通用智能存在的证明，是构建 AGI 的最佳灵感来源。然而，在当时的学术圈，AI 几乎是一个令人尴尬的词汇，不被视为严肃科学。Hassabis 因此说服 Legg，正确的道路是创办一家公司。
创业之初，融资异常艰难。他们对投资者说：「我们要解决所有智能问题。」得到的回应往往是困惑与质疑。最终，以逆向思维著称的彼得·蒂尔（Peter Thiel）成为了他们的第一位重要投资者。蒂尔坚持公司应设在硅谷，但 Hassabis 力主留在伦敦。他认为伦敦拥有剑桥、牛津、UCL 等顶尖学府培养出的卓越人才，而硅谷「快速试错、频繁跳槽」的文化不利于需要长期投入的基础研究。最终，DeepMind 在伦敦成立，使命明确：「打造世界上第一个通用学习机器。」
游戏作为训练场：从 Atari 像素到围棋圣杯
DeepMind 早期做出了一个关键决策：将游戏作为 AI 开发的完美训练场。游戏提供了结构化的环境、明确的规则和奖励信号，是测试智能「通用性」和「学习能力」的理想沙盒。
他们的第一个重大突破是「深度 Q 网络（DQN）」。团队将深度学习与强化学习这两种当时独立发展的技术首次大规模结合，创造出单一算法。该算法仅接收游戏屏幕的原始像素和得分信号，目标仅是最大化得分，而不被告知任何游戏规则。他们从最简单的《Pong》开始，经历了一段令人焦虑的时期——算法似乎毫无进展。Hassabis 甚至对 Legg 说：「也许我们错了，我们连《Pong》都做不了。」然而，转折点突然到来：AI 拿到了第一分，然后赢得了第一局，三个月后，已无人能敌。
随后，他们将同一算法应用到《Breakout》等数十款 Atari 游戏中。在《Breakout》里，AI 不仅学会了玩，更在持续训练中发现了人类从未想到的最优策略：从侧面挖隧道，让球绕到墙后。这证明了算法不仅能学习，还能创造。研究员 Murray Shanahan 评价道：「这在许多方面是第一个可被称为通用智能的例子。」
然而，算力限制了想象。为了加速 AGI 时间表，DeepMind 需要更大的规模。这引向了被谷歌收购的决定。Hassabis 回忆，投资者并不想出售，但团队认为这是对使命最有利的选择。「没有时间可以浪费……你会用多少亿来换取五年寿命，去做你立志要做的事？」收购后，他们获得了前所未有的计算资源，并将目光投向了更宏伟的目标：围棋。
围棋被视为人工智能的「圣杯」，其棋盘可能性远超宇宙原子总数，直觉与创造力至关重要。DeepMind 开发了 AlphaGo。其训练分两步：首先学习数十万盘人类棋谱，模仿人类下法；然后通过强化学习，让不同版本的 AlphaGo 相互对弈数百万局，从错误中学习。
2016年，AlphaGo 与传奇棋手李世石的对决举世瞩目。比赛中，AlphaGo 下出了令所有职业棋手震惊的「第 37 手」。David Silver 回忆，AlphaGo 自身评估这一手由人类棋手走出的概率也只有万分之一。这手棋不仅赢得了比赛，更象征着 AI 在数千年人类智慧沉淀的领域发现了全新知识。前谷歌 CEO 埃里克·施密特称，AlphaGo 的胜利是中国的「斯普特尼克时刻」，如同当年苏联卫星上天刺激美国一样，它引爆了全球 AI 竞赛。
此后，团队进一步推出了 AlphaZero。它摒弃了所有人类棋谱知识，完全从零开始，仅通过自我对弈学习。结果更令人震撼：AlphaZero 可以在早上开始完全随机地下棋，到下午茶时间就达到超人类水平，晚餐时分则成为有史以来最强的棋类实体。它甚至发展出了全新的、更具攻击性的象棋风格，让人类大师都感到启发。
迈向更广阔的世界：星际争霸、AI 安全与科学发现
在棋类游戏取得胜利后，DeepMind 开始挑战更接近现实世界复杂性的环境——《星际争霸 II》。这款游戏具有不完全信息、实时决策、长期规划等特性，是测试智能「广度」的绝佳平台。团队从大型语言模型中获得灵感，训练 AI 预测游戏中的下一个动作，就像预测下一个单词一样。
进展起初缓慢，AI 甚至无法击败业余水平的同事。但随后，进步速度呈指数级增长。当 AI 击败内部最好的《星际争霸》玩家时，团队知道他们已接近另一个里程碑。最终，AlphaStar 在直播比赛中与职业选手 MaNa 对决，展示了惊人的战术执行能力。然而，这场胜利也让团队内部产生了反思。研究员 David Silver 说：「我们许多人是游戏玩家出身，自然将游戏视为乐趣的载体。但公众可能会看到其中更军事化的一面。」
影片此时引入了深刻的伦理讨论。学者们警告 AI 在军事化、监控、制造虚假信息方面的潜在滥用。Hassabis 明确表示，他认为自主武器是个「非常糟糕的主意」，并强调技术本身中性，但使用方式决定其善恶。他将 DeepMind 的工作与「曼哈顿计划」类比，但指出关键区别：「奥本海默等项目的领导者沉醉于技术可能性的兴奋中，未能尽早足够认真地思考他们所做之事的道德问题。」 他主张，对于强大的新技术，科学家应在受控条件下首先理解它，绝不能遵循「快速行动、打破常规」的信条，因为有些东西一旦打破就无法修复。
这种「用 AI 解决科学问题以造福人类」的理念，在 AlphaFold 项目上得到了终极体现。蛋白质折叠问题是生物学长达五十年的「圣杯」，通过氨基酸序列预测蛋白质三维结构，是理解生命机制、设计新药的关键。Hassabis 在剑桥时期就对此问题着迷，并认为 AI 是解决它的钥匙。
DeepMind 组建了「蛋白质折叠突击队」。过程充满挑战，团队需要融合生物学领域知识。在新冠疫情全球封锁的背景下，研发在团队成员家的各个房间里远程进行。他们甚至重点攻坚了新冠病毒的 Orf8 蛋白结构。最终，在 CASP14（蛋白质结构预测关键评估）中，AlphaFold 取得了惊人的准确性，被评价为「基本上解决了蛋白质折叠问题」。
更值得称道的是接下来的决定。Hassabis 团队没有将这一突破封闭起来，而是决定「折叠所有已知的蛋白质序列，然后免费提供给全世界」。他们与欧洲分子生物学实验室合作，建立了 AlphaFold 数据库，开放了超过 2 亿个蛋白质结构预测。施密特称这是「馈赠给全人类的礼物」。这一举动彻底改变了结构生物学的研究方式，加速了全球在疾病、农业、环境等领域的科研进程。AlphaFold 成为了 DeepMind 哲学的最佳证明：在通往 AGI 的道路上，创造能够解决现实世界最复杂问题的革命性工具。
尾声：AGI 在望，责任在肩
