Loading...
Loading...
Cohere CEO Aidan Gomez（艾丹·戈麦斯）：Transformer 架构八年未变，AI 的未来在于企业应用撰文：Techub News 整理
导语
2017年，一篇名为《Attention is All You Need》的论文横空出世，其提出的 Transformer 架构彻底改变了人工智能的发展轨迹，开启了生成式 AI 的浪潮。八年后的2025 年 6 月，这篇论文的八位作者之一、当时还是一名大三本科生的 Aidan Gomez（艾丹·戈麦斯）已成长为估值数十亿美元的 AI 独角兽 Cohere 的 CEO。在 The MAD Podcast 主持人 Matt Turck 的深度访谈中，Gomez 首次详细揭秘了 Transformer 论文诞生背后的“意外”故事，并阐述了他为何坚信企业级 AI 而非追逐 AGI（通用人工智能）才是 AI 技术造福世界的正道。这场对话不仅是对 AI 发展史上关键节点的回顾，更是对当下 AI 商业化路径与未来趋势的一次深刻洞察。
摘要
Transformer 的诞生源于“行政错误”与有机合作：Gomez 进入 Google Brain 实习源于一场误会（其经理误以为他是博士生），而论文的诞生则是几个独立研究小组因共同兴趣自发合并、冲刺会议 deadline 的结果。
Transformer 架构统治力惊人，八年未遇挑战：Gomez 坦言，Transformer 的持久性“令人震惊”，其成功部分源于整个 AI 基础设施（包括芯片）都已围绕其优化，新架构的替代门槛极高。
“推理计算”是重大突破，但潜力远未挖尽：让模型在不同问题上分配不同“思考”时间的“推理计算”范式解锁了巨大能力，且实现成本远低于预训练，未来将在科学、医疗、企业自动化等领域发挥更大作用。
Cohere 押注企业 AI 而非 AGI“宗教”：Gomez 直言不喜欢 AGI 圈子的“角色扮演”和“新宗教”氛围，认为通过 AI 提升人类生产力、降低成本和改善服务（如医疗）才是更有意义的方向。
智能体（Agent）平台“North”是企业 AI 的核心：Cohere 的垂直整合战略使其能提供从底层模型（Command、Embed）到上层智能体平台（North）的全栈解决方案，并特别注重数据安全（支持本地/私有云部署）和多语言/多模态能力。
Transformer 诞生记：一场美丽的“意外”
2017年，还在多伦多大学读大三的 Aidan Gomez（艾丹·戈麦斯）通过一封“cold email”联系上了 Google Brain 的研究员，原因是他反复在阅读的论文作者栏看到这个名字。他提出了自己对论文的一些扩展想法，并由此获得了一个实习机会。“我经理以为我是博士生，”Gomez 回忆道，“所以我想我是通过一个行政错误进去的——我们通常不招本科生。”这个“错误”让他坐到了另一位论文合著者 Noam Shazeer 旁边，并加入了 Lucas Kaiser 的团队。
最初的项目是一个名为“One Model To Learn Them All”的多模态模型。在开发过程中，Gomez 和 Kaiser 构建了一个名为“Tensor2Tensor”的框架用于高效分布式训练，并成功说服了邻座的 Noam Shazeer 使用它。随后，他们发现 Google Translate 团队也在进行类似的研究。“我们意识到大家在做同一件事，”Gomez 说，“我们都关注基于文本的自回归模型，并且更纯粹地利用注意力机制，而不是之前那些复杂且有些‘丑陋’的 RNN、LSTM 模型。”于是，几个小组决定合并力量，专注于打造一个最简单、高效的基于注意力的语言模型——这就是 Transformer 的雏形。
论文的写作过程堪称“疯狂冲刺”。团队为了赶上顶级 AI 会议 NeurIPS 的投稿截止日期，进行了高强度的工作。“我们尝试了无数东西，修补了很多小 bug，”Gomez 举例道，比如最初纯注意力架构无法区分序列中元素的位置信息，是 Noam Shazeer 灵光一现，提出了在嵌入中添加正弦波来表示位置的方法——这个方案至今仍被广泛使用。
论文发表后，在自然语言处理（NLP）和机器翻译的小圈子内引起了兴奋，但当时远未达到后来革命性的广泛认知。对于 Google 为何没有更快地利用 Transformer 架构开发出类似 ChatGPT 的产品，Gomez 澄清道，Google 实际上迅速将 Transformer 应用到了搜索和翻译等核心产品中（如 BERT）。“准确的说法是，他们没有像 OpenAI 那样早期且独特地全力投入互联网文本的纯序列建模（即大规模语言模型预训练）。” Gomez 总结道。
Transformer 为何统治八年？生态锁定与极高的替代门槛
距离论文发表已过去八年，Transformer 架构依然是 AI 领域的绝对主流，这一点连 Gomez 本人都感到“震惊”。“我们今天训练的 Transformer 和当年的看起来如此相似，”他说。他认为，这并非因为研究社区缺乏新想法，而是一个“自我实现的预言”或“强化循环”。
整个 AI 社区对 Transformer 的热情催生了专门为其优化的庞大基础设施堆栈。“我们现在甚至有专门为该架构优化的芯片，”Gomez 指出。因此，要转向一种新架构，需要付出巨大的努力和能量去重写一切。“新架构必须提供极其令人信服的理由（才能取代它），而我们还没找到那个架构。”他坦言，替代的门槛已被推得极高。
Gomez 本人也曾热切期待 Transformer 的继任者。他甚至将 Cohere 纽约办公室的一间会议室命名为“SSM”（状态空间模型），坚信它将是替代者。但现实是，Transformer 就像一个“伟大的艺术家”，不断吸收其他架构（如 SSM、扩散模型）中的优秀思想，并将其整合进自身，从而持续进化，保持了领先地位。
推理计算：一个“显而易见”却改变游戏规则的想法
近半年来，“推理计算”（Test-Time Compute）或“思维链”推理成为 AI 领域的热点。但在 Gomez 看来，这其实是一个酝酿已久且“显而易见”的方向。“我们已经知道它要来好几年了，”他说。
其逻辑在于：在引入推理能力之前，语言模型对所有输入（无论是“1+1”还是“治愈癌症”）都分配相同的“能量”和即时响应时间。这显然不合理。不同复杂程度的问题理应获得不同的“思考”资源。推理计算正是让模型能够根据问题复杂度，动态分配计算步骤（“思考时间”）的范式。
“它的有效性令人惊讶，”Gomez 评价道。模型仅需极少量的人类示范（如何一步步思考），就能自己掌握推理方法，从而解锁了前所未有的能力。更关键的是，实现推理能力的成本“远低于预训练”，使得智能提升变得“非常容易获得”。
然而，Gomez 认为这仅仅是开始。“我们只是触及了表面。”目前的研究主要集中在数学和编程领域，但在医学、物理、化学等纯科学领域，以及企业自动化场景中，还有巨大的空白等待探索。“所有有趣的问题都需要推理。”
从研究到创业：为何 Cohere 选择“枯燥”但重要的企业 AI
在目睹了早期大规模语言模型展现出的惊人能力后，Gomez 联系了他在 Google Brain 结识的两位朋友 Nick 和 Ivan，共同创立了 Cohere。与许多同期涌现的、目标直指 AGI 的明星实验室不同，Cohere 很早就确立了企业 AI 的方向。
“我从来不喜欢整个 AGI、有效利他主义圈子的氛围，”Gomez 直言不讳，“感觉像在角色扮演，像人们在创立一种新宗教……‘创造上帝’这类东西。我不喜欢那种精神气质。”相比之下，企业级应用或许听起来“枯燥”，但他认为其意义远为重大。
“提升人类生产力，让人类能做更多事，增加供给，降低事物成本，让人类成就更多——这些远比‘建造上帝’或‘从 AI 手中拯救世界’更激励我。我想用 AI 来拯救世界。” Gomez 阐述了他的理念。他希望通过 AI 让医生花更少时间写病历、填表格，而将更多时间用于诊治病人；为医生配备能帮助他们研究罕见病例的智能体。他的目标是让这项技术在全球经济中真正发挥作用。
当然，作为行业领军者，他无法完全避开关于 AGI/ASI（人工超级智能）的讨论。但他认为，AGI 的定义模糊且不断变化。“我认为我们在很大程度上已经拥有了 AGI。”他举例说，如果在他和 Cohere 的模型之间选择谁来诊断开药，理性的选择肯定是模型。“我保证它懂得比我多。”AI 已经在许多方面比普通人更聪明，并且未来在某些领域超越最顶尖的人类专家也是必然趋势。“我反对那些贩卖末日论调的人，”Gomez 总结道，“技术进步意味着什么？其切实的影响才是关键。”
Cohere 的全栈蓝图：模型、智能体与安全优先
Cohere 采取了一条垂直整合的道路。其核心是自研的模型层：包括生成模型 Command（对标 GPT、Llama 等）和搜索模型系列（Embed V4, Rerank 3.5）。这些模型构成了其智能体平台“North”的基石。North 允许企业构建能接入内部所有软件和数据的 AI 智能体，让其去完成具体任务。
Gomez 特别强调了 Cohere 在安全部署上的独特优势。与许多提供 API 调用服务的竞争对手不同，Cohere 可以将其模型直接部署在客户的硬件上，无论是在客户的云虚拟私有云（VPC）中，还是为受监管行业部署在本地数据中心。“这带来了巨大的解锁效应，”Gomez 解释，因为 AI 智能体需要访问企业的核心数据（邮件、文档、客户记录等），数据不出境、完全私有的部署模式让客户更放心地接入更多关键系统，从而发挥 AI 的最大价值。
在模型训练数据方面，Gomez 证实了合成数据已成为主流且效果卓越。“合成数据现在是我们训练 Command 等模型所用数据的主要部分，而且在许多情况下，它实际上比人类数据更有用。”他举例说，人类回答问题时往往简洁（如直接回答“11”），但人类实际上更喜欢模型那种充满同理心、耐心细致的回答风格。因此，他们需要用模型来重写人类答案，以生成风格更优的训练数据。
此外，Cohere 在多语言和多模态上也投入颇深。其 Cohere For AI 实验室发布了支持超百种语言的模型。Gomez 指出，日语、韩语等市场被严重低估，现有技术无法满足其企业级文档处理需求。因此，Cohere 选择与富士通（日本）、LGCNS（韩国）等地区巨头合作，开发针对当地语言和企业场景的定制模型。多模态能力也被视为企业场景的“入场券”，对于理解包含图表、幻灯片的 PDF 文档以及实现计算机视觉操控（让 AI 使用图形界面）至关重要。
智能体（Agent）的现在与未来：从研究到落地
Cohere 的智能体平台 North 目前处于早期访问阶段。Gomez 将其描述为一个“完全私有化、高度可定制、原生支持推理的消费级聊天机器人升级版”。它可以集成企业内部的任何软件，并花时间（几分钟甚至几十分钟）进行深度研究、筛选数据以完成任务。
他分享了一个生动的用例：财富管理。当突发事件（如战争、新关税）爆发时，理财经理的客户会纷纷来电询问对策。经理通常需要花费数周时间研究并制定对冲组合方案，但市场瞬息万变，等方案出炉可能已错过时机。North 这样的智能体可以极快地阅读海量分析报告和新闻，迅速提出初步方案，人类经理在此基础上进行修改和决策，将周期从数周缩短到数小时。
面对智能体能力泛化可能带来的“选择困难症”，Gomez 观察到市场已经发生了变化。“早期客户会问‘AI 很酷，董事会给我压力，我该用它做什么？’我们需要帮他们识别机会。但现在，客户的成熟度大大提高了。他们很清楚自己要做什么，只需要一个合作伙伴来帮他们执行这个路线图。”许多大企业会带着数百个已识别的用例来找 Cohere。
当然，智能体并非万能。Gomez 指出，在医疗、金融等敏感领域，必须保持“人在回路”的监督。此外，在需要真正突破性科学发现（如解决千年数学难题、发现新化合物）的领域，AI 目前还无法提供核心帮助，但他相信这一天很快就会到来。
CEO 的展望：技术乐观主义与社会关切
当被问及什么让他夜不能寐时，Gomez 的答案出人意料地并非技术挑战。“让我睡不着的是政治，”他说，“是世界各地出现的分裂……我主要担心我们的社会、自由民主制度。我为自由主义过去一个世纪取得的进步感到担忧。”
但他对 AI 持乐观态度，认为 AI 可以成为一股强大的向善力量，帮助“好人”获胜，并解决过去十五年来全球经济面临的一些问题，如生产力增长缓慢、财富分配不均等。
对于 Cohere 未来三到五年的成功愿景，Gomez 希望看到 AI 技术带来可衡量的 GDP 和生产力增长，希望这项技术能在全球范围内整合，成为每个人日常工作的一部分，而不仅仅是娱乐或搜索工具。“我希望它能帮助人们成就更多，让东西变得更便宜、更丰富。”这或许正是这位从一场“意外”中走出的 AI 先驱，为其所创造的技术所描绘的最朴实也最宏大的蓝图。