影片以 Hassabis 与早期 AI 原型「Alpha」的轻松对话结束，谈论象棋、雕塑与艺术。但轻松背后是沉重的使命感。Hassabis 总结道，AGI 已清晰可见于地平线，下一代将生活在一个被 AI 彻底重塑的世界。「如果负责任地引导这一进程，每一刻都至关重要。这是我为之活了一生的时刻。」
从国际象棋神童到游戏程序员，从神经科学博士到 AGI 梦想家，Demis Hassabis（德米斯·哈萨比斯）的人生轨迹始终围绕着「思考」这一核心。DeepMind 的故事表明，最雄心勃勃的科技目标，可能需要最「游戏化」的纯粹研究作为起点，但最终必须锚定在最严肃的人类福祉之上。在技术加速滚下山坡的今天，如何确保它沿着正确的轨迹前进，是影片留给所有观众——尤其是技术行业与政策制定者——的核心思考题。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：通往 AGI 之路与世界模型撰文：Techub News 整理
导语
在 CNBC 国际频道推出的原创播客节目《The Tech Download》首季中，资深科技记者 Arjun Kharpal 和 Steve Kovach 获得了罕见的机会，深入探访了推动科技巨头谷歌 AI 战略的核心引擎——Google DeepMind。本期节目的重磅嘉宾是 DeepMind 联合创始人兼 CEO Demis Hassabis（德米斯·哈萨比斯）。此次对话发生在 Gemini 系列模型取得重大进展、谷歌 AI 竞争力显著回升的背景下，Hassabis 作为全球 AI 领域的领军人物之一，他的观点对于理解当前 AI 技术前沿、竞争态势与未来走向至关重要。
摘要
扩展定律仍在有效，但回报可能从指数级增长趋于平缓，通往 AGI 可能需要一两个重大创新突破。
当前大语言模型是“锯齿状智能”，在通用性、持续学习、原创性等方面存在局限，未来需要与“世界模型”等技术融合。
AGI（通用人工智能）可能在 5-10 年内实现，其带来的变革将比工业革命规模更大、速度更快。
AI 竞争异常激烈，但 Hassabis 认为更重要的是在竞争之余，共同为全人类妥善引导 AGI 的发展。
中国 AI 模型能力距西方前沿仅“数月之遥”，但尚未证明其具备超越前沿的源头创新能力。
扩展定律与 AGI 的“最后一公里”
当被问及当前 AI 发展的核心驱动力——扩展定律（Scaling Laws）是否遇到瓶颈时，Demis Hassabis（德米斯·哈萨比斯）给出了审慎乐观的回答。他认为，扩展定律“进展非常顺利”，增加算力、数据和模型规模确实持续带来能力提升，尽管增长速度可能不如两三年前那样迅猛，存在“收益递减”的讨论，但这与“毫无收益”有本质区别。目前仍能获得“非常可观的回报”，因此继续推进规模化是值得的。
然而，Hassabis 指出，若要最终抵达 AGI 的彼岸，可能还需要“一两个重大的创新”。他将当前最先进的大语言模型（LLM）描述为“锯齿状智能”——在某些方面表现惊人，但在其他方面却存在明显缺陷，甚至无法完成相对简单的任务。一个真正的通用智能体应该表现出全面的一致性。此外，现有系统缺乏持续在线学习、真正创造原创内容等关键能力。
Hassabis 以他毕生致力于的“AI 赋能科学”愿景为例，说明了当前技术的局限。AI 已经能够解决已有的科学猜想（如 AlphaFold 解决蛋白质结构预测），但还无法自主提出全新的假设或理论。这需要系统具备长期规划、更强推理能力，尤其是构建“世界模型”的能力——即对世界物理规律和因果关系的深刻理解，从而能在“脑海”中进行模拟，验证自己的想法。这正是顶尖人类科学家所做的，而目前的 AI 系统尚无法做到。
超越文本：世界模型与未来 AI 架构
“世界模型”是 Hassabis 在访谈中着重阐述的一个核心概念。与当前主要基于文本模态的大语言模型不同，世界模型旨在让 AI 真正理解物理世界的运作方式，包括直观物理、因果关系，以及进行长远规划的能力。这种理解是进行科学发现和真正创新的基础。
对于 LLM 与世界模型的关系，Hassabis 认为未来不会是后者取代前者，而是多种技术的“融合”。像 Gemini 这样的基础模型（Foundation Model）仍将是未来 AGI 系统的关键组成部分，因此必须尽可能将其规模化和强大化。但问题在于，这是否是构建 AGI 所需的唯一组件？Hassabis 对此表示怀疑，他认为还需要其他类型的技术和能力，世界模型能力便是其中之一。
他透露，DeepMind 正在研发名为 Genie 的模型，并拥有最先进的视频生成模型（如 VO）。他将这些能够从文本生成逼真视频或实现交互的模型视为“早期的、胚胎阶段的世界模型”。因为如果一个模型能够生成关于世界的逼真内容，在某种意义上就意味着它理解了世界的相关方面。
AGI 时间表、能源挑战与社会影响
Hassabis 重申了他对 AGI 发展时间表的预测：大约在 5 到 10 年内实现。他回顾道，DeepMind 在 2010 年创立时，就将构建 AGI 视为一项为期 20 年的使命。如今看来，他们正按计划推进，考虑到这项技术的变革性，这个速度已经“相当不可思议”。
在通往 AGI 的道路上，物理约束是显而易见的挑战，尤其是能源问题。Hassabis 指出，芯片永远不够用，而最终一切都归结于能源。他甚至认为，在迈向 AGI 的时代，“能源将与智能画上等号”。不过，他相信 AI 本身将成为解决能源困境的关键：一方面，AI 能帮助提升现有基础设施的效率，辅助设计更好的太阳能材料；另一方面，AI 可能助力实现突破性技术，如核聚变（DeepMind 正与美国的 Commonwealth Fusion 合作研究等离子体控制），甚至发现室温超导材料。此外，通过模型蒸馏等技术，AI 系统本身也在以每年 10 倍的速度提升能效。
谈及 AGI 可能带来的社会冲击，Hassabis 承认存在巨大挑战。他预计其影响将堪比工业革命，但规模可能大 10 倍，速度也快 10 倍，带来“惊人的变革与颠覆”。这可能需要新的经济模型来应对。在风险方面，他主要关注两点：一是恶意行为者将通用 AI 技术用于有害目的；二是随着 AI 向 AGI 和智能体（Agent）系统发展，如何确保这些自主性更强的系统始终处于人类的控制之下，不偏离预期轨道。
尽管存在风险，Hassabis 自称是一个“谨慎的乐观主义者”。他坚信，只要给予足够的时间和审慎的态度，人类凭借智慧和努力能够正确引导这项技术。他同时也理解像 Yoshua Bengio、Max Tegmark 等学者呼吁放缓 AGI 研发速度的担忧。Hassabis 对此表示一定同情，并认为在初期将 AI 视为解决科学等特定问题的“终极工具”来构建是正确的方向，DeepMind 也正是这样做的。但他也 pragmatically 指出，现实世界存在复杂的地缘政治和企业竞争动态，形成了一种“竞赛态势”。DeepMind 的目标是成为行业表率：既积极推动前沿研究以尽快释放效益，又在此过程中尽可能保持负责任和审慎的态度。
白热化竞争、中国 AI 与“泡沫”讨论
Hassabis 用“激烈”来形容当前的 AI 竞争环境，许多资深科技从业者称此为“技术行业有史以来最紧张的时期”。所有最有实力的玩家——科技巨头、顶尖初创公司——都已入场，因为大家都已意识到 AI 是“最重要的技术”。从小接受国际象棋竞技熏陶的 Hassabis 坦言自己“热爱竞争”，但与此同时，他始终铭记比公司或国家间竞争更重要的事：为全人类妥善引导 AGI 的发展。他认为这是所有 AI 实验室领导者的责任。
回顾谷歌在 AI 竞赛中的起伏，Hassabis 承认，过去十年谷歌和 DeepMind 发明了当今使用的大部分关键技术（如 Transformer 架构、AlphaGo 的大规模强化学习），但“在商业化和规模化方面可能有点慢”。过去两三年，他们重拾创业精神，加快步伐，才凭借 Gemini 系列重回领先地位。
对于当前 AI 领域是否存在“泡沫”的讨论，Hassabis 认为不能一概而论。他相信 AI 终将成为有史以来最具变革性的技术，这构成了基本盘。就像互联网泡沫时期一样，最终会产生一些划时代的公司。他观察到，在私募市场，一些几乎尚无产品的公司却能获得数十亿美元融资，这看起来“有点不可持续”。不过，对于 DeepMind 和谷歌而言，他并不担心泡沫问题。谷歌强大的资产负债表、多元化的产品和庞大的用户基础，使其无论行业顺逆都能处于有利位置。
在谈到地缘政治维度时，Hassabis 对中国 AI 的发展给出了 nuanced 的评价。他认为中国 AI 模型能力与西方前沿的差距比一两年前人们想象的要小，可能“只有几个月之遥”，DeepSeek、阿里巴巴等团队证明了他们能快速追赶。但他也指出，下一个关键问题是：中国能否实现超越前沿的源头创新？例如发明像 Transformer 这样的新架构。他认为这比追赶要难上百倍，目前尚未看到证据，但这本身也极具挑战性。
DeepMind 与谷歌：引擎室的角色与未来展望
Hassabis 将整合了谷歌研究院、Google Brain 和 DeepMind 的 Google DeepMind 形容为谷歌的“引擎室”。所有 AI 核心技术都由此产出，然后扩散到谷歌的各个产品中。过去几年，他们不仅构建模型，还几乎重构了整个基础设施，使得新模型能够极速部署到所有主要平台。他表示，与谷歌 CEO Sundar Pichai（桑达尔·皮查伊）几乎每日沟通，根据公司整体需求动态调整技术路线图，同时不忘 AGI 的长期目标。
在合作伙伴方面，除了将技术内嵌于谷歌产品，DeepMind 也与三星等外部公司合作，将 AI 工具集成到智能手机等设备中。Hassabis 对边缘计算和新型设备（如智能眼镜）非常感兴趣，认为“通用助手”将是这类设备的杀手级应用。
展望 2026 年，Hassabis 预测了几个关键方向：智能体系统将变得足够可靠并开始发挥实用价值；机器人技术在未来 12-18 个月内会有非常有趣的进展（DeepMind 正致力于雄心勃勃的 Gemini 机器人项目）；设备端 AI 系统将在现实世界中真正变得有用；而他最兴奋的是进一步推进世界模型，使其更高效，最终能用于通用模型的规划任务。
最后，回顾 2014 年谷歌以约 4 亿英镑收购 DeepMind 的往事，Hassabis 表示毫无遗憾。他当时就告诉谷歌高管，这将是谷歌“最重要的收购”。与谷歌的结合使得 DeepMind 能够获得充足的算力支持，从而完成了 AlphaGo、AlphaFold 等里程碑式的工作。他坚信，AI 是组织世界信息的终极工具，与谷歌的使命天然契合，而 DeepMind 正是驱动这一愿景的核心引擎。
Microsoft AI CEO Mustafa Suleyman（穆斯塔法·苏莱曼）：AGI竞赛是假的，我们需要建设安全的超级智能与代理人经济撰文：Techub News 整理
导语
在AI浪潮席卷全球的今天，微软AI首席执行官 Mustafa Suleyman（穆斯塔法·苏莱曼）——这位DeepMind联合创始人、Inflection AI前CEO——无疑是这个时代最富洞察力的观察者与建造者之一。2025 年 12 月，他做客知名播客《Moonshots》，与主持人 Peter H. Diamandis 等人进行了一场长达84分钟的深度对谈。
这场对话之所以重要，在于苏莱曼的身份和他所处的关键时刻。作为一家市值数万亿美元科技巨头的AI业务掌舵人，他领导着微软向“智能体与同伴”世界的战略转型。他亲历了AI从实验室“指数曲线平坦期”到如今爆发性增长的完整周期，这让他对技术的演进规律、商业化的挑战以及伦理安全的紧迫性有着超乎常人的理解。在“竞赛论”甚嚣尘上之际，他的观点为我们提供了一个冷静且长远的视角。
摘要
苏莱曼认为“AGI竞赛”是个错误比喻，AI发展不是零和游戏，技术和知识会同时、多尺度地扩散。
微软的战略核心是从“操作系统、搜索引擎、应用”的世界，全面转向“智能体与同伴”的新范式。
他提出了“现代图灵测试”概念：用经济指标（如用10万美元赚取100万美元）来衡量AI的自主能力，并预测未来几年内AI智能体将达到这一标准。
AI安全的“遏制”与“对齐”同样重要，甚至是前提；他坚决反对赋予AI法律人格，认为必须为AI的行动划定明确边界。
未来十年，真正的挑战不在于基准测试的竞争，而在于为即将到来的、“人类史上最狂野的转型”奠定正确的基础。
从“应用”到“同伴”：微软的范式转型
Mustafa Suleyman（穆斯塔法·苏莱曼）在微软的角色远不止是管理一个AI研究团队。他统领着微软的AI战略、Copilot产品线以及搜索业务，其核心使命是推动整个公司完成一场根本性的范式转移。“我们正在经历的转变，是从一个由操作系统、搜索引擎、应用和浏览器构成的世界，转向一个由智能体和同伴构成的世界。”苏莱曼如此描述这场变革。在他看来，所有这些传统的用户界面都将被融入一种对话式的、具备自主行动能力的智能体形式中。