Cohere CEO Aidan Gomez（艾丹·戈麦斯）：企业 AI 的规模化边界、合成数据与后 Transformer 时代撰文：Techub News 整理
导语
2025 年 4 月，Transformer 架构论文的八位作者之一、知名 AI 公司 Cohere 的联合创始人兼 CEO Aidan Gomez（艾丹·戈麦斯）做客由 Redpoint Ventures 制作的播客节目《Unsupervised Learning》。在这场长达 51 分钟的深度对话中，Gomez 以其独特的双重身份——既是奠定当前 AI 浪潮基础的关键研究者，又是领导一家估值数十亿美元 AI 公司的掌舵人——分享了关于企业 AI 落地、模型能力边界、数据策略以及未来 AI 架构演变的深刻见解。在当前 AI 从狂热探索转向务实落地的关键节点，Gomez 的思考为行业提供了宝贵的路线图。
摘要
企业 AI 成功的关键在于“中间路线”：既非纯咨询，也非纯标准化产品，而是需要深度支持与定制化集成，尤其要解决数据隐私和跨软件访问的复杂性问题。
规模化定律正在失效：单纯堆砌算力和资本的“暴力美学”已进入回报递减阶段，未来的模型进步需要更聪明、更具创造性的算法和数据策略。
合成数据成为主力，但人类评估仍是黄金标准：在模型训练中，合成数据已占主导，能极大降低成本；然而在评估模型输出的有效性和安全性时，人类专家仍不可或缺。
推理能力是当前最大突破：具备“测试时计算”（test-time compute）或“思维链”能力的模型，在处理此前无法解决的复杂业务流程自动化任务上，实现了从“几乎总失败”到“几乎总成功”的质变。
Transformer 架构终将被超越：尽管 Transformer 展现了惊人的生命力，但作为其共同创造者的 Gomez 热切期待在 5-10 年内出现新的、更优越的 AI 基础架构。
企业 AI 的落地模型：定制化集成是胜负手
面对企业如何部署生成式 AI 的多种模式——从纯咨询服务、自带工程团队的产品化方案，到开箱即用的标准化产品——Aidan Gomez（艾丹·戈麦斯）认为，长期来看，“中间路线”将会胜出。AI 是一项复杂的新技术，企业往往需要帮助才能将其整合到现有经济体系和五花八门的软件生态中。
Gomez 指出，AI 智能体要实现有效的自动化，必须拥有与人类员工同等级别的信息访问权限。这意味着它需要接入企业的电子邮件、聊天记录、通话、CRM、ERP、HR 软件等几乎所有系统，以获取足够的上下文。这带来了两大挑战：首先是前所未有的隐私问题，很少有软件需要如此广泛的数据访问权限，因此隐私在 AI 领域比其他企业软件更为关键；其次是极高的定制化需求，每家公司的软件“马赛克”都独一无二，没有标准配置，因此需要大量定制化工作来整合所有上下文并接入模型。
这正是 Cohere 在其新的智能体平台“North”上投入巨资的方向：让平台更容易根据每家公司的特定软件图谱进行定制和集成。Gomez 坦言，实现完全自助、无需人工干预的安装和配置目前仍是“幻想”，未来更可能是一种“中间状态”——自动化解决部分问题，但鉴于访问薪资数据、客户数据或患者数据等敏感信息的风险极高，相当多的安全护栏（guardrails）和人工监督仍是必要的。
产品市场契合点：从客户支持到深度研究
凭借与众多企业合作的独特视角，Gomez 分享了当前他认为已具备明确产品市场契合度（PMF）的 AI 用例。
客户支持是技术已准备就绪、需求极为明确的领域，正在电信、医疗、金融服务等各个垂直行业快速铺开。另一个难以归类但需求旺盛的领域是研究增强——用 AI 智能体辅助人类，将需要一个月的研究工作在短短一两个小时内完成。他举了一个生动的例子：银行的财富经理接到客户要求对冲某个未来地缘政治事件的请求，传统上需要耗时数日进行紧急研究。而现在，能够阅读海量资料并生成带有引用来源的详实报告的 AI 模型，可以将这类知识工作的效率提升十倍。
展望未来 12 个月，Gomez 预测，随着像 North 这样的自动化基础设施在企业中部署到位，更多“平凡的”后台办公室工作将开始上线，例如财务、法务领域的流程自动化。此外，销售也是一个成熟的领域。销售人员在会见客户前需要进行的内部和外部研究（公司战略、关键联系人、历史沟通记录等），完全可以由 AI 智能体高效完成，生成一份全面的情报简报，从而极大提升销售效率。
关于企业是选择多个“最佳单项”解决方案，还是一个统一的平台，Gomez 认为会经历一个从分散到整合的过程。初期各部门可能采购各自的应用，但很快他们会发现，销售智能体不能只接入 CRM，财务智能体也不能只接入 ERP，它们都需要连接公司内所有其他信息源。维护这些分散应用与所有数据源的连接将带来巨大的负担，因此最终会强烈倾向于整合到一个统一的、能接入一切、并实现所有自动化目标的平台。这也正是 Cohere 通过 North 平台所布局的“长线游戏”。
模型战略：垂直整合与专业化之路
在“一个模型统治一切”还是“多个专业模型并存”的辩论中，Gomez 的观点经历了演变。他最初更倾向于需要专业模型，但随着模型展现出自我发展出“专家子网络”的能力，这种压力有所缓解。
然而，定制模型仍然至关重要。基于网络数据训练的通用模型，缺乏关于特定业务或领域的根本性上下文信息。网络上有大量关于人类历史、文化、科学的信息，但制造业数据、客户交易数据、详细的个人健康记录等并不在网络上。对于这些模态或数据类型，Cohere 的做法是与拥有这些数据的机构合作，创建仅供其访问的定制模型，使其在该领域变得非常出色。
尽管如此，通用模型的能力已经非常卓越，而合成数据能够显著弥合差距。因此，Gomez 认为，一个组织内部不会运行数十或数百个模型，可能只有少数几个。他并不认为每个团队都需要自己的微调模型，除非他们专注于模型从未接触过的某种新型数据。
谈到 Cohere 同时构建底层模型和上层应用（North）的垂直整合战略优势时，Gomez 强调，这让他们拥有更多杠杆来提供客户所需的体验。最新版的 Command 模型已经针对 North 平台中客户需要的用例进行了优化，例如知道如何使用 ERP、如何与 CRM 协作。这种技术与客户实际需求之间的深度整合，对于产品质量至关重要。许多现有应用未能兑现其对用户的产品承诺，部分原因就在于它们只是技术的消费者，无法为了客户需求而改变底层技术。
数据与评估：合成数据当家，人类把关仍在
在数据策略方面，Gomez 揭示了当前模型训练的前沿实践。合成数据已经占据了 Cohere 为新模型生成数据的“压倒性多数”。用 10 万名医生来教模型学医的成本高得不可行，但用 100 名医生提供高质量、可信赖的“种子”数据，然后生成上千倍的合成仿制数据，则是可行的策略。在代码、数学等可验证领域，这更容易实现，因为可以检查结果并过滤垃圾数据。在其他领域虽然更复杂，但仍然是可行的。
然而，在模型评估（Eval）环节，人类仍然是无法脱离的“黄金标准”。Gomez 明确指出，要让人类退出评估循环，除非有一个比当前模型更专业的“专家”来观察它，但这首先假设你能构建出那个“专家”。因此，在评估方面，仍然严重依赖人类。毕竟，最终使用模型的是人，他们最适合评估模型的有用性。
能力突破：推理改变游戏规则，规模化遭遇瓶颈
Gomez 兴奋地谈到，推理能力是当前一代模型最明显的突破。对于 Cohere 专注的企业场景而言，推理的意义不在于解决数学奥林匹克竞赛，而在于教会模型使用人类在业务中使用的工具，来推理并解决业务中存在的问题。
在具备推理能力之前，许多任务根本无法让模型达到足够的准确度来完成，几乎是“不可能”的，模型几乎总是失败。而有了推理能力后，模型几乎从不失败。无论是多复杂的任务，它似乎都能找到办法完成。推理能力解锁了“反思”——理解第一次尝试为何失败，并利用这个信息找到达成同一结果的其他路径。这带来了真正的解放。
同时，Gomez 明确表示，“规模即一切”的假说正在被打破。资本和算力的回报递减效应已经非常明显。行业将不得不变得更聪明、更有创造力，才能解锁技术的下一个台阶。他认为这是好事，是对创新者施加的良好压力，迫使大家去探索和尝试。旧策略（单纯砸钱堆算力）是“无聊且愚蠢的”，他更期待新时代的到来。
未来架构：Transformer 的统治终将结束
作为 Transformer 架构的共同创造者，Gomez 对此架构的持久统治感到惊讶甚至“不满”。他坦言，如果在 2018 年（Transformer 论文发表一年后）被问到，7 年后我们是否还会主要使用 Transformer，他会认为概率“接近零”。
尽管目前出现了像状态空间模型（SSM）、离散扩散模型等有潜力的新架构，但往往发现可以将它们的优点“偷”过来融入 Transformer，从而削弱了彻底更换架构的必要性。例如，离散扩散模型在用户体验上很酷（像图像扩散一样从噪声中生成文本），但它是否真的是比 Transformer 更好的语言模型？Gomez 表示怀疑。
尽管如此，他热切期望在未来的 5 到 10 年内，会出现新的、成为主流的 AI 架构。“拜托，一定要有（新架构）。”他说道。这反映了一位奠基者对技术持续进步的真诚渴望。
AI 与社会：乐观前景与务实关切
Gomez 对 AI 的未来持乐观态度，但并非乌托邦式的幻想。他认为 AI 不会导致大规模失业，因为世界面临的是供给约束而非需求约束。只要能够将人们转移到需要的岗位并进行再培训，人类的需求是无限的。AI 技术将增强人类，让他们能够产出更多世界需要的东西。
他关注的 AI 风险更侧重于中短期：担心恶意行为者（尤其是国家层面）可能获得的能力；希望自由民主国家能率先掌握并建立优势；担忧社会是否具备足够的基础设施来帮助受影响岗位的人员转型到新的、更有成就感的工作。至于“终结者”式的生存风险（x-risk），他认为目前有足够多近中期的现实问题需要关注和解决，不应让公众和政策制定者的焦点过早集中在末日场景上。
最后，Gomez 分享了他最期待的下一个模型能力突破：从经验中学习。目前，模型无法记住与用户的互动历史和学习反馈，每次对话都像是面对一个刚来的实习生。他憧憬未来模型能像真正的实习生一样，在用户的教导和反馈中成长，从不犯错到熟练，最终成为用户的“2.0 版本”。这种与系统共同成长的联系，将彻底改变人机交互的深度和价值。
Google CEO Sundar Pichai（桑达尔·皮查伊）：AI 将比火和电更深远地改变世界撰文：Techub News 整理
导语
2025 年 6 月，Google 与 Alphabet 的 CEO Sundar Pichai（桑达尔·皮查伊）做客知名播客《Lex Fridman Podcast》，进行了一场长达两个多小时的深度对话。作为全球最具影响力的科技领袖之一，Pichai 此次发声正值 AI 技术狂飙突进、行业竞争白热化的关键节点。他不仅回顾了自己从印度普通家庭走向科技巅峰的个人历程，更全面阐述了 Google 在 AI 时代的核心战略、对技术未来的深刻思考，以及如何带领这家科技巨头应对来自内外的巨大挑战与质疑。这场对话是理解 Google AI 路线图及其领导者哲学的一次难得机会。
摘要
童年经历塑造技术观：Pichai 在印度钦奈的成长经历，让他深刻体会到技术（如电话、自来水）如何阶梯式地改变生活，这奠定了他对技术赋能人类的核心信念。
AI 是史上最深刻技术：Pichai 重申并坚信 AI 将是比火或电更深远的技术，因其具备递归自我改进能力，能加速“创造”本身，其影响将远超以往任何发明。
Google 的 AI 战略与反击：面对去年的质疑，Pichai 详解了通过合并 Brain 与 DeepMind、押注 TPU 基础设施等关键决策，带领 Google 在一年内实现 AI 产品密集落地与能力飞跃的过程。
AGI 展望与“毁灭概率”：Pichai 认为 2030 年前可能无法完全达到 AGI，但届时技术进步已足够震撼。他对 AI 可能导致人类毁灭的“p(doom)”持谨慎乐观态度，相信人类在危机面前会团结应对。
AI 赋能创意与责任边界：Pichai 强调 AI 工具（如 Veo）应像“基础设施”或“画笔”一样赋能艺术家自由表达，同时 Google 需要在支持创意与履行社会责任之间找到平衡。
从钦奈的童年到 Google 的使命：技术如何阶梯式改变人生
Sundar Pichai（桑达尔·皮查伊）的科技世界观，根植于他在印度钦奈度过的童年。全家住在一套简陋的两居室公寓里，技术曾是稀缺品。他回忆道，家里申请一部电话需要等待五年，最终装上的转盘电话却彻底改变了生活——邻居会来家里给亲人打电话，取一份验血报告从往返四小时且可能白跑一趟，变成了五分钟就能搞定的事。“那时，我脑海中就像亮起一盏灯泡，明白了技术改变人们生活的力量。”Pichai 说道。
类似的“阶梯式体验”还有很多：在严重干旱时，他和兄弟、母亲需要排队领取按户分配的桶装水；多年后，家里通了自来水并装上了热水器，打开水龙头就能洗热水澡。“对我来说，一切都是这样离散地发生的。所以我一直有这种‘第一次’的感觉，感受技术如何戏剧性地改变你的生活，以及它带来的机遇。”这种对技术赋能作用的切身感受，与他后来被 Google“整合全球信息，使人皆可访问并从中受益”的使命所深深吸引，形成了内在的逻辑闭环。
童年的信息获取主要依靠报纸和书籍，受在邮局工作的祖父影响，Pichai 阅读广泛，从艾茵·兰德到哲学著作再到通俗小说。这种对知识的渴望，与后来 Google 的使命产生了强烈共鸣。他甚至笑着回忆，为了说服父亲买一台 VCR（录像机），花了很长时间，而拥有 VCR 后能够录下世界杯足球赛或观看电影录像带，又是一次全新的体验。“这些离散的记忆让我始终觉得，获得技术访问权是如何驱动你生活中阶跃性变化的。”
当被问及给全球有志青年的建议时，Pichai 强调了两点：一是倾听内心，做自己真正热爱的事情，这能让你展现最好的自己；二是努力与那些你认为比自己更优秀的人共事，让自己处于“不舒服”但能拉伸能力的环境中，这有助于个人成长。
AI 是比火与电更深刻的技术革命
当 Lex Fridman 提出，将 AI 置于人类万年文明史的所有重大发明（如农业革命、电力、工业革命）中进行排序，它是否有机会成为“第一生产力乘数”时，Pichai 给出了坚定而深刻的回答。
“多年前（大概是 2017 或 2018 年），我就说过，AI 是人类将研究的最深刻的技术，它将比火或电更深刻。我必须支持我自己，我仍然认为情况就是这样。”Pichai 承认可能存在“近因偏差”，就像人们总容易认为当下看到的运动员是最伟大的。但从第一性原理出发，他论证 AI 将比所有这些发明都更宏大。
他指出了 AI 的根本独特性：首先，它的进步速度极快，能力边界不明，天花板不清；其次，也是最重要的，它是递归自我改进的。“它是第一个将显著加速‘创造’本身的技术，能够自己改进并达成目标……这使它处于一个不同的联盟。”因此，Pichai 相信 AI 最终产生的影响将远远超过我们之前所见的一切。
他进一步描绘了“AI 技术包”可能带来的早期变化：核心是极大降低创造与表达的门槛。“可以很容易地想象，将你头脑中的想法，转化为存在的事物，这将成技术包的一部分……它将赋能几乎全人类来表达自己。”无论是编写软件、创作内容、开发游戏，还是进行科学研究，都将变得无限可能。AI 将解锁全球 80 亿人的认知潜力，就像互联网博客让更多人发声一样，但规模将是数千万甚至数亿人更深度地向世界输出内容。
Pichai 也预见了这将重塑创意格局，让传统内容生产者感到紧张，但他认为其中存在被低估的扩张性一面。“它将以前所未有的方式释放人类的创造力。”他类比道，如果把 20 世纪 40、50 年代的人带到今天的 YouTube 面前，会让他们震惊；同样，我们也将被未来 10 到 20 年内可能实现的事情所震撼。
领导者的平衡术：谦和、决策与穿越风暴
Lex Fridman 好奇，在竞争激烈的科技世界攀登至顶峰的领导者，往往需要一些“强悍”特质，而 Pichai 以平衡、谦和、善于倾听著称，他的“秘诀”是什么？Pichai 坦言自己也会生气、沮丧，拥有常人所有的情绪，但他逐渐找到了激发团队最佳状态的方法。
“我发现，激励那些有使命感、追求卓越、有内在驱动力的人，并以此实现目标，往往效果更好。”他将此比作体育中的“人员管理”，伟大的教练都擅长此道。很多时候，与你共事的人如果犯错，他们自己比你更难受，因此需要用不同的方式对待。当然，偶尔也需要明确告知对方“这样不行”。但他发现，大多数情况下并不需要如此。
真正的考验出现在去年。当时，外界充斥着“Pichai 是错误人选”、“Google 迷失了、完蛋了”的论调。回顾那段时期，Pichai 展现了他作为领导者的定力与决策逻辑。
“我擅长屏蔽噪音，区分信号与噪声。”他用水肺潜水作比喻：海面可能波涛汹涌，但只需下潜一英尺，下面就是世界上最平静的地方。运营 Google 就像执教巴萨或皇马，总会有糟糕的赛季。关键在于，他内心清楚 Google 正在构建什么。
他列举了此前所做的几个关键决策：一是多年前就开始投资 TPU，为大规模模型训练打下基础；二是将 Google Brain 与 DeepMind 合并，组建 Google DeepMind，汇聚世界级研究人才；三是组建专门的 AI 基础设施团队，全力扩展所需算力。尽管外部可能未充分意识到，但 TPU 的产能爬坡也需要时间。“但我能看到内部的轨迹……对我来说，这个时刻感觉是我们公司未来十年、二十年最大的机遇之一。我认为我们比世界上大多数公司都更有条件去实现这一愿景。”
谈及合并 Brain 与 DeepMind 这一艰难决定，Pichai 承认这就像“有人告诉你，把斯坦福和 MIT 合并，创建一个伟大的院系”。幸运的是，他们遇到了合适的时机和人选。Jeff Dean 希望回归更偏科研的个人贡献者角色，而 Demis Hassabis 自然是领导新团队的合适人选。合并过程不乏“几个不眠之夜”，但团队耐心地将两个世界的精华结合起来，为长远成功奠定了基础。
在压力时期，Pichai 也会更加强硬，但他强调决策的清晰性。“在做出重大决策时，听取每个人的意见很重要……有时你听到的内容会影响你的思考。有时你已有清晰信念，你会表明‘这是我的感受，这是我的信念’，然后你就押注于此，继续前进。”他认为，只要决策清晰，假以时日人们会尊重这一点。
AGI 路径、风险与 Google 的产品哲学
关于 AGI（通用人工智能）的时间表，Pichai 引用了 Andrej Karpathy 提出的“AJI”（人工参差不齐的智能）概念，认为当前正处于这个阶段——在某些方面取得惊人进步，但在另一些方面（如数草莓字母‘R’的个数）却会犯低级错误。他看到了 AGI 的“微光”，例如在旧金山街道上乘坐 Waymo 自动驾驶汽车，或者通过 Gemini Live 进行世界交互时，但同时也清楚距离真正的 AGI 还很远。
对于“2030 年能否实现 AGI”的问题，Pichai 表示：“到 2030 年，将会取得如此巨大的进步。我们将以重要方式处理这种进步带来的后果，无论是积极的还是消极的外部性。”他个人认为，到 2030 年可能“刚好差一点”实现 AGI，但这并不重要，因为进步本身已经足够震撼。
话题转向更严峻的“p(doom)”——即 AGI/ASI（人工超级智能）毁灭人类文明的概率。Pichai 严肃地表示，这确实是他们“厨房谈话”的话题之一。他认为，如果“毁灭概率”真的很高，那么到了某个时刻，全人类会团结起来确保它不会发生，因此人类实际上会取得更多进展来对抗它。“这具有一种自我调节的特性。如果人类齐心协力解决一个问题，我认为我们能够做到。”因此，他对“毁灭概率”情景持乐观态度，但这并不意味着基础风险不高，只是他对人类能够挺身而出迎接那个时刻抱有极大信心。
Lex 补充了“没有 AI 的毁灭概率”视角，认为 AI 可能通过让人类更聪明、更友善、更高效，帮助世界更多地区繁荣发展，从而反而拯救人类文明。Pichai 对此表示赞同，认为要解决一些最棘手的问题，有 AI 的帮助会更好。
在具体产品层面，Pichai 详细解释了 Google Search 的演进。推出“AI 模式”是一个重要决策，其核心设计原则是：AI 提供上下文和摘要，但用户最终仍会去探索网络。“那些核心原则没有改变，但 AI 模式允许我们推进……我们最好的模型在那里，它们将搜索作为深度工具，真正为每个查询展开，进行多次搜索，以你能消费的方式组装知识。”他特别指出，对于非英语用户，AI 在推理过程中整合多语言信息的能力，将极大扩展他们可访问的知识范围，释放巨大的认知潜力。
关于在 AI 体验中引入广告，Pichai 表示早期会更多关注有机体验，但广告作为“商业信息”和支撑免费服务的基础，其根本价值不会改变。AI 本身将帮助找到最佳的实现方式。他强调，Google 目前计划将 AI 模式作为一个独立标签，供希望体验前沿功能的用户使用，而其中验证有效的功能会逐步迁移到主搜索页的 AI 概述中，这是一个连续的演进过程。
赋能艺术与应对边界：AI 作为创意画笔与社会责任
当讨论到 AI 生成内容（如通过 Veo 生成视频）时，Lex 提到了像达伦·阿罗诺夫斯基这样的电影导演正在积极探索用 AI 创作电影，以及一些更“边缘”的艺术家在挑战社会接受度的边界。这给 Google 带来了一个难题：如何既允许艺术家进行自由、甚至“疯狂”的创作，又履行平台的社会责任？
Pichai 明确表示：“当涉及到允许艺术自由表达时，这是一个社会中最重要的价值观之一。艺术家一直是推动边界、拓展思想前沿的人。”因此，他认为 Google 应该提供工具，并将其交到艺术家手中供他们使用和发布作品。“我几乎将其视为基础设施。就像你向人们提供电力时，你不会考虑其上的用例。”AI 工具就像一支“画笔”。
当然，他也承认必须有一些界限。“社会需要在根本层面上决定什么是可以的，什么是不可以的。我们会负责任地处理。”但他强调，在艺术自由表达方面，这是他们应该努力捍卫的价值观之一。
Lex 注意到，Gemini 2.5 Pro 相比早期版本，在回答涉及暴力历史等敏感话题时，显得更少“小心翼翼”，更加客观和细致。Pichai 解释了这一变化背后的思考：随着模型能力增强，它们能够更好地推理这些细微问题。“一旦模型跨越了某个智能和复杂度的门槛，它们就能很好地推理这些有细微差别的问题。我认为用户真的想要这样……他们希望尽可能多地访问原始模型。”
他指出，正确的方向是从第一性原理（科学角度）出发，让模型从底层学会推理世界、理解细微差别，而不是由一部分人类在上面进行硬编码。这是 Google 正在采取的方向，未来也会继续推进。
访谈最后，Pichai 分享了他对 Beam（沉浸式远程呈现技术）和实验性 XR 眼镜等前沿项目的兴奋之情。Beam 让他看到了远程沟通中恢复“临场感”与人际连接的可能性，而 XR 眼镜则展示了将 AI 助手无缝融入日常视觉与听觉体验的潜力。这些探索都指向同一个未来：技术将继续以离散而深刻的方式，融入并提升人类生活的每一个维度。
正如 Pichai 在总结中对人类未来的乐观展望：纵观人类文明历程，我们一直在不懈地让世界变得更好。如果可以选择在任何时代出生，他几乎总是选择现在。“这就是人类文明所取得的非凡成就……我们总是集体崛起，推动前沿向前。所以我预计未来也不会有什么不同。”在 AI 这个可能是人类历史上最深刻的技术革命面前，这位从钦奈走出的 Google 船长，正带着他的信念与谦和，引领巨轮驶向未知而激动人心的深海。
SAP CEO Christian Klein（克里斯蒂安·克莱因）：AI 飞轮驱动企业韧性撰文：Techub News 整理
导语
在 2025 年于奥兰多举行的 SAP Sapphire 年度大会上，SAP 首席执行官 Christian Klein（克里斯蒂安·克莱因）发表了长达近两小时的主题演讲。面对全球经济波动、地缘政治紧张和 AI 技术重塑商业格局的宏观背景，Klein 的核心信息聚焦于“不确定性”——这是当今所有企业面临的共同挑战。他阐述了 SAP 如何通过其“业务 AI”战略和“飞轮”理念，帮助企业构建韧性、提升竞争力，并重新构想业务流程。本次演讲不仅是对 SAP 产品路线图的一次集中展示，更揭示了这家企业软件巨头在 AI 时代如何定位自身，以应对来自新兴 AI 公司和传统竞争对手的双重挑战。
摘要
SAP 提出由应用、数据、AI 构成的“飞轮”效应，是企业应对不确定性的核心引擎。
业务 AI 助手 Juul 升级为“无处不在、无所不答”的智能体，可跨 SAP 及非 SAP 应用工作，并与 Perplexity 合作整合外部网络信息。
推出“AI 智能体中心”和“提示词优化器”等工具，旨在规模化部署和管理 AI 智能体，并降低模型切换成本。
发布面向特定业务线的“智能应用”和深化与 Palantir、Adobe 等伙伴的数据合作，强化其数据平台 Business Data Cloud。
宣布与埃森哲推出“Advance”计划，并优化“RISE with SAP”迁移方案，承诺让客户上云之旅更快、更简单、成本更低。
应对不确定性：SAP 的“飞轮”承诺
Christian Klein（克里斯蒂安·克莱因）在演讲开篇即直面全球企业共同困境：市场波动、通胀压力、供应链中断、地缘政治风险以及 AI 竞赛带来的剧变。他指出，SAP 虽无法消除宏观不确定性，但其使命是帮助企业变得更坚韧、更具竞争力。