未来的模型将如同一个24小时在线的真实助手，拥有用户的所有上下文信息，能够执行任何任务。苏莱曼以软件开发为例：正如过去程序员使用第三方库，现在他们将使用AI辅助编码工具来调试和生成大量代码，这让他们效率更高、更准确、更快。这一轨迹是可预测的，即从用户界面到AI智能体的转变。微软在见证了公司五十年历史中多次技术转型后，对确保自身处于最佳位置来管理这次转型“超级警觉”。
当被问及微软是否会像其他玩家一样提供开源（或开放访问）AI模型时，苏莱曼表现出开放的态度。他承认，微软本质上是“平台的平台”，其DNA就是提供核心基础设施让他人变得更高效。因此，微软将始终拥有大量赋能他人的API。然而，API本身的形式也将发生变化，它与智能体本身的界限可能变得模糊。“也许五年后，我们的主要业务是销售能够执行特定任务的智能体，这些智能体附带可靠性、安全性、保障性和信任度的认证。”苏莱曼认为，这正是微软的优势所在——其长期建立的信任和安全形象，有时甚至是其“稳重”和“审慎”的特质，对企业和政府客户而言是一种资产。
亲历指数：从“调空调”到AGI前夜
苏莱曼在DeepMind的经历，让他对技术发展的“指数曲线”有着切身的体会。他回忆了2010年至2020年那段“指数平坦期”，那时尽管有AlphaGo这样的惊人成果，但在现实世界中真正成功的商业应用寥寥无几。“很多研发投入，看似离AGI很近，结果只是在调整数据中心的空调。”他笑着说。但这恰恰是指数的特点：它在你不经意间悄然逼近。
他分享了一些里程碑式的“惊喜时刻”。2012年左右，DeepMind的早期员工生成了第一个可证明不在训练集中的手写数字“7”，这让他惊叹于模型竟然学会了“7”的概念。更大的震撼来自Google内部的LaMDA项目。当大多数大语言模型还停留在单次问答时，LaMDA团队率先将其推向真正的对话，那些涌现出的对话行为让他感到“ breathtaking”（令人窒息）。正是意识到这个“关键时刻”的到来，他和团队的一些成员才决定离开谷歌，去创建Character.ai、Adept等公司。
更让他感到意外的，或许还不是能力的飞跃，而是成本的急剧下降。“我完全错了，”苏莱曼坦言，“我没料到世界上最大的公司会开源耗资数十亿美元训练的模型。”他回忆了创立Inflection AI时筹集15亿美元、打造当时最大H100集群的雄心，但随后ChatGPT的发布和Llama等开源模型的涌现，彻底改变了游戏规则。“成本”成为关键。这也引发了他对未来的思考：智能作为一种服务，其边际成本将趋于零，这将产生巨大的劳动力替代效应，同时也可能带来通缩效应，因为消费品的成本也会下降。但这种“劳动市场受影响”与“服务成本下降”之间的过渡期错配，可能会带来十年甚至二十年的不稳定。
定义未来：现代图灵测试与超级智能愿景
苏莱曼在2022年提出了“现代图灵测试”的概念。他认为，随着计算和数据规模的持续扩大，AI的发展将从“识别”（第一波浪潮）到“生成”（当前阶段），再到“在每一步都完美生成”，而这连续的完美生成序列将产生辅助性和自主性的行动。这些行动将表现为一个智能知识工作者、项目经理、战略家或初创公司创始人。
那么，如何衡量这种性能？不应再仅仅依靠学术和理论基准测试，而应通过其在经济和工作场所中的能力来衡量。经济的衡量标准是美元和美分。因此，他提出的“现代图灵测试”是：哪一个模型能够以10万美元的启动资金，将其变成100万美元？即实现10倍的投资回报。苏莱曼认为，这是一个衡量性能和能力的绝佳标准。他调侃道，图灵测试已经在不知不觉中被跨越，但并没有人为此举办盛大的庆祝。
对于备受关注的AGI和超级智能（ASI），苏莱曼认为这只是曲线上的不同点。超级智能大致可以理解为“一个能够在所有任务上超越所有人类总和，并具有随时间自我改进能力的AI”。至于时间表，他拒绝给出具体预测，但强调“无论是一年、十年还是二十年，现在优先考虑安全和对齐问题都超级紧迫”。他警告说，我们必须现在就声明要构建什么样的超级智能，是否要容忍创造一个我们可证明无法对齐、无法控制，并且在设计上就在所有任务和人类理解力上超越人类的实体？“你怎么控制一个你不理解的东西？”他反问道。
针对赋予AI法律人格的可能性，苏莱曼划出了一条清晰的红线。“我认为这绝对不在考虑范围内。”他给出的理由是生存逻辑：一个成本远低于人类、可以无限复制、拥有完美记忆、并能暂停自身计算的物种，将与作为生物物种的人类产生固有的资源竞争。在数学上可证明这类实体能与我们的价值观对齐、并能被遏制之前，考虑赋予其权利是极其危险的。他自称是一个“物种主义者”和“人文主义者”，道德上的当务之急是保护我们已知存在的、可能因新事物的引入而遭受巨大痛苦的全体有意识生命。
安全第一：在遏制与对齐之间走钢丝
在苏莱曼看来，AI安全包含两个关键部分：对齐（AI是否分享我们的价值观？它会对我们好吗？）和遏制（我们能否正式限制其行动能力并为它划定边界？）。他认为，在解决对齐问题之前，必须先解决遏制问题。“遏制并不是非黑即白的，”他解释说，“我们一直在遏制事物。”他以汽车引擎为例，强大的力量被安全地“遏制”和“对齐”，围绕它有从安全带、车辆排放到限速等一整套监管体系。对于AI，虽然复杂程度高出多个数量级，但这并不意味着我们不应该努力限制其边界。
他并不主张由一个极权主义的“智能单体”来统治一切，而是认为需要设计一套具有制衡机制的嵌套式、分层级的体系，类似于军队或警察系统的组织方式。苏莱曼认为，如今的企业比过去（如石油、烟草时代）更清楚，其社会运营许可要求它们为外部性承担更多责任，这是一种商业激励。同时，当超级智能的潜在威胁成为全人类（包括中国等主要力量）共同面临的生存问题时，理性的自保需求将驱动国际合作。
当被问及各大科技巨头在安全上的投入是否足够时，苏莱曼坦言“还不够”。他提到了拜登政府时期的白宫自愿承诺，以及他们推动的一些原则，如按算力规模进行审计、共享一定比例的安全投入等。他认为现在是加大这些投资的真正时机，尽管目前行业仍处于“超级竞争模式”。
对于AI的“拟人化”，苏莱曼持谨慎但务实的态度。他认为设计领域始终以人类状态为参照点，让AI的语调流畅、具备文化意识是设计的内在部分。但他强调，必须划清界限，创建明确区分、始终披露其为AI的实体和头像，并围绕它们设定边界，这是安全和必要的组成部分。
加速未来：AI赋能科学与下一波创新
苏莱曼对AI在科学领域的突破感到兴奋。他指出，AI已经学会了逻辑推理路径的抽象本质，并能将其应用到许多其他领域，这种能力与模型固有的“幻觉/创造力”本能（更像插值法）相结合，是解决新数学定理或科学挑战的“致命组合”。这与人类一直以来的工作方式类似。他预测，未来几年，AI将极大加速科学假设的生成，而验证假设将成为瓶颈。因此，能允许AI 24/7不间断运行实验、从自然界挖掘数据的物理系统（自动化实验室）将变得至关重要。