为此，SAP 提出了其核心战略框架——“飞轮”。这个类比物理学的概念包含三个相互驱动的元素：应用（拥有最广泛、最关键的端到端业务流程组合）、数据（这些应用产生的丰富、语义化的关键业务数据）以及AI（基于这些海量数据构建的强大业务 AI）。AI 反过来又会被注入回应用中，驱动飞轮加速旋转，形成正向循环。
Klein 强调，SAP 的独特优势在于其对企业业务流程和行业特性的深刻理解，这使其能够访问到其他科技公司无法比拟的、富含语义的业务数据海洋，从而训练出真正懂业务的 AI。
业务 AI 重塑工作方式：Juul 成为“超级用户”
演讲的核心演示环节展示了 SAP 业务套件与嵌入式 AI 如何协同工作，帮助一家虚构公司应对突发的关税挑战。通过 CFO、首席营收官、COO 和 CHRO 四个角色的无缝衔接，展现了从风险识别、财务影响模拟、销售策略调整、供应链响应到人力资源规划的全流程、实时协同。这一切都通过统一的 AI 助手 Juul 在集成的业务套件中完成，避免了传统烟囱式系统间的数据孤岛和延迟。
SAP 董事会成员 Muhammad Alam 随后解释了为何这种“飞轮”效应在传统异构、分散的应用环境中难以实现。他称之为“冰山效应”——企业将 80% 的资源和预算耗费在整合应用和数据这种“水下”的繁重工作上，只有 20% 用于创造价值。在 AI 时代，这种脆弱的平衡被彻底打破，因为 AI 需要端到端的业务流程上下文才能创造指数级价值。
Alam 断言，在 AI 时代，单一“最佳单品”应用的优势正在消失，应用层将像云基础设施一样被商品化。未来的价值在于“套件即服务”，即 SAP 提供的“最佳单品级套件”，它能原生地实现飞轮效应，让企业专注于利用端到端上下文创造差异化价值。
Christian Klein（克里斯蒂安·克莱因）回归舞台后，宣布了 SAP 业务 AI 的雄心目标：让每位终端用户的生产力提升 30%。为实现这一目标，SAP 正将用户交互方式从传统的 GUI、移动端，推向以自然语言与 AI 交互的新时代。
Juul 的进化体现在两个维度：“无处不在”和“无所不答”。通过整合去年收购的 WalkMe（数字化应用采纳平台），Juul 将成为一个“全在、全时、主动、个性化”的 AI 助手，出现在任何 SAP 或非 SAP 应用（如 ServiceNow、Gmail、LinkedIn）中，理解屏幕内容并提供情境化帮助与自动化建议。
现场演示显示，一位供应链经理在 ServiceNow 中收到物料批次问题的紧急工单，Juul 能即时总结问题、评估影响（如无备用供应商的风险），并推荐行动。随后，Juul 可跨应用自动在 SAP Ariba 中寻找供应商、在 Gmail 中检索历史报价、生成 RFP（询价请求）、创建采购订单，并最终回到 ServiceNow 更新工单状态，整个过程无需用户在不同系统间手动切换。
在“无所不答”方面，SAP 宣布与 AI 答案引擎 Perplexity 建立合作伙伴关系。Perplexity CEO Aravind Srinivas 登台解释，其产品旨在提供可信、可溯源答案，而非一堆链接。合作后，Juul 将能结合企业内部 SAP 结构化数据与 Perplexity 索引的整个网络新闻和公共信息，回答更广泛的业务问题。例如，用户可以询问“某国新关税政策对我的业务意味着什么？”，Juul 将关联内部该国业务数据与外部关税信息，给出综合分析。
从“洞察到行动”到“推理并行动”：AI 智能体与基础架构
SAP 首席技术官 Philip Herzig 登台，回顾了 SAP 业务 AI 的进展：Juul 已支持超 1600 项技能，覆盖 HR、财务、供应链等广泛任务；生成式 AI 场景已交付超 230 个，预计到年底将超 400 个。他分享了客户案例：英国电信（BT）使用 AI 将寻找合适技能候选人的时间节省了 85%；普华永道（PwC）为诺和诺德（Novo Nordisk）设计的税务解决方案，每年节省了三年的人工工作量；博世（Bosch）利用 Juul for Developers 将开发人员生产力提升了 10%。
渣打银行（Standard Chartered）的代表 Tom Fox 和 Melinda McKinley 分享了他们的转型之旅。他们从六年前拥有 30 多个财务和国库系统、关账需三周的混乱状态，通过采用 SAP RISE 方案和坚持“清洁核心”原则，成功将每年约 2 万亿美元客户账户交易迁移至 SAP S/4HANA。他们利用嵌入式 AI 核心能力，在六周内实现了用户过去梦寐以求的功能，例如使用 AI 预测分析师在财报电话会议上可能提出的问题（准确率约 80%），以及在几天内构建出能分析关税影响的“关税智能体”。
Herzig 随后阐述了 SAP 的 AI 战略三层架构：Juul（新用户体验）、Juul 智能体（重新构想业务流程）和BTP 上的 AI 基础层。他宣布 SAP 正在实现从“洞察到行动”到“推理并行动”的范式转变。新一代“智能体”将具备推理和协作能力。
例如，全新的财务风险与规划智能体能基于外部市场数据（如来自 Perplexity）和内部分析数据进行推理，识别关键风险并提出缓解策略（如供应商多元化、新定价策略），然后模拟对损益表的影响，再由规划智能体接管并在供应链或财务中实施战术。全新的应计费用智能体通过“学习”公司数百页的会计手册，结合财务数据，能在财务结算期间自动提出正确的应计费用建议，将手工工作量削减高达 90%。
为管理日益增多的智能体（来自 SAP 应用、客户自定义或第三方），SAP 推出了“AI 智能体中心”（作为 SAP LeanIX 的一部分）。它可以将每个 AI 智能体映射到其支持的相应业务能力或流程步骤，实现可视化、发现自动化缺口，并确保智能体符合企业的伦理和合规标准。
在 AI 基础架构层面，SAP AI Foundation on BTP 已提供超 90 项技术能力，并新增了 AI 智能体运行时、AI 评估服务等 60 多项新功能。它支持最新的 AI 模型，如 GPT-4o、Claude 3.7 Sonnet、Gemini 2.5，也提供与 Mistral、Meta 等合作的自托管模型，以及行业特定模型（如与 Datalogix 合作引入其金融和供应链模型）。
针对模型切换的挑战（因性能、成本、法规等原因），SAP 与旧金山的 Not Diamond AI 实验室合作，推出了“提示词优化器”。该功能可一键将现有针对某模型的提示词，自动优化并转换为适用于其他模型的版本。Herzig 认为，这标志着“提示词工程”成为过去，未来将是“基准工程”的时代——专注于描述 AI 用例的预期结果，而非明确指示模型如何做。
最后，Herzig 展望了将 Juul 智能体带入物理世界的未来。通过展示与 Nvidia 和机器人公司 NeoBotix 的合作，演示了人形机器人如何利用 SAP 视觉检测模型判断注塑机是否需要维护，并通过 Juul 与后台维护智能体交互，调度另一台机器人取送替换零件。这预示着 AI 将深度融合数字与物理世界。
数据：智能应用的基石与开放生态
Christian Klein（克里斯蒂安·克莱因）将话题转向飞轮的第二个元素——数据。他重点介绍了今年二月推出的 SAP Business Data Cloud（BDC），称之为企业在不确定时代的“水晶球”，提供业界最大的语义化数据层。
Muhammad Alam 进一步阐释，BDC 集成了 SAP 管理的、采用统一数据模型的数据产品、用于统一 SAP 与非 SAP 应用数据的“数据编织”层，以及与 Databricks 合作的顶级数据工程平台。他宣布了首批基于 BDC 的“智能应用”：面向私有云客户的 Cloud ERP Intelligence（整合财务、供应链及可持续发展数据）、People Intelligence（基于 SuccessFactors、Fieldglass 和财务数据）以及 Spend Intelligence（全面支出视图）。
在开放生态方面，SAP 宣布与 Adobe 合作，后者正在开发一款结合 SAP Cloud ERP 数据与 Adobe Experience Platform 数据的智能应用，以实现更精准的财务、供应链计划和营销活动。同时，SAP BDC 与 Databricks 的结合方案将扩展到所有主流超大规模云平台（AWS 现已可用，GCP 和 Azure 将在未来几个月推出）。
现场演示展示了 CFO、首席采购官、CHRO 等角色如何通过自然语言询问 Juul，直接跳转到相应的智能应用仪表板，查看现金流、可持续发展目标、供应商关联以获取批量折扣、人才流动与员工敬业度等实时洞察。数据科学家则可在 BDC 内直接使用 SAP Databricks 进行员工流失预测建模，并利用 AI 模拟能力分析成千上万种业务场景，找出影响流失率的关键驱动因素（如薪酬比率、技能发展）。BDC 的知识图谱还能关联不同数据源（如 HR 与财务数据），提供更丰富的语义上下文。
简化旅程：更快、更简单、更低成本上云
Muhammad Alam 强调，实现飞轮效应不仅需要卓越的产品，还需要简化的路径。他介绍了 SAP 在业务转型套件和 BTP（业务技术平台）方面的创新。
业务转型套件：WalkMe 数字采纳平台现已集成到核心应用（SuccessFactors, Ariba, Concur, Sales & Service），下半年将扩展到私有和公有云 ERP。SAP Signavio 新增 AI 驱动的转型顾问和根因分析功能，可自动从财务报告中识别业务挑战并提供改进建议。SAP LeanIX 新增 AI 辅助的架构指导，可自动检查企业架构并提出优化步骤。
BTP：作为 SAP Build 的一部分，推出了 Juul Studio 中的 Skill Builder（用于定义基于规则的任务）和 AI Agent Builder（用于创建处理目标导向复杂场景的自定义智能体）。SAP BTP 计划在 2025 年下半年登陆所有主流超大规模云市场（AWS、Google Cloud、Microsoft Azure）。
为帮助客户完成转型旅程，SAP 与埃森哲（Accenture）联合推出了名为“Advance”的新计划，旨在帮助年收入 50 亿美元以上的客户，通过预配置和定制化的 SAP 业务套件包，以及埃森哲的咨询专长，加速上云转型。
SAP 首席运营官 Sebastian Steinhaeuser 分享了“SAP 如何运行 SAP”的经验：利用 Juul 实现数亿欧元的 AI 驱动效率提升；作为 BDC 的首位客户，实现了数据战略的阶跃式变化；使用 Signavio 和 LeanIX 简化流程和架构；通过 WalkMe 赋能变革管理；并全面采用 RISE with SAP 方案迁移至云端。
Mars 旗下健康零食品牌 Kind 的 CIO Anand Krishnan 分享了其采用 SAP 公有云 ERP 构建“两层架构”的经验。通过“爬、走、跑”的方法，他们以“绿地”方式将 True Fruit、Nature‘s Bakery 等被收购品牌逐一迁移至标准化的云 ERP，支持了业务的高速增长（True Fruit 过去两年增长超两位数），并为即将到来的 Kind 品牌迁移奠定了基础。
Christian Klein（克里斯蒂安·克莱因）最后宣布了让“RISE with SAP”和“GROW with SAP”迁移之旅更快、更简单、成本更低的三项举措：
更快：在整个 RISE 工具链中嵌入 AI 智能体（用于流程对标、架构优化、代码生成和系统迁移），目标是将迁移速度提升 35%。
更简单：推出面向具体业务线（财务、HR、供应链、销售、采购、服务）的解决方案包，简化商业条款和合同，包含 SAP Build 扩展能力、AI 包、SAP 托管的行业特定内容，实现“最佳套件即服务”。
成本更低：对于遵循“适配标准”原则并应用“清洁核心”方法的 ECC 和 S/4HANA 本地客户，SAP 将承担迁移到业务套件的典型成本，旨在改变软件与服务成本 1:10 的现状。
伙伴视角与行业展望
安永（EY）全球董事长兼首席执行官 Janet Truncale 作为 SAP 的长期客户与合作伙伴登台。她分享了 EY 这家拥有 40 万员工、遍布 150 个国家的组织，如何依赖 SAP 应对业务复杂性，并正在进行自身的 RISE 迁移之旅，以期获得更简化的流程、清洁的核心和更强的自动化与协作能力。
谈及 AI，Truncale 强调了四点：价值（关注生产力和增长）、以人为本（AI 赋能而非取代劳动力）、信任（在受监管环境中确保控制与风险框架）以及数据（需要准确、清洁、安全的数据策略）。她认为，在不确定时期，数据和技术能帮助企业做出精准决策，从而脱颖而出。