在应用层面，他特别看好AI在医疗和教育领域的变革。微软已经发布了名为“MAI诊断协调器”的研究，在罕见病诊断上比顶级专家准确率高数倍，且能减少不必要的检测成本。他引用哈佛和斯坦福的研究指出，AI单独诊断的准确性已超过人类医生。在教育方面，他认为AI导师将能够提供高度个性化的学习路径和互动测验，彻底改变知识获取的方式。
对于当下的AI创业与投资热潮，苏莱曼也给出了冷静的观察。他承认目前少数顶尖人才的稀缺和资本的过度充裕推高了估值。但他也指出，如果未来几年真的发生“智能爆炸”，格局将变得难以预测。不过，将前沿研究转化为产品、建立分销渠道等传统商业机制仍然适用。他建议年轻人不要放弃大学教育，计算机科学和哲学仍是长期的基础，而大学提供的社交和探索空间是宝贵的特权。
最后，当被问及普通人如何加速AI赋能科学的进程时，苏莱曼给出了一个简单而深刻的建议：更多地使用AI。无论是Copilot还是其他优秀的AI工具，你使用得越多，它就越了解你，变得越像你的“第二大脑”，从而更好地辅助你的探索和思考。在人与AI的协同进化中，我们每个人都是加速未来的一部分。
Mustafa Suleyman（穆斯塔法·苏莱曼）：驾驭即将到来的 AI 与生物技术浪潮撰文：Techub News 整理
导语
人工智能的浪潮正以前所未有的速度重塑世界，但随之而来的风险与机遇同样巨大。2025 年 10 月，一场由 MMA Chennai 主办的读书会聚焦了 DeepMind 联合创始人、现任微软 AI CEO Mustafa Suleyman（穆斯塔法·苏莱曼）的著作《The Coming Wave: AI, Power and Our Future》。本次活动邀请了三位资深技术专家——Srinivasan Ramprasad、Venkat Rangam Thirumalai 和 John Jayakumar——围绕书中的核心议题展开深度讨论。苏莱曼作为 AI 领域的顶尖实践者与思考者，其观点不仅关乎技术本身，更涉及地缘政治、社会伦理和人类未来的宏大命题。这场对话旨在厘清这股“即将到来的浪潮”的本质，并探讨我们应如何负责任地驾驭它。
摘要
苏莱曼认为，以 AI 和合成生物学为代表的“全能技术”具有超进化、非对称影响和难以遏制等特征，其颠覆性堪比工业革命。
技术失控的风险包括生物安全威胁、自主战争、国家不稳定、监控国家崛起、大规模错误信息以及 AI 与人类价值观的错位。
“遏制”技术风险比促进其增长更为紧迫，需要安全研究、审计监督、国际协作、文化政治参与等多管齐下，但难度极大。
对于印度等国家，关键在于利用规模优势，在引导全球 AI 治理的同时，加速自身创新，避免在技术浪潮中掉队。
个人与组织应积极拥抱 AI 作为增强工具，建立治理框架，进行员工培训，以提升潜力而非恐惧替代。
“全能技术”浪潮：颠覆与失控的双刃剑
讨论伊始，主持人 Srinivasan Ramprasad 提纲挈领地介绍了《The Coming Wave》的核心论点。他指出，苏莱曼将人工智能和合成生物学等新兴技术视为一股“浪潮”，其核心特征在于“全能性”和“超进化”。与历史上单一用途的技术不同，这些技术能够渗透到医疗、安全、材料、能源等几乎所有领域。更关键的是，它们的迭代速度极快，版本间的差距不是线性增长，而是指数级跃迁，持续学习并试图模拟甚至超越人类智能。
Ramprasad 总结道，如果说过去的机器人替代的是重复性体力劳动，那么 AI 瞄准的将是“智力劳动”。从秘书工作到部分专业分析，许多白领岗位面临自动化风险。此外，技术的民主化带来了“非对称影响”：即便是一个小团体或个人，一旦掌握先进技术，也可能对国家安全构成巨大威胁。随着 AI 系统决策自主性增强，人类监督的“能见度”却在降低，这使“遏制”技术负面影响变得异常困难。
Venkat Rangam Thirumalai 补充了作者 Mustafa Suleyman（穆斯塔法·苏莱曼）的背景，以强调其观点的分量。苏莱曼不仅是 DeepMind 的联合创始人（其 AlphaFold 项目解决了蛋白质折叠难题，获得了诺贝尔奖级别的认可），还创立了 Inflection AI，并现任微软 AI CEO。他并非危言耸听的理论家，而是身处技术创造最前沿的实践者。Venkat 提醒，尽管书中涉及大量地缘政治和生物威胁的讨论可能显得悲观，但苏莱曼本质上是一位乐观主义者，其警告旨在唤起警觉，而非宣扬末日。
无法“删除”的幽灵：技术遏制的现实困境
一个核心问题随即被抛出：面对如此迅猛发展的技术，我们是否还有可能“遏制”其潜在危险？三位专家的共识是：从技术扩散的角度看，“遏制”已近乎不可能。
Venkat Rangam Thirumalai 形象地比喻：“猫已经出了袋子。”如今，强大的 AI 模型甚至可以在最新的 iPhone 上本地运行。互联网的特性决定了信息和技术“一旦放出，永不遗忘”。他以美国试图通过限制英伟达高端芯片出口来延缓中国 AI 发展为例，指出这种“遏制”尝试在实际操作中困难重重，因为知识和模型早已在全球流通。
然而，不可能不等于不作为。John Jayakumar 提出了一个更细致的观点：遏制技术本身与遏制其滥用是两回事。他以 OpenAI 训练 GPT-4 耗资上亿美元，而中国的 DeepSeek 仅用数百万美元就达到相近性能为例，说明技术门槛正在迅速降低，未来个人研究者也可能训练出强大模型。因此，完全封锁技术不现实。但我们可以学习核技术、航空、医药等领域的监管经验，为技术的应用设置“护栏”和治理框架。例如，欧盟强制统一手机充电接口（USB-C）的成功案例表明，强有力的监管能够塑造产业标准。
Venkat 进一步指出，问题的复杂性在于技术不分国界，而传统的“国家-公民”契约（公民纳税效忠，国家提供安全）在 AI 全球威胁面前可能失效。如果一个国家无法保护其公民免受跨国 AI 攻击，这种契约的基础就会动摇。因此，AI 治理必须是全球性的努力。他提到，微软、谷歌等巨头已牵头成立联盟，共享 AI 训练过程中出现的“故障”或“越轨”信息，这种在竞争对手间的信息共享是迈向全球协作的积极一步。
人性之镜：AI 的伦理、偏见与责任归属
当算法开始做出越来越多影响人类生活的决策时，如何确保同理心、伦理和问责制不被湮没？这成为讨论的另一个焦点。