尾声：与莱德杯的特别合作
演讲最后，Christian Klein（克里斯蒂安·克莱因）宣布 SAP 成为著名高尔夫赛事莱德杯（Ryder Cup）的官方赞助商，并邀请欧洲队队长 Luke Donald（卢克·唐纳德）和美国队副队长 Jim Furyk（吉姆·福瑞克）上台。他们探讨了高尔夫运动中的不确定性（天气、观众、弹跳）以及可控因素（努力、态度、准备、计划），这与企业应对商业挑战的道理相通。一场轻松的高尔夫推杆趣味比赛为这场技术盛会画上了充满活力的句号。
Klein 在总结中重申了 SAP 的承诺：在不确定的时代，继续倾听客户需求，交付卓越创新，并全程陪伴客户旅程，助力企业“在纯粹的和谐中运营”。
Demis Hassabis（德米斯·哈萨比斯）谈未来 5-10 年的 AGI 及其通向“根本性富足”之路撰文：Techub News 整理
导语
在人工智能浪潮席卷全球的当下，作为该领域最前沿的探索者之一，Google DeepMind 的联合创始人兼首席执行官 Demis Hassabis（德米斯·哈萨比斯）的每一次发声都备受关注。2025 年 6 月，他接受了 WIRED “The Big Interview” 栏目的深度对话。在这场约20分钟的访谈中，哈萨比斯不仅对通用人工智能（AGI）的到来时间给出了明确的概率预测，更围绕 AGI 的定义、当前 AI 系统的局限、地缘政治竞争、AI 安全、未来工作形态以及 AGI 可能带来的“根本性富足”社会等核心议题，展开了兼具技术理性与宏大愿景的阐述。作为将“解决智能，然后用智能解决一切问题”奉为使命的科学家和企业家，他的观点为我们理解 AI 发展的当前坐标与未来轨迹提供了关键视角。
摘要
预测 AGI 有 50% 的可能在未来 5-10 年内实现，但强调当前系统在推理、规划、记忆和真正创造力方面仍有明显缺陷。
指出 AI 发展面临两大核心风险：恶意行为者滥用通用 AI 技术，以及技术本身随着能力增强带来的安全隐患。
认为短期内 AI 将对工作产生“赋能”效应，提升个体生产力，长期则可能重塑就业结构，但护理等需要人类共情的工作难以被取代。
展望若 AGI 发展顺利，人类将进入一个拥有近乎无限清洁能源、解决疾病与资源短缺的“根本性富足”时代，但这需要社会心态从零和博弈转向非零和博弈。
呼吁国际协作与灵活监管，并认为在未知风险面前，科学方法和持续的投入是克服技术挑战的关键。
AGI：五年之约与缺失的能力拼图
访谈始于对 AGI 时间表的探讨。Demis Hassabis（德米斯·哈萨比斯）重申了 DeepMind 自创立之初便秉持的愿景：解决智能，然后用智能解决其他一切问题。回顾这趟约20年的征程，他表示公司“基本完全按计划进行”。当被问及这是否意味着距离人们通常所说的 AGI 仅有五年时，哈萨比斯给出了一个更精确的概率估算：“我认为在接下来的五到十年内，我们有50%的机会拥有我们所定义的 AGI。”
这个预测相较于某些更为激进的同行（如声称两三年内实现）显得相对审慎。哈萨比斯解释，业界目前对 AGI 的定义本身存在争论，时间预测也因此各异。他援引联合创始人兼首席科学家 Shane Legg 早期对 AGI 的定义，强调其核心在于系统能够展现出人类所拥有的全部认知能力。以人类心智为参照，是因为它是我们已知的唯一通用智能存在的证明。
那么，我们离这个目标还有多远？哈萨比斯明确指出当前 AI 系统存在明显的“能力拼图缺失”。无论是大型语言模型还是聊天机器人，在推理、规划、记忆和真正的发明创造力方面尚有不足。“我不认为今天的系统能够进行真正的发明、真正的创造，或是提出新的科学假设。”他举例说明，尽管已有系统（如他们的 AlphaFold）能在国际数学奥林匹克竞赛中达到金牌水准，但同样的系统有时却会在高中数学甚至数单词字母数量上出错。这种在不同领域表现极不一致的现象，恰恰说明现有系统尚未实现完全的泛化能力。
关于 AGI 降临的形式，哈萨比斯认为它更可能是一个渐进的转变，而非突变的阶跃函数。即使技术上实现了 AGI，其对社会和物理世界（如工厂、机器人）的全面影响仍需更长时间，可能长达十年以上才能充分显现。
地缘竞速、安全风险与监管困境
当话题转向激烈的全球 AI 竞赛时，主持人提到了 Eric Schmidt（埃里克·施密特）的“二进制”论调，即若某个国家（如中国）率先获得 AGI，将导致无法追赶的永久性领先优势。哈萨比斯对此表示，这是一个未知数，属于所谓的“硬起飞”情景：如果 AGI 系统能够快速自我改进、自我编码，那么微小的领先优势可能迅速变为天堑。但他也指出，还存在其他可能性，即自我改进的速度并未那么快，那么时间上的接近就不会造成巨大差异。
然而，他着重强调了其中的地缘政治意涵：“正在构建的系统，会带有设计者价值观及其所处文化规范的印记。”因此，谁领先、在何处开展这些项目，不仅关乎商业和国家竞争，也紧密关联着安全考量。他坦言当前领域处于“非常激烈的时期”，资源大量涌入，压力巨大。
哈萨比斯剖白了自己最为担忧的两大风险：一是恶意行为者（无论是个人还是流氓国家）将通用 AI 技术用于有害目的；二是 AI 技术本身的风险——随着其能力越来越强、自主性越来越高，能否确保防护措施足够安全且无法被绕过。这引出了对监管的讨论。当被问及是否仍像几年前一些公司那样呼吁监管时，哈萨比斯给出了肯定的回答，但同时强调了复杂性和国际性。他认为，考虑到地缘政治叠加效应和当今世界的复杂性，“明智的、灵活的监管”至关重要，且这种监管需要能随着研究认知的深入而动态调整。
他进一步指出，真正的挑战在于国际合作。“如果你在一个地区限制它，这对于这些系统为世界和社会构建的整体安全性并无真正助益。”鉴于 AI 是数字系统且将影响所有人，国际间的协作与共识（至少在某些基本原则层面）是更大的难题，但也是必需的。
当被问及是否会因为竞争压力而不得不放弃安全护栏时，哈萨比斯表示，西方主要实验室的负责人和顶尖研究人员之间经常沟通。问题在于，目前缺乏清晰的定义来确定“那个临界点”何时到来。他认为今天的系统尽管令人印象深刻，但也存在诸多缺陷，尚不构成任何生存性风险。风险目前仍是理论上的，但问题在于“未知数太多”——我们不知道风险来临的速度和程度。对此，他持技术乐观态度：“当存在如此多未知数时，我乐观地认为我们能克服它们。”他相信只要有足够的时间、关怀和深思熟虑，运用科学方法，技术挑战是可以解决的，反倒是地缘政治问题可能更为棘手。
但他也清醒地意识到：“我们时间不多了。”因此，DeepMind 正在向安全和可控性研究（如机械可解释性）投入更多资源，同时也认为需要展开更多的社会讨论，探讨机构建设、治理模式以及如何达成国际协议。
赋能、转型与“根本性富足”的未来
谈及 AI 对工作和市场的影响，哈萨比斯引用了经济学家的观察，认为目前尚未看到根本性变化，更多是补充和赋能，例如 AlphaFold 极大地加速了科学家的工作。展望未来五到十年，他预计工作岗位将发生巨变，但历史经验表明，新技术往往会催生新的、通常更好的工作岗位，正如互联网和移动技术带来的变革。他预计未来几年将是“黄金时代”，强大的工具将极大提升个人生产力，甚至在创造力方面让人变得“有点超乎寻常”。
对于 AGI 可能替代所有人类工作的担忧，哈萨比斯认为，即使 AGI 具备所有人类能力，仍有许多事情我们不会想让机器去做。他举了医生和护士的例子：诊断工作或许可以由 AI 辅助甚至替代，但护理工作所需的人类共情和关怀则难以被机器人取代。他建议当下的学生和毕业生积极拥抱这些新系统，深入学习 STEM 和编程以理解其原理，并精通微调、系统提示等技能，从而成为能最大化利用这些工具的“超级生产者”。
展望更远的未来（20-30年后），如果一切顺利，哈萨比斯描绘了一个激动人心的图景：“我们应该处在一个我称之为‘根本性富足’的时代。” AGI 将帮助解决一些社会面临的“根节点”问题，例如治愈疾病、显著延长健康寿命、发现新能源（如优化电池、室温超导体、核聚变）。
他针对主持人关于当前社会分配不公、协作困难的质疑，给出了一个具体例子：水资源获取。海水淡化技术已存在，但因其高能耗而仅限于富裕国家。如果 AGI 推动实现近乎零成本的清洁能源（如核聚变），那么水资源获取问题将迎刃而解，因水资源控制引发的冲突也将大幅减少。类似地，近乎无限的能源也能简化火箭燃料的制造（从海水中分离氢和氧）。
哈萨比斯认为，AGI 将从技术上提供实现“根本性富足”的能力，但他希望这能进一步推动社会心态从零和博弈转向非零和博弈。他承认，如何公平分配“根本性富足”的成果仍是一个挑战，需要哲学家和社会科学家的参与。他甚至预测，在 AGI 之后的时代，经济学本身、价值与货币的概念都可能发生改变，呼吁经济学家更深入地研究相关的新经济理论。
最后，针对社会上对 AI 的担忧和抵触情绪（类似工业革命时期的反弹），哈萨比斯表示理解，并认为这场变革至少与工业革命同等规模，甚至更大。但他用自己的热情作为回应：他构建 AI 的核心驱动力是推动科学和医学进步，解决疾病、气候、能源等重大社会挑战。他举出 AlphaFold（诺贝尔奖级别的突破）及其在药物发现上的应用潜力为例，强调如果人类有能力却不去追求这些解决方案，反而是不道德的。在他看来，面对众多社会挑战，如果没有像 AI 这样革命性的技术即将到来提供助力，他才会对未来感到更加担忧。
Alphabet CEO Sundar Pichai（桑达尔·皮查伊）：AI 是搜索的非凡机遇，而非颠覆性威胁撰文：Techub News 整理
导语
2025 年 5 月，Alphabet 兼谷歌 CEO 桑达尔·皮查伊（Sundar Pichai）罕见地接受了 All-In Podcast 的深度专访。在长达一小时的对话中，皮查伊直面了当前市场对谷歌在 AI 浪潮中可能面临“颠覆者困境”的核心质疑。作为执掌这家科技巨头近十年的领导者，皮查伊的此次发声，不仅是对外界疑虑的集中回应，更是系统性地阐述了谷歌将如何利用其长达二十余年的技术积累——从基础设施到前沿研究——来驾驭并引领这场 AI 革命。本次对话涵盖了搜索的未来、AI 商业模式、芯片战略、能源约束、量子计算以及机器人等广泛议题，为我们理解谷歌在下一个十年的战略方向提供了关键窗口。
摘要
皮查伊坚信 AI 是搜索的“非凡机遇”，而非零和游戏的颠覆者，AI 概览（AI Overviews）等新功能正在扩大搜索的查询范围和用例。
谷歌的核心优势在于其全栈式技术积累，从 TPU 芯片、全球数据中心网络到跨领域的基础研究，这使其能在控制成本的同时持续推动模型创新。
面对 OpenAI、微软、Meta 等激烈竞争，皮查伊认为 AI 创造的将是一个比过去所有技术总和更大的市场，成功的关键在于持续创新和执行。
谷歌在量子计算、机器人（物理 AI）等领域进行长期、耐心的投资，视其为类似早期 AI 的基础性突破，预计未来 3-5 年将迎来关键进展。
皮查伊承认文化管理是持续挑战，近期重点在于重拾“使命聚焦”，激发类似谷歌早期创业阶段的强度与乐观精神，以应对 AI 时代的竞争。
AI 是搜索的进化，而非颠覆
访谈开场便直指核心：在聊天式 AI 重塑人机交互的今天，谷歌的核心搜索业务是否面临被真正颠覆的风险？桑达尔·皮查伊（Sundar Pichai）的回答明确而坚定。他回顾道，自 2015 年担任 CEO 起，他便将谷歌定位为“AI 优先”的公司，因为团队深信 AI 将是驱动搜索最大进步的动力。因此，当前时刻对他而言并非威胁，而是搜索的“非凡机遇”。
皮查伊用数据佐证了他的观点。谷歌约一年前推出的“AI 概览”（AI Overviews）功能，如今已被超过 15 亿用户使用，覆盖 150 多个国家。这不仅没有蚕食传统搜索，反而扩大了用户查询的类型和范围，带来了全新的使用场景。在触发 AI 概览的查询中，谷歌观察到了查询量的增长，且增长具有持续性。他透露，实验室中正在测试一个全新的、名为“AI 模式”的专用搜索 AI 体验，将在谷歌 I/O 大会上详述。在该模式下，用户可以进行完整的对话式追问，谷歌最前沿的模型将利用搜索作为原生工具来回答问题。
“用户正在用行动回应，”皮查伊指出，用户输入的查询平均长度已是两三年前的两到三倍，有时甚至是长段落。这改变了搜索的形态。针对“创新者困境”的经典命题，皮查伊认为困境只存在于你将其视为困境之时。他援引了移动转型和 TikTok 崛起后 YouTube 依然蓬勃发展的例子，指出科技史上每一次重大创新周期，都需要全力投入。“这有点像谷歌最初的原则之一：跟随用户，其他一切自会跟随。”
商业模式过渡：成本可控，广告逻辑依旧
当对话转向敏感的商业模式——即更昂贵的 AI 查询是否会破坏谷歌搜索“查询成本”与“单次查询广告收入”之间精妙的单位经济学时，皮查伊展现了基于基础设施优势的自信。