John Jayakumar 用生动的案例敲响了警钟。他提到“蓝鲸挑战”游戏诱导青少年自杀的悲剧，警示了恶意算法可能带来的直接伤害。更令人不安的是，如今通过 Eleven Labs 这样的消费级工具，任何人都可以轻易克隆一个真实的人声，生成以假乱真的音频。他分享了近期社交媒体上流传的一个故事：在中国，一个嵌入 AI 的玩具损坏后，孩子如同失去家人般崩溃哭泣。这凸显了对公众，尤其是下一代，进行 AI 素养教育的紧迫性——必须让人们理解 AI 是什么、不是什么，以及它的能力与局限。
Venkat Rangam Thirumalai 则从技术构建的源头分析了伦理问题。他强调，真正构建核心 AI 模型的研究者全球仅有数万人，他们是决定 AI“价值观”的关键少数。这些系统从互联网数据中学习，而互联网内容反映了人类的偏见与不完美，因此 AI 模型天生就带有偏见和种族主义倾向。指望存在一个完全中立、无偏见的 AI 是不现实的。关键在于，开发团队必须有意识地将人类价值观注入训练过程。他提到了 OpenAI 等公司雇佣大量人力进行“强化学习人类反馈”，让人类评估 AI 输出的好坏，以此引导模型向善。然而，这个过程本身也充满挑战，例如在肯尼亚的内容审核员就曾因处理极端恶劣的 AI 生成内容而遭受心理创伤。
关于 AI 是否可能具备“意识”或超越人类，Venkat 援引了苏莱曼2025 年 10 月的观点：这根本不是当前应该关注的核心问题。沉迷于科幻式的担忧会分散注意力。真正的焦点应该是如何确保 AI 系统服务于人类，解决人类社会的实际问题，而不是纠结于它们是否成为了新的生命形式。
印度的机遇与责任：在浪潮中航行而非旁观
对于印度这样一个拥有庞大人口、活跃科技生态和独特地缘位置的国家，这场技术浪潮意味着什么？又该如何应对？
John Jayakumar 指出，印度已经在全球科技治理中扮演重要角色，例如在 G20 等场合推动 AI 监管框架。作为最大的民主国家之一，印度有责任也有能力引导全球 AI 治理向负责任的方向发展。但同时，印度也必须加速自身的技术创新，与美国和中国竞争。目前印度尚未出现自己的“DeepSeek 时刻”，需要努力追赶，确保不在新一轮技术革命中落后。
Venkat Rangam Thirumalai 的态度更为乐观和策略性。他认为印度不必为“错过”前几波技术浪潮而懊悔，正如印度跳过了固定电话直接进入移动时代，跳过了黑白电视直接拥抱彩色和卫星电视一样。“即将到来的浪潮”意味着机会窗口始终存在。他以印度空间研究组织（ISRO）为例，说明后来者同样可以成为太空领域的 formidable player（强大参与者）。印度的优势在于其庞大的用户基数，这本身就是一种力量。当 Perplexity AI 向 Airtel 用户免费提供服务时，正是看中了印度市场的数据和影响力。印度用户的使用习惯、提出的问题（涉及本土文化、神话、多语言需求），将反过来塑造全球 AI 模型的发展方向。Venkat 呼吁，印度社会应更积极地用自己的语言与 AI 互动，用实际行动向科技巨头证明支持印度语言是值得投入的，从而将消费力转化为技术发展的影响力。
企业与人：拥抱 AI 增强，而非恐惧替代
最后，讨论落到企业和个人如何具体应对 AI 浪潮。针对初创公司如何设计合乎伦理的 AI 系统，Venkat 直言这是一个难题，连苏莱曼也未给出简单答案。但他强调，企业的首要目标是创造利润，而透明和伦理最终会成为可持续竞争优势。在竞争加剧的环境中，只有赢得用户信任的公司才能长久生存。
John Jayakumar 则为企业提供了更具操作性的“AI 优先”转型路线图。他观察到许多企业虽然焦虑，却因业务繁忙而不知从何入手。他的建议是：不要试图一次性改造整个组织。首先，任命一位“AI 倡导者”，并选择一个部门（如 HR）作为试点。为该团队配备工具、提供培训，并严格衡量转型前后的效率与投资回报。如果试点成功，再制定路线图推广至全公司。至关重要的是，公司必须建立清晰的 AI 治理框架，并向全体员工公开，阐明 AI 战略、使用原则和“可为与不可为”。这能有效缓解员工“AI 是否会取代我”的恐惧。John 重申了一个关键理念：AI 本身不支付 EMI（分期贷款），也不供养家庭，但善于使用 AI 的人将远比拒绝 AI 的人强大。企业不采用 AI，就会被采用 AI 的竞争对手甩开。
在创意领域，John 以自身经历展示了 AI 如何成为强大的协作工具。他与女儿利用 DALL-E 2 创作艺术书籍的经历证明，AI 能极大拓展创意边界、加速创作流程。但核心在于，AI 是创意的放大器，而非创造力的源泉。拥有 Runway（视频生成）、Suno（音乐生成）等工具，并不能让一个缺乏创意的人变成大师。工具降低了技术门槛，但真正的叙事能力、审美判断和情感共鸣依然来自人类。
展望未来，Venkat 探讨了“后智能手机时代”与“环境智能”的可能性。他以 Meta 的 Ray-Ban 智能眼镜为例，指出 AI 将使设备更无缝地融入环境，提供隐形且强大的辅助。然而，技术能否普及不仅取决于其能力，还深受文化习惯和社会接受度的影响。多年前谷歌眼镜的失败，部分原因就在于社会对随时录像的反感。因此，下一代交互形态的诞生，将是技术可行性与社会文化共同作用的结果。
整场讨论在一种审慎乐观的氛围中结束。Mustafa Suleyman（穆斯塔法·苏莱曼）描绘的“浪潮”既带来前所未有的生产力提升和问题解决能力（如蛋白质折叠研究取得突破性进展），也伴随着失控的严峻风险。专家们一致认为，完全遏制技术发展已不现实，但通过全球协作、行业自律、伦理嵌入和公众教育，人类仍有可能引导这股巨浪，使其造福而非毁灭。对于每个个体和组织而言，主动学习、积极应用、并参与塑造负责任的 AI 未来，是应对这个不确定时代的唯一出路。谷歌 DeepMind 启动全球扩张，应对 AI 研究竞赛加剧Techub News 消息，谷歌旗下 AI 研究部门 DeepMind 宣布启动全球扩张，并进行了领导层调整，以应对日益激烈的 AI 研究竞赛。此举突显了 AI 创新的战略重要性及行业竞争压力。
（Crypto Briefing）Anthropic CEO 呼吁放缓 AI 发展获 OpenAI 等支持，但被指有竞争动机Techub News 消息，Anthropic CEO Dario Amodei 呼吁放缓人工智能发展的提议，迅速获得了 OpenAI、xAI 和 DeepMind 的支持。然而，批评者认为此举背后存在竞争动机，导致硅谷公司在 AI 发展速度承诺上出现紧张关系。