他承认两年前业界普遍担忧成本问题，但他始终认为，就服务成本而言，他愿意押注谷歌的基础设施能力能够比几乎所有其他公司都做得更好。事实也证明，在过去 18 个月里，服务单次查询的成本已大幅下降。目前更主要的约束在于延迟，而非成本。如何让 AI 体验达到搜索近乎即时的速度，是当前更重要的前沿问题。
关于 AI 查询的广告收入，皮查伊表示，在已经展示广告的 AI 概览中，其效果基准已与传统搜索持平。“我们已经达到了那个阶段。”他进一步从第一性原理分析：广告在搜索中行之有效，是因为商业信息本身就是用户意图的一部分。AI 没有理由不能在这方面做得更好。因此，他对平稳过渡商业模式感到“安心”，尽管部分调整可能需要时间，但所有指标都显示谷歌能够很好地完成这一过渡。
基础设施与芯片：谷歌的“全栈”护城河
皮查伊多次强调，谷歌一个核心且常被低估的优势是其长达二十多年的基础设施投资。从早期可海运的集装箱数据中心，到如今遍布全球的网络，这构成了竞争力的基石。在 AI 时代，这一优势直接体现在性能与成本的帕累托前沿上——谷歌能够以最具成本效益的价格点提供最好的模型。
关键组件之一便是谷歌自研的 TPU 芯片。皮查伊提到，谷歌在 2017 年发布了第一代 TPU，如今已发展到第七代。最新的 “Ironwood” 芯片单块算力超过 40 Exaflops。这些专门为机器学习优化的芯片，尤其在推理环节表现出色，是谷歌有信心以巨大规模服务 AI 搜索查询的重要原因。他表示，谷歌的“全栈”方法——从底层基础设施、基础研发到上层应用创新——将长期为公司带来优势。
关于芯片战略，皮查伊澄清了与英伟达的关系。他盛赞英伟达是“非凡的公司”，CEO 黄仁勋（Jensen Huang）也很出色，双方合作历史悠久。谷歌内部既用 TPU 训练 Gemini 模型，也在 GPU 上服务部分流量，并为云客户提供选择。他认为行业内的公司都会尝试类似（自研芯片）的路径，但英伟达的研发能力和软件栈是世界级的，拥有诸多优势。谷歌的长期策略是保持 TPU 和 GPU 并用的灵活性，两者相互促进，共同推动技术前沿。
模型创新未达瓶颈，数据优势在于个性化
针对外界关于大语言模型性能开始“高原化”、竞争者差异缩小的论调，皮查伊并不认同。他将进步过程比作“人工 jag jag 智能”，即进展并非总是线性的，会经历看似缓慢的时期，然后出现范式突破。过去几年，行业在预训练、后训练、推理计算等方面不断推进，如今又在研究如何将所有技术整合到智能体工作流中。他感觉进步相当持续。
“进步确实会变得更难，而这将区分出精英团队，”皮查伊认为，问题越难，谷歌的准备就越充分。谷歌的研究前沿远比大多数公司更广阔，不仅限于 LLM 或基于 Transformer 的模型，在扩散模型等众多领域都在进行深度探索。他尚未看到计算投入回报递减的根本性拐点出现。
当被问及谷歌是否拥有来自 YouTube 等产品的独特数据优势时，皮查伊的回应侧重于用户体验而非单纯的数据训练。他认为，谷歌的机会在于利用用户使用 Gmail、日历、文档、YouTube、搜索等产品时产生的个人上下文（在获得用户许可的前提下），来提供更优质、更个性化的体验。他将此视为公司未来差异化的创新机遇之一，目前正在审慎推进。
未来交互：无缝、环境计算与 AR 眼镜
展望未来 5 到 10 年的人机交互，皮查伊描绘了一个“无缝”的愿景：人类需要做的“硬性适应”工作越来越少，计算将主动为人服务。他认为这是“圣杯”，而触摸、语音等技术正在一步步迈向这个未来。
他特别看好增强现实眼镜的前景。作为眼镜佩戴者，他亲身体验了 AR 眼镜，虽然目前舒适度尚不及普通眼镜，但正在改善。他相信，当 AR 真正成熟时，它将把无缝体验推向新高度，让计算“环境化”地存在并为你服务。他指的并非沉浸式显示设备，而是 AR 眼镜。结合真正多模态的模型，他认为这一范式非常有趣，能让人感受到下一次飞跃。他将当前 AR 的发展阶段类比于 2006-2007 年的智能手机，可能还需几个周期才能达到理想状态。
皮查伊证实，谷歌在硬件上投入了大量时间，不仅限于 Pixel 手机和数据中心，也对 AR 眼镜、机器人等新形态感到兴奋。
竞争格局：AI 市场足够大，创始人深度参与
面对 OpenAI（萨姆·奥尔特曼 Sam Altman）、xAI（埃隆·马斯克 Elon Musk）、Meta（马克·扎克伯格 Mark Zuckerberg）和微软（萨提亚·纳德拉 Satya Nadella）组成的强大竞争对手矩阵，皮查伊展现了开放与务实的态度。他称赞这是一个“令人印象深刻的群体”，汇集了最好的公司和企业家。竞争的存在恰恰预示着我们将看到巨大的进步。
他特别提到2025 年 5 月与埃隆·马斯克（Elon Musk）的会面，钦佩其“将未来技术变为现实的意志力无与伦比”。皮查伊强调，AI 将开启一个比过去所有技术总和更大的机遇版图。他提醒人们，互联网兴起时，谷歌甚至还不存在。未来 AI 领域的赢家可能包括许多尚未诞生的公司。因此，格局并非简单的“谁击败谁”，而是关于哪些公司能够通过创新和执行，携手最优秀的人才取得成功。
皮查伊还分享了谷歌联合创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）的深度参与。他经常与两人交流，称赞他们很早就预见了 AI 的今天，并认为这是计算机科学领域最激动人心的时刻。谢尔盖·布林更是以“硬核”方式投入，与 Gemini 团队坐在一起编码、查看损失曲线、反馈模型架构，为团队注入了无与伦比的能量。皮查伊珍视与两位创始人“非线性思维”碰撞带来的灵感。
长期押注：量子计算与机器人
谷歌以对前沿技术进行长期、耐心投资而闻名，如 TPU、DeepMind、Waymo。皮查伊以同样视角看待量子计算和机器人。
他将量子计算目前的发展阶段类比于 2015 年左右的 AI。他预计在未来 5 年时间框架内，将会出现一个真正的“顿悟时刻”——用量子方式完成一项非常有用的实际计算，且远超经典计算机，从而真正展现该领域的潜力。他对此充满信心。谷歌的目标是通过云平台展示更多实用算法，并提供访问。皮查伊认为，就像无人驾驶领域曾充满噪音一样，量子领域目前也有很多宣布，但谷歌自认为处于前沿。
在机器人领域，皮查伊承认谷歌曾过早尝试应用层（如收购波士顿动力后又出售），当时机器人尚未深度受 AI 影响。如今，“AI + 机器人”的结合点已经到来。谷歌拥有世界级的机器人前沿研发团队，Gemini 在视觉-语言-动作模型方面的努力也属顶尖。他们正在思考如何通过合作或推出产品来参与其中。皮查伊观察到，人形机器人的进步神速，以至于他需要仔细辨别视频真假。他预测，距离机器人领域的“神奇时刻”可能还有两到三年。谷歌旗下公司 Intrinsic 正致力于成为“机器人领域的安卓”，而 Gemini 模型也将成为机器人领域的强大基础模型。
文化、人才与未来展望
针对谷歌文化从早期创新乐园演变为“骄纵员工”避风港的外部批评，皮查伊进行了辩护与反思。他解释，提供午餐等福利的初衷是创造积极、乐观、便于跨领域交流的创新氛围，这至今仍是谷歌吸引顶尖人才、激发基层创新的力量源泉。但他也承认，随着公司规模急剧扩大，有时次要议题会掩盖公司的核心使命。
过去几年，他刻意致力于重拾“使命聚焦”，强调员工聚集于此是为了创新并服务公司使命、产生影响力。当前的 AI 时刻带来的高强度与兴奋感，让他回想起早期的谷歌。他通过创建“实验室”等机制，鼓励小团队快速创新。他认为，文化需要不断微调以忠于核心价值观，出现漂移时则需努力拉回。
在人才争夺方面，皮查伊表示，谷歌在吸引顶尖 PhD 研究员方面依然具有竞争力，也有离职员工回归。他预见，AI 将使全球更多地方涌现出卓越人才，而不仅限于少数传统中心。
关于 Alphabet 作为控股公司的结构，皮查伊澄清，其本质并非单纯财务投资，而是基于共同的基础技术（如 AI）去解决不同领域的问题，从而衍生出看似迥异但内核相连的业务。从 Waymo 到 Isomorphic（基于 AlphaFold 的药物发现公司），都是这一逻辑的体现。
最后，被问及十年 CEO 任期内最大的骄傲与遗憾时，皮查伊对谷歌能够同时推动技术前沿（如获得诺贝尔奖级别的基础研究）并将其转化为商业价值感到无比自豪。至于遗憾，他提到了一些曾激烈辩论但最终未完成的收购，例如 Netflix，但他更倾向于向前看，认为这些是“平行宇宙中的另一种可能”。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：世界模型、AGI 时间表与 AI 驱动的科学革命撰文：Techub News 整理
导语
2025 年 9 月，谷歌 DeepMind 的联合创始人兼 CEO 德米斯·哈萨比斯（Demis Hassabis）做客知名科技播客 All-In Podcast，进行了一场信息量极大的深度对话。作为 AlphaGo、AlphaFold 等里程碑式 AI 项目的核心推动者，以及 2023 年诺贝尔化学奖的共同得主，哈萨比斯一直是全球人工智能领域的灯塔人物。此次对话中，他不仅分享了获得诺奖的幕后故事，更系统地阐述了谷歌 DeepMind 的最新进展、对 AGI（通用人工智能）路径的思考，以及 AI 如何重塑科学、娱乐乃至人类社会的基础架构。在 AGI 浪潮席卷全球、科技巨头激烈角逐的背景下，哈萨比斯的见解无疑具有极高的参考价值。
摘要
世界模型是通往 AGI 的关键一步：Genie 等模型通过海量视频学习“直观物理”，无需预设物理引擎即可生成动态交互世界，这对机器人技术、智能眼镜助手至关重要。
AGI 可能还需 5-10 年：哈萨比斯认为当前 AI 尚缺乏真正的创造力、持续学习和一致性推理能力，需一两个关键突破才能达到真正的通用智能。
AI 将开启“科学新文艺复兴”：从药物发现（Isomorphic Labs）到材料设计、聚变控制，AI 将成为终极科学工具，其长远贡献将远超其当下的能耗。
人形机器人有独特价值：对于需要融入人类环境（家庭、办公室）的通用机器人，人形形态可能比专用形态更具实用性和适配性。
AI 赋能创作的两面性：既极大降低了普通人创作的门槛，也超级赋能顶级专业人士，催生“共同创造”的新娱乐形态。
从 AlphaFold 到诺奖：AI 驱动科学的起点
访谈从哈萨比斯获得诺贝尔化学奖的非凡经历开始。他描述接到来自瑞典的电话时“恍如隔世”，那是每个科学家梦寐以求的时刻。在斯德哥尔摩的颁奖周，最令他震撼的是在一本保存了120年的诺奖得主签名簿上，将自己的名字签在费曼、居里夫人、爱因斯坦、尼尔斯·玻尔等伟人之旁。哈萨比斯坦言，尽管有关于 AlphaFold 可能获奖的传言，但诺奖委员会对保密工作的极致要求，以及奖项更看重科学突破的实际影响力（这往往需要二三十年的沉淀），使得一切直到电话响起前都是未知数。AlphaFold 破解蛋白质结构预测难题，正是哈萨比斯从童年起就怀有的梦想——利用 AI 加速科学发现的完美例证。这枚诺奖奖章，不仅是对他个人和团队的认可，更是标志着 AI 正式成为基础科学发现的核心引擎。
谈及谷歌 DeepMind 在 Alphabet 中的定位，哈萨比斯将其比喻为“整个谷歌和 Alphabet 的引擎室”。自几年前谷歌内部所有 AI 力量（包括原 DeepMind）合并为 Google DeepMind 以来，团队规模已达约 5000 人，其中超过 80% 是工程师和博士研究员。Gemini 是他们构建的核心模型，此外还包括视频模型、交互式世界模型等多种 AI 系统。这些模型已经深度集成到谷歌几乎所有的产品和服务中，从 AI Overview、AI 模式到 Gemini 应用，每天有数十亿用户在与他们的 AI 技术互动。这种“前沿研究”与“数十亿规模落地”的结合，构成了谷歌 DeepMind 独特的优势。
Genie 与世界模型：让 AI 理解物理世界
对话的核心很快转向了谷歌 DeepMind 最新发布的一类革命性模型——“世界模型”，其代表便是 Genie。哈萨比斯现场展示了一段 Genie 生成的视频：用户仅通过一个文本提示（如“在鸡套装里的人”或“喷气式滑艇”），就能生成一个完全交互式的 3D 环境。用户可以使用方向键和空格键实时控制视角，探索这个世界。关键之处在于，所有像素都是实时生成，不存在于任何预设的视频或游戏中。当角色转头看向一个方向，那一侧的景物才被即时创造出来，并且保持物理一致性（例如之前墙上的涂鸦会保留）。
哈萨比斯解释道，Genie 模型通过观看互联网上数百万计的 YouTube 等视频，反向工程了“直观物理”。它并非基于传统的 3D 渲染引擎（如 Unity 或 Unreal），也没有被预先编程物理定律。相反，它纯粹从 2D 图像序列中学会了世界如何运作的复杂规律，包括光影反射、材质流动和物体行为。作为一名在 90 年代曾亲手编写游戏引擎和物理系统的前游戏开发者，哈萨比斯对 Genie 能如此“轻而易举”地完成这一切感到“极其震撼”。
为什么世界模型如此重要？哈萨比斯指出，要构建真正的 AGI，系统必须理解我们周围的物理世界，而不仅仅是抽象的语言或数学世界。这对于机器人技术、智能眼镜助手等应用至关重要。一个能帮助日常生活的智能眼镜助手，必须理解使用者所处的物理环境及其背后的物理规律。世界模型的突破，正是为 AI 系统装上了理解物理世界的“感官”和“常识”。他预测，随着 Genie 这类模型的进化（Gen 4, Gen 5…），它们将越来越逼近对现实世界的深刻模拟。
机器人、AGI 时间线与缺失的拼图
世界模型的自然延伸便是机器人技术。哈萨比斯介绍了他们基于 Gemini 微调而来的“Gemini 机器人模型”。在演示中，一个拥有两只机械臂的桌面机器人，能够理解“把黄色物体放进红色桶里”这样的自然语言指令，并将其转化为精准的动作序列。这体现了多模态模型的威力——它能将真实世界的理解融入与机器人的交互中，而不仅仅是依赖机器人专用的、狭窄的模型。
对于机器人的形态，哈萨比斯的观点发生了变化。他过去认为特定任务应有专用形态的机器人，但现在认为，人形机器人对于需要在人类设计的环境中工作的通用机器人具有重要意义。台阶、门把手、工具——我们的物理世界是为人类身体设计的。与其改变整个世界的设计，不如让机器人适应我们已有的环境。当然，在工业生产线或实验室等特定场景，专用形态的机器人仍是最优解。
关于 AGI（通用人工智能）的到来时间，哈萨比斯给出了相对审慎的估计。他认为当前顶尖的 AI 模型（包括他自己公司的）远非“博士级智能体”。它们在某些任务上表现出博士生水平的能力，但缺乏通用性和一致性，例如可能在高中学的数学或简单计数上犯低级错误。真正的 AGI 应该能全面达到高水平表现。
在他看来，通往 AGI 还缺少几个核心拼图：一是真正的创造力，即像爱因斯坦提出狭义相对论那样，从已知知识中进行“直觉飞跃”，提出全新的猜想或理论；二是持续学习能力，能够在线学习新知识并调整行为；三是更强的推理和一致性。哈萨比斯预测，可能还需要“一两个关键性突破”，时间尺度大约在5到10年。这与行业某些更为激进的预测（如几年内）形成了对比。
科学革命与能源挑战：AI 的长期回报
作为科学家，哈萨比斯始终坚信 AI 最崇高的使命是加速科学发现，应对人类面临的重大挑战。除了 AlphaFold，谷歌 DeepMind 的 AI 系统已应用于材料设计、聚变反应堆等离子体控制、天气预报、解决奥林匹克数学竞赛级别难题等多个科学分支。他领导的 Isomorphic Labs（从 DeepMind 分拆）正致力于基于 AlphaFold 的突破，彻底改革药物发现流程，目标是将耗时数年甚至十年的新药研发周期缩短至几周甚至几天。目前他们已与礼来、诺华等制药巨头合作，并预计明年将有候选药物进入临床前阶段。
针对当前热议的 AI 能耗问题，哈萨比斯认为存在“两个真相”。一方面，谷歌 DeepMind 自身因为需要每天为数亿用户高效提供 AI 服务（如 AI 概述），在模型效率优化上投入巨大，通过蒸馏等技术，过去两年相同性能下的模型效率提升了10倍甚至100倍。但另一方面，为了向 AGI 前沿推进，研究团队仍需不断用更大规模的数据和算力训练新的模型，这会推动总需求上升。他乐观地认为，从长远来看，AI 在优化电网、设计新材料和新能源、应对气候变化等方面的贡献，将远超其自身运行所消耗的能源。AI 是解决问题的手段，而不仅仅是问题的来源。
创作民主化与未来娱乐形态
除了硬核科技，哈萨比斯也展望了 AI 对文化和娱乐的冲击。像 Imagen、Veo 这样的顶级视频生成模型，以及“Nano Banana”这类拥有出色指令跟随一致性的图像生成工具，正在带来“创作民主化”。普通人无需再像过去那样啃读厚厚的 Photoshop 教程，只需用语言描述想法，就能进行创作。
但同时，AI 也在“超级赋能”顶级专业人士。哈萨比斯提到他们正与著名导演达伦·阿伦诺夫斯基等顶尖创作者合作。这些工具让专业创意人士能够以前所未有的速度尝试各种构思，生产力提升十倍甚至百倍，最终更快地实现他们脑海中最完美的愿景。他预见未来将出现一种融合了“共同创造”元素的新娱乐形式或艺术类型：顶级创意愿景家构建引人入胜的动态故事世界，而成千上万的用户可以在其中共同创造部分内容，主创者则扮演这个世界的“总编辑”。
未来十年：一个“科学新文艺复兴”
当被问及对未来十年的展望时，哈萨比斯承认在 AI 领域预测十周都充满挑战，更不用说十年。但他坚信，如果未来十年内我们能实现真正的 AGI，那将开启一个“科学的新文艺复兴”或“黄金时代”。从能源到人类健康，社会的方方面面都将受益于这个终极科学工具带来的突破。这不仅仅是一次技术升级，而是一场深刻重塑人类文明认知边界和能力极限的革命。德米斯·哈萨比斯和他领导的谷歌 DeepMind，正站在这场革命的最前沿。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：AGI 将在 5-10 年内到来撰文：Techub News 整理
导语
在 Google I/O 2024 开发者大会结束后，《纽约时报》科技专栏作家 Kevin Roose 与 Platformer 创始人 Casey Newton 在其热门播客 Hard Fork 中，专访了 Google DeepMind 的联合创始人兼 CEO Demis Hassabis（德米斯·哈萨比斯）。此次对话发生在 AI 技术加速演进、行业竞争白热化的关键节点。Hassabis 作为 DeepMind（AlphaGo、AlphaFold 的创造者）的掌舵人，如今统领着谷歌整个核心 AI 研发力量。他的观点不仅反映了谷歌在 AGI 竞赛中的战略转向，也揭示了顶尖研究者对技术未来、社会影响及人类终极角色的思考。
摘要
AGI 时间线明确：Hassabis 预测，具备人类水平通用智能的 AGI 将在未来 5 到 10 年内到来，这与谷歌联合创始人 Sergey Brin（谢尔盖·布林）「2030年前」的预测基本一致。
谷歌的「AGI 化」转变：过去对 AGI 话题相对谨慎的谷歌，如今已将其置于核心，Hassabis 形容 DeepMind 已成为「谷歌的引擎室」，AGI 理念正在渗入整个公司。
技术路径：规模化与突破性研究并重：实现 AGI 需要持续扩大模型规模，同时辅以类似 Alpha 系列的突破性研究，并探索如「Alpha Evolve」这类具备自我改进雏形的混合系统。
AI 安全与治理的紧迫性：随着「智能体」（Agent）时代临近，Hassabis 呼吁建立国际性的安全基准与规范，并认为在技术变得「非常严肃」之前，必须加强可控性研究。
AI 的未来角色：赋能而非完全替代：Hassabis 展望 AI 将成为个人的「通用助手」，消除繁琐工作，保护用户注意力，并助力解决能源、疾病等全球性挑战，最终可能导向一个「激进丰裕」的社会。
从 I/O 到 AGI：谷歌的自信与转向
今年的 Google I/O 大会被 AI 全面主导，Gemini 的名字在主题演讲中被提及近百次。与去年「让谷歌替你谷歌」的被动式愿景不同，今年谷歌传递的信息是：AI 是你的超能力，你需要坐直、倾身、付费并开始工作。播客主持人 Casey Newton 观察到，谷歌在 2024 年展现出比前两年更多的「自信和霸气」，感觉自己至少能进入「季后赛」。Kevin Roose 则看到了更深层的文化转变：谷歌正在被「AGI 化」。
过去，AGI 在谷歌内部更像是 DeepMind 伦敦团队「疯狂的追求」，与核心的搜索广告业务相距甚远。如今，情况已然改变。Demis Hassabis（德米斯·哈萨比斯）证实了这种感知：「AI 部分变得越来越核心……DeepMind 现在就像是谷歌的引擎室。」他认为，AGI 作为一项横向基础层技术，将支撑一切，公司上下都开始理解这一点，DeepMind 的理念正在融入整个谷歌。
这种转向源于技术进展快于预期。Hassabis 表示，我们可能比几年前人们想象的更接近人类水平的通用智能。当被问及与 Sergey Brin（谢尔盖·布林）在 AGI 时间线上的微小分歧（布林认为在2030年前，哈萨比斯认为在2030年左右）时，他解释道，他的预测自2010年 DeepMind 创立以来一直很一致：大约需要20年。现在，他感觉概率分布的重心落在未来的5到10年之间。他强调，定义很重要——他设定的 AGI 标准很高，是能够完成人类大脑理论上能做的所有事情，而不仅仅是达到普通人的经济实用水平。
通往 AGI 的技术双轨制：规模化与创造性突破
如何抵达 AGI？Hassabis 阐述了双轨并进的策略。一方面是持续推动模型规模化，包括在前训练、后训练、推理计算等整个技术栈上进行创新，他称之为「传统路径」的持续改进。另一方面，则是进行更多「绿地」或「蓝天」式的基础研究，寻求类似 Transformer、AlphaGo 那样的突破性进展。
新近发布的「Alpha Evolve」项目正是这种混合思路的体现。Hassabis 介绍，Alpha Evolve 结合了 Gemini 大模型与进化编程方法。具体而言，用一个高效的「Flash」模型生成程序或数学函数方面的假设，再用一个更强大的「Pro」模型来评估和筛选最有潜力的想法，进入下一轮「进化」。这初步形成了一个自动化的 AI 研究循环，已在芯片设计、数据中心任务调度乃至改进矩阵乘法等基础算法上取得了实用成果。
有趣的是，这项研究涉及故意引导模型「幻想」（hallucinate）。Hassabis 对此解释道，在需要事实准确性的场景，幻觉是问题；但在需要创造性的场景，你可以将「幻觉」视为「想象力」。就像商业课程中的头脑风暴，大多数疯狂的想法没有意义，但偶尔一两个可能将搜索引导至极具价值的全新领域。这呼应了早期 AlphaGo 走出传奇的「第37手」时所展现的、在既定知识边界外的创造性。
针对外界关于「只需小型专业模型」的论点，Hassabis 认为规模与专用性并非对立。大模型对于训练高效的小型模型（如通过蒸馏技术）至关重要。同时，像 AlphaFold 这样的专用模型对于立即解决科学和医学难题意义重大。他的理念是「兼收并蓄」：既推进规模化，也探索专用技术、混合系统以及可能催生下一个 Transformer 的蓝天研究。
安全、治理与未来社会的挑战
随着能力提升，AI 安全似乎从公众讨论的前台有所退却。Hassabis 强调，DeepMind 对安全的承诺一如既往。他们进行了大量的内部红队测试，并且从将早期系统开放给公众使用的过程中学到了很多。他承认，当数百万聪明人试用你的技术时，你会发现再大的内部测试团队也无法覆盖的所有边缘情况。
他预见到一个关键转折点：大约两三年后，当智能体系统变得真正强大时，情况将变得「非常严肃」。届时，业界需要在可分析性和可控性研究上实现阶跃式进步。更重要的是，这必须是一项国际努力。他呼吁产业界和学术界现在就应就安全性与可靠性的基准测试达成共识，并建立国际规范。
谈到地缘政治与出口管制，Hassabis 承认问题的复杂性。一方面， uncontrolled proliferation of these technologies 可能带来风险；另一方面，又希望西方技术能被全球采纳。他担忧 AI 正被卷入更大的地缘政治变局中，但更希望随着技术力量日益增强，世界能意识到「我们同舟共济」，并在科学层面展开更多合作。
关于未来工作，Hassabis 认为在 AGI 到来之前的未来5-10年，历史规律仍将起作用：一些工作被颠覆，但通常更有价值、更有趣的新工作会被创造出来。他建议当下的毕业生和年轻人，既要掌握 STEM 基础（包括编程），以理解 AI 的工作原理，也要积极沉浸于使用最新 AI 工具，成为「超级使用者」。他更强调「元技能」的培养：学习如何学习、创造力、适应力和韧性，以应对未来十年必然发生的巨变。
AI 时代的创造力、意义与人类角色
当被问及 AI 是否会导致类似工业革命后「超验主义」回归自然的运动时，Hassabis 认为完全可能。在一个「激进丰裕」的世界里，许多人可能会选择将更多时间投入自然和真实的人际互动中。他特别指出，涉及人与人情感联结的领域，将是 AI 最后触及、也可能永远无法完全复制的部分。
这一点在他对 AI 艺术创作的看法中尤为明显。尽管对 Veo 3 等视频生成模型的技术成就惊叹不已，但 Hassabis 认为，伟大的艺术承载着创作者的挣扎、体验与灵魂。他举例说，看到梵高的画作会让人脊背发凉，因为你能感受到笔触背后艺术家的痛苦与抗争。即使 AI 能模仿这种笔触，但如果被告知这是 AI 所作，那种共鸣感便会消失。因此，他认为顶级的人类创作者将始终带来 AI 无法替代的东西，这也是 DeepMind 坚持与顶尖艺术家合作开发创意工具的原因。