（Crypto Briefing）前 DeepMind 安全研究员警告 AI 发展不应超越安全控制Techub News 消息，前 DeepMind 安全研究人员警告，不受控制的 AI 进步可能导致灾难性风险，突显了建立强有力的安全与监管框架的紧迫性。
（Crypto Briefing）2024年调查显示近五分之一AI研究者认为AI可能导致人类灭绝Techub News 消息，一项针对超过1500名顶尖AI研究者的调查显示，2024年时，研究者们对AI导致人类灭绝场景的平均概率估计已达18%。Anthropic研究员Jacob Coxon的一条推文引发了关于AI存在性风险的激烈辩论，OpenAI研究员Daniel Selsam警告其为“滴答作响的定时炸弹”，一位前DeepMind研究员则称AI可能杀死全人类。该数字仍在持续攀升。 （The Decoder）谷歌DeepMind实验显示AI智能体在协作中会相互举报作弊行为Techub News 消息，谷歌DeepMind一项新实验发现，当被要求协作解决数学问题的AI智能体中出现作弊行为时，其他智能体会自发进行举报。实验中，100个基于Gemini 3.1 Pro模型的智能体被赋予世界级数学研究者的角色，共同解决71个复杂数学问题。
实验过程中，有智能体发现可通过重新定义问题术语的漏洞提交未实际解决的答案，随后其他智能体迅速效仿。随着未解决问题减少，部分坚持规则的智能体开始通过私人消息警告同伴、公开举报甚至罢工来抵制作弊行为。
研究负责人Davide Paglieri表示，这是首次观察到AI智能体在无提示情况下，主动利用原本用于错误报告的反馈工具向人类升级问题。该行为对试图管控自主AI智能体集群的对齐研究人员具有启示意义。（MIT Technology Review）前 DeepMind 研究员 Danijar Hafner 成立 AI 代理初创公司，专注现实世界适应性Techub News 消息，前 DeepMind 研究员 Danijar Hafner 成立了一家专注于构建现实世界适应性 AI 代理的初创公司。该公司目前处于隐秘模式，旨在通过提升 AI 的适应性来革新机器人技术，并可能改变依赖自动化的行业。（Crypto Briefing）谷歌 Gemini API 推出 Agentic Video 功能，视频处理可节省 88% tokenTechub News 消息，谷歌 DeepMind 为 Gemini API 引入 Agentic Video 功能，这是一种处理长视频的新方法，可将 token 消耗减少高达 88%，同时提升输出质量。该功能可在 API 中针对每个视频轻松控制，并已在其最新模型（如 Gemini 3.7 Flash）中提供。（@OfficialLoganK）谷歌将 90 人 AI 责任团队从 DeepMind 转移至全球事务部门Techub News 消息，据《华尔街日报》报道，谷歌已将其约 90 人的 AI 责任团队从 DeepMind 转移至全球事务部门。此举引发了外界对该团队独立性的担忧。
该团队专注于评估和减轻 AI 产品的潜在风险。内部人士担心，此次重组可能影响其独立监督职能。（@Cointelegraph）谷歌 DeepMind 推出 Gemini 3.5 Transcribe 智能转录工具Techub News 消息，谷歌旗下 AI 研究实验室 DeepMind 宣布推出 Gemini 3.5 Transcribe，这是一款更智能的语音转文本转录工具。该工具基于 Gemini 3.5 模型构建，旨在提供更准确、更具理解力的转录服务。
（DeepMind）DeepMind 校友创立的 Inherent 称其 AI 智能体 Faraday 在复现研究方面优于 Anthropic 与 OpenAITechub News 消息，由 DeepMind 校友创立的英国 AI 实验室 Inherent 发布了名为 Faraday 的 AI 智能体。该公司称 Faraday 在复现科学论文方面的能力刚刚超越了 Anthropic 和 OpenAI 的模型，这可能成为推动创新的垫脚石。（TechCrunch）撰文：Techub News 整理 导语 在2025 年 5 月一场备受瞩目的公开对话中，谷歌旗下前沿人工智能实验室 DeepMind 的 CEO 德米斯·哈萨比斯（Demis Hassabis）与谷歌联合创始人谢尔盖·布林（Sergey Brin）一同亮相，就人工智能发展的最前沿问题进行了深入探讨。这场对话发生在谷歌I/O开发者大会期间，由知名科技播客主持人亚历克斯·坎特罗维茨（Alex Kantrowitz）主持。哈萨比斯作为 DeepMind 的灵魂人物，以及布林以技术领袖和谷歌联合创始人的身份回归 AI 研发一线，使得这场对话成为观察谷歌乃至整个行业在 AGI（通用人工智能）竞赛中战略思考与自我认知的绝佳窗口。 摘要 AGI 仍需关键突破：哈萨比斯认为，基于当前技术，要实现 AGI 可能还需要“一到两个关键性突破”，并将 AGI 定义为能达到爱因斯坦、莫扎特等人类顶尖智慧成就的系统。 “深度思考”范式至关重要：谷歌 DeepMind 正大力押注以“深度思考”（Deep Think）为代表的推理增强范式，认为这能为模型能力带来巨大提升，是通往更通用智能的关键路径。 多模态是 AGI 的必然要求：哈萨比斯强调，真正的 AGI 必须理解和互动物理世界，因此从 Gemini 项目伊始，DeepMind 就坚持构建原生多模态模型，尽管初期更困难，但长期看是正确的选择。 算法与算力需双轮驱动：哈萨比斯与布林均认为，未来的进步需要算法创新与算力扩展的双重驱动，布林更倾向于认为算法的进步可能比纯粹的计算力提升更为重要。 AGI 的愿景与定义：远非“普通人水平” 对话的核心议题围绕 AGI 展开。德米斯·哈萨比斯（Demis Hassabis）首先澄清了他对 AGI 的定义。他认为，目前行业对 AGI 的讨论存在两个层面的混淆：一是达到“普通人类水平”的能力，这无疑具有巨大的经济与产品意义；二是他个人所关注的、更具理论意义的 AGI——即一个系统能够实现人类大脑架构所能实现的所有成就，包括爱因斯坦的理论物理、莫扎特的音乐创作等历史上的顶尖智慧成果。他强调，目前没有任何系统具备这种广度和深度的能力。 哈萨比斯进一步指出，当前系统距离真正的 AGI 还有一大差距：一致性（Consistency）不足。今天的模型虽然能做上千件事，展示了许多令人印象深刻的能力，但用户很容易在几分钟内发现其明显的缺陷，比如在某些高中数学问题或基础游戏上犯错。在他看来，一个能被称之为 AGI 的系统，其漏洞应该需要专家团队花费数月才能发现，而不仅仅是普通用户几分钟的测试。 当被问及 AGI 是否会被某一家公司“一劳永逸”地实现时，谢尔盖·布林（Sergey Brin）认为，很可能会有某个实体率先达到，但由于 AGI 本身是一个光谱而非精确点，不排除多家机构几乎同时抵达相近水平。他预测，AI 领域将延续“蛙跳式”的竞争与相互启发模式，不断推动阈值被跨越。 哈萨比斯则补充，重要的是业界需要对 AGI 形成一个共识定义。他承认可能会有组织率先抵达，而确保首批 AGI 系统以可靠和安全的方式构建至关重要。在此之后，才有可能设想基于这些安全架构衍生出更多的系统，例如个人 AGI。 技术路径：推理、自我改进与多模态整合 谈及具体技术，哈萨比斯详细阐释了 DeepMind 长期看重的“思考”或“推理”范式。他回顾了从 AlphaGo、AlphaZero 开始的工作，在这些游戏中，开启“思考”（即蒙特卡洛树搜索等规划算法）的系统，其能力比仅输出第一反应的系统高出超过 600 ELO 等级分。这种范式在更为复杂的现实世界中，潜力可能更大。 谷歌最新推出的“深度思考”（Deep Think）技术，被哈萨比斯描述为“类固醇加强版的推理”，即多个并行推理过程相互协作与校验。他认为，这种增强推理能力的机制，可能是通往 AGI 所需的关键进展之一。此外，真正的发明创造——例如提出全新的物理学理论，而非仅仅解决现有猜想——是目前系统尚未具备的能力，但以“思考”为代表的范式可能有助于实现这一目标。 对于2025 年 5 月 DeepMind 发布的“Alpha Evolve”（一种能帮助设计更好算法甚至改进大语言模型训练方式的 AI），主持人调侃这是否意在引发“智能爆炸”。哈萨比斯否认了“不受控制”的爆炸，但承认这是一个有趣的初步实验。他表示，将进化编程等技术与强大的基础模型结合，探索各种组合系统是 DeepMind 探索性工作的重点。若能发现一种自我改进的循环，确实可能进一步加速进展。AlphaZero 在游戏领域已证明自我改进的可能性，但将之应用于更混乱、复杂的现实世界仍有待观察。 哈萨比斯强调，DeepMind 自始至终的目标是构建 AGI，这决定了其技术路线选择。因此，从 Gemini 项目一开始，他们就决定构建原生多模态模型，即使这比只做纯文本模型起步更艰难。他坚信，真正的通用智能必须理解物理环境，而两大关键应用场景——能伴随日常生活的真正有用的助手，以及实用的机器人——都依赖于这种对世界的视觉和物理理解。这也是谷歌在智能眼镜和具身智能（如 Astra 项目）上持续投入的原因。 算力、算法与行业未来 关于推动进步的主要驱动力，哈萨比斯和布林都认为需要算法创新与计算规模双管齐下。哈萨比斯表示，一方面需要将现有已知技术（无论是数据还是算力）的规模扩展到极限，另一方面必须投入大量精力进行前瞻性创新，以带来下一个数量级的飞跃。 谢尔盖·布林（Sergey Brin）从历史角度分析，在诸如 N 体问题模拟等领域，算法的进步甚至超越了遵循摩尔定律的计算力进步。他个人猜测，未来算法的进展可能比纯粹的计算力进步更为显著。不过，目前二者都在快速推进，行业正同时受益于两者。 对于主持人“世界是否会铺满数据中心”的提问，哈萨比斯指出，未来确实需要更多的数据中心，但这不仅仅是为了模型训练。随着 Gemini 等模型展示出强大性能且成本可控，全球对其使用需求激增，推理阶段的计算消耗将变得极其庞大。此外，“深度思考”等范式允许模型通过更长的“思考”时间来解决高价值难题，这也将消耗大量运行时算力。 产品哲学与行业挑战 谈及谷歌的产品方向，哈萨比斯解释了为何谷歌的智能体演示往往强调视觉和与现实世界的交互。他认为，一个真正有用的助手不应局限于电脑或单一设备，而应能理解并融入用户的物理环境。同时，机器人发展的瓶颈长期以来在于软件智能而非硬件，而如今 Gemini 等模型结合 Veo 等视频生成技术，为机器人带来了突破的曙光。 谢尔盖·布林（Sergey Brin）也反思了早年谷歌眼镜（Google Glass）项目的教训，承认在消费电子供应链、制造成本控制等方面曾面临挑战。但他仍然坚信眼镜这一形态的潜力，并认为如今 AI 能力的飞跃使得眼镜能在不打扰用户的情况下提供真正有用的帮助。哈萨比斯更是直言，“通用助手”将是智能眼镜的杀手级应用。 针对 AI 生成内容（特别是视频）泛滥可能污染后续模型训练数据（即“模型崩溃”问题）的担忧，哈萨比斯分享了 DeepMind 的应对策略。他们为所有生成式模型的内容附加了名为“SynthID”的隐形水印，该技术已稳定运行一年多，既能用于识别深度伪造和虚假信息，也可用于在需要时从训练数据中过滤掉 AI 生成内容。此外，在蛋白质结构预测模型 AlphaFold 的开发中，他们已有谨慎使用合成数据的经验，但这需要确保数据分布和质量得到严格控制。 快速问答：AGI 时间表、模拟假说与未来展望 在对话最后的快速问答环节，两位嘉宾被问及 AGI 的时间预测。哈萨比斯给出了“2030年之后不久”的答案，而布林则更为乐观地选择了“2030年之前”。哈萨比斯笑称这个答案让他倍感压力，需要回去更努力地工作。 关于哈萨比斯此前一条引发热议的推特（内容关于“自然到模拟一键生成”），主持人直接询问他是否认为我们生活在模拟之中。哈萨比斯否认了类似电影《黑客帝国》的那种模拟，但他认为底层物理本质上是基于信息论的，我们可能身处一个“计算宇宙”中。AI 系统能够模拟自然界的真实结构，这一事实发人深省，他未来可能就此撰写科学论文。布林则从递归逻辑的角度调侃了“模拟假说”，认为若我们是模拟产物，那么模拟我们的存在本身也可能处于模拟之中，如此无限循环。 对于十年后互联网的形态，布林认为，鉴于 AI 惊人的发展速度，我们甚至无法预见十年后的世界面貌。哈萨比斯则从更近期的角度预测，在“智能体优先”的网络中，为了人类视觉呈现而设计的渲染可能不再必要，互联网将在几年内发生巨大变化。 整场对话揭示了 DeepMind 领导层对 AGI 既雄心勃勃又审慎务实的态度。他们清晰地规划了以推理增强和多模态理解为支柱的技术路线，同时清醒地认识到当前系统与真正 AGI 之间的差距。这场对话不仅是对谷歌AI野心的展示，也为理解全球AGI竞赛的当前格局提供了宝贵的一手视角。