对于 AI 伴侣的兴起，Hassabis 态度谨慎，表示 DeepMind 尚未涉足此领域，并正在认真思考。他更倾向于推动 AI 向「通用助手」方向发展：一个真正属于用户、为用户工作的工具。他提出了一个引人深思的愿景：一个足够了解你的 AI 助手，可以被设定来「保护你的注意力」，使其免受其他旨在掠夺注意力的算法（如多数社交媒体）的侵扰，让人们能更专注于创造性活动或与家人的相处。
在对话的最后，被问及「在持续的 AI 革命中，处于哪个年龄段最糟糕」时，Hassabis 给出了一个充满希望的答案：任何能活着见证这一切的年龄都是好年纪。他认为我们将见证医学等领域的巨大进步，这将会是一段不可思议的旅程。当然，如果能年轻些，总是更好的。
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。
Microsoft CEO Satya Nadella（萨蒂亚·纳德拉）：AI 代理将重塑工作流，真正的价值在于技术应用撰文：Techub News 整理
导语
在2025 年 5 月结束的微软 Build 2024 开发者大会主题演讲后，微软董事长兼 CEO Satya Nadella（萨蒂亚·纳德拉）接受了 The Rundown AI 的快速专访。这场对话紧贴大会热点，聚焦于微软如何整合其最新发布的一系列 AI 工具与平台，以构建所谓的“智能体网络”（Agentic Web），并深刻探讨 AI 代理将如何从根本上重塑知识工作、企业运作乃至社会生产效率。作为全球科技巨头之一的掌舵人，Nadella 在带领微软成功转向云与 AI 后，其关于技术应用本质与未来工作形态的思考，具有极高的行业风向标意义。
摘要
微软正构建“AI 时代的脚手架”，通过整合 Copilot、Foundry 等工具与开放协议，打造一个可组合的“智能体网络”（Agentic Web）。
未来知识工作者将转型为“代理管理者”，AI 不是替代人，而是通过改变工作流程和产出物（Artifact）来增强人的能力。
企业的可持续优势在于利用自身数据和知识对 AI 进行微调，并形成“数据-微调-市场反馈-再优化”的良性循环。
技术的真正价值不在于“基准测试黑客行为”或庆祝科技公司，而在于其能否被广泛应用于医疗、教育等领域，切实提升生产力和改善生活。
企业转型的关键在于文化、能力建设以及亲身实践，而非研究成功案例。
构建智能体网络：AI 时代的“新脚手架”
在 Satya Nadella（萨蒂亚·纳德拉）看来，当前我们正处在平台转型的早期阶段，大约两到三年后，讨论的焦点将从单个应用转向整个平台生态。微软的目标是构建一个支撑 AI 时代的“新脚手架”。
他以斯坦福医学院的肿瘤委员会会议为例，描绘了理想中的智能体协作场景：一个高风险的医疗决策场景，需要整合来自病理学、多个实验室、PubMed 数据库等多源数据，并由多个 AI 代理进行协同处理，最终将结果呈现给在 Microsoft Teams 中协作的医生。医生随后还能将这些信息轻松转化为教学用的 PowerPoint。这种复杂的、跨数据源和应用的“编排”（Orchestration）能力，正是未来应用的核心。
为了实现这种愿景，Nadella 认为必须构建一个每一层都开放、可组合、有标准协议的真实技术栈。如今，从 Microsoft 365 Copilot 到 AI 开发平台 Foundry，再到自然语言网络（NL web）和模型上下文协议（MCP）等开放组件，这个技术栈正在成型，共同编织成他所说的“智能体网络”（Agentic web）。他甚至认为，这或许能让我们重新发现互联网最初的开放精神。
微软正在尝试构建一个统一的 AI 用户界面（UI for AI），将聊天、搜索、代理、笔记本等功能集成于一处，Microsoft 365 Copilot 和 Teams 正是其体现。但 Nadella 强调，这并非唯一的形态。针对开发者、科学家等不同群体和工作流，将会涌现出丰富多样的 AI 交互界面。其底层令人兴奋的能力在于：数据、多模型调用、代理编排层以及能够理解意图并将其分解为对多个模型调用的新型推理模型。
从知识工作者到代理管理者：工作流的彻底逆转
随着 AI 代理的普及，知识工作的性质将发生根本性变化。Nadella 认为，未来知识工作者将更多地扮演“代理管理者”的角色，而非被代理所取代。
他用一个生动的比喻来解释这种抽象层次的提升：如果一个外星智能在 80 年代初观察地球职场，会看到“打字员池”、“幻灯片制作池”。而今天再来，它会认为“全人类都是打字员池”，因为人人都在打字。但实际上，我们从事的是知识工作，只是工具和形式被抽象和改变了。
他以自己准备客户会谈的流程为例，展示了工作流的“彻底逆转”。过去，需要账户团队撰写报告、通过邮件发送、他再手动整理到 OneNote 中阅读。而现在，他只需给出一个提示（Prompt），AI 就能从网络、邮件、文档、CRM 系统、供应链系统中自动抓取信息，生成一份全面的报告，他再分享给团队。他坦言，作为 CEO，他现在做的“知识工作”比过去更多，感觉能力更强、效率更高。
因此，Nadella 给所有知识工作者（无论是软件、金融、销售还是科学领域）的建议是：积极使用工具，主动改变你的工作产出物和工作流。拥有改变周围工作方式的能动性（Agency），是应对变革的最佳方式。他承认岗位更替必然会发生，因此最好的防御就是技能提升与再培训，而这一切始于使用工具本身。
AI 编程的未来：填补“技术债”，人类仍在循环中
开发者是工作流受 AI 冲击最显著的群体。Nadella 提到，微软目前有 30% 的新代码是在 AI 辅助下生成的。他展望了当 90% 或 95% 的代码都由 AI 生成时的世界图景。
他的思考起点是全球面临的巨大“技术债”或“IT 债”——大量未完成的软件项目。世界需要更多的软件开发能力来满足需求、清偿这些债务。在此背景下，AI 编程工具（如代码补全、代码解释、图表生成、多文件编辑、全仓库变更代理等）的价值在于，能让开发者保持心流状态，更高效地工作。
他特别提到新发布的 GitHub Copilot 工作流代理（Coding Agent），允许开发者指派任务并异步执行。但 Nadella 强调了一个关键点：“人类仍在循环中”（human is in the loop）。他认为人们高估了 AI 的自主性。即使在执行持续集成/持续部署（CI/CD）之前，代码仍需经过人工审核。这是一个开发组织内部人员与 AI 代理协同工作、共同解决开发赤字的新工作流。
对于企业而言，Copilot 的微调功能是一个重大突破，允许企业利用自有数据和代码库定制自己的 AI 编程助手。Nadella 指出，这引出了企业的“可持续优势”问题。优势不在于基础模型本身（这终将商品化），而在于企业能否形成一个良性循环：利用内部知识和数据微调模型 - 将输出应用于市场 - 获取客户或市场的反馈信号（即强化学习的奖励）- 用新数据样本进一步优化。完美运行这个循环，将成为 AI 时代企业新的核心竞争力。
企业转型之道：文化、能力与实践，而非案例研究
作为带领微软经历多次技术转型的领导者，Nadella 分享了企业如何围绕“代理时代”进行重组的心得。
他指出，微软并非靠单一产品成功的公司，因此最困难之处在于“不断调整”。他总结了转型需要彻底改变的三件事：工作方式、工作内容以及市场进入策略。同时革新生产函数、产品创新以及商业模式和上市策略，是一项艰巨的任务。
他认为，归根结底在于文化和能力建设，这能让企业有更多“射门机会”。对于稳定业务，AI 是顺风，能带来更大杠杆效应；对于衰退业务，AI 则是自我重塑的机遇。核心是培养寻找和实践新概念的文化与能力。
Nadella 特别提醒，迷恋时代的“明星公司”案例研究并无帮助。“现实是，案例研究没用。你必须亲自去做。”他引用了一句妙语：“你看别人去健身房，自己不会变健康。你必须自己去健身房。”这场变革关乎亲身实践，而非仰慕他人。
技术普及与价值回归：让强大的技术“消失”
关于员工技能提升，Nadella 主张“自下而上”的工具扩散模式，而非“自上而下”的标准化培训。他以个人电脑（PC）普及为例：最初是法律部门爱用 Word 写合同，财务部门爱用 Excel 做模型，但当人们需要跨部门协作时，工作流程和产出物自然被改变，这一切并非通过培训课，而是通过通用工具（PC 和 Office）的扩散实现的。
在微软内部，无论是 GitHub Copilot 还是 M365 Copilot 的推广，他都观察到类似的模式。他分享了一个网络工程师的例子：面对激增的 AI 工作负载和繁重的手动运维，她利用低代码/无代码和 Foundry 工具自主构建了一个多代理编排器，自动化了光纤故障处理流程。这种赋予员工工具和能动性，让他们改造身边工作流的方式，才是关键。他称 Excel 是“世界上最伟大、最普及的编程工具”，而 AI 工具将再次引发类似的全民“编程”普及。
谈到更前沿的“主动代理”（Proactive Agent），Nadella 引用了马克·维瑟关于“普适计算”的名言：“技术强大到足以消失。” 他认为，自然用户界面的演进方向就是以最小摩擦完成用户意图。主动代理应能理解高层意图、制定计划并执行，同时用户保持控制和可审查性（如通过会话日志）。这是透明性与自动化之间的平衡。
最后，主持人重提了 Nadella 此前引发热议的观点：AGI（通用人工智能）只是“无意义的基准测试黑客行为”，AI 的真正价值在于全球经济增长。Nadella 对此进行了阐释。他以医疗行业为例（占美国 GDP 约 20%），指出其巨大成本源于工作流低效。如果像斯坦福医学院使用的多代理编排器能够普及，让医疗提供者以更低成本提供更优质的护理，那才是价值所在。
他强调，自己的评论并非针对伟大的 AI 研究，而是认为社会过于庆祝科技公司本身，而非技术产生的影响。他渴望看到讨论焦点转向技术的实际应用。例如，世界银行在尼日利亚的研究显示，为学生提供 Copilot 或其他代理工具后，教育成果出现了可统计的显著改善。这种技术被广泛应用、解决实际问题的故事，才是他投身科技行业的初衷。“当全球其他行业因为运用技术为我们所有人创造了奇迹而受到庆祝时，那才是值得庆祝的一天。” Nadella 总结道。韩国交易所 Bithumb 将 D 和 HOOK 指定为交易注意项目Techub News 消息，韩国加密货币交易所 Bithumb 发布公告，将 D (달오픈네트워크) 和 HOOK (훅트프로토콜) 指定为“交易注意项目”。此举通常意味着相关代币的交易风险增加，交易所可能对其采取额外的监控或限制措施。
Bithumb 在公告中表示，此举是基于其内部风险管理政策。被指定为交易注意项目后，相关代币的交易活动将受到更严格的审查。 （Bithumb 公告）特朗普政府推进243亿美元战机交易，沙特将获F-35应对胡塞武装Techub News 消息，特朗普政府正在推进一项价值 243 亿美元的 F-35 战斗机交易，旨在向沙特阿拉伯出售先进战机。此举正值伊朗支持的胡塞武装升级对沙特的袭击，并试图控制具有重要战略意义的曼德海峡。该交易仍需获得国会批准。（CNBC）数据中心转向使用PFAS永久化学品替代水进行AI冷却Techub News 消息，数据中心正转向使用PFAS（永久化学品）替代水进行人工智能冷却。这一转变引发了环境担忧，可能导致更严格的监管并推动替代解决方案的出现。（Crypto Briefing）纽交所母公司 ICE 考虑采用 Avalanche 作为 24/7 链上交易系统底层Techub News 消息，纽约证券交易所（NYSE）的母公司洲际交易所（ICE）正在开发一个用于股票和 ETF 代币化、支持 24/7 交易的替代交易系统（ATS）。ICE 战略副总裁 Michael Braugrund 表示，Avalanche 是该系统底层技术的候选方案之一，但尚未正式签约。
Braugrund 指出，Avalanche 是正在评估的多个候选区块链之一，最终决定将基于技术性能、可扩展性和监管合规性等因素。该系统旨在利用区块链技术实现传统金融资产的近乎全天候交易。（CoinPost）21Shares 昨日买入 240 万美元 HYPE，为近 20 天首次流入Techub News 消息，加密资产管理公司 21Shares 昨日买入价值 240 万美元的 HYPE 代币，这是其过去 20 天内的首次资金流入。同日，Bitwise 也买入了 190 万美元的 HYPE。
HYPE 在过去 24 小时内上涨 11%，交易价格达 86.67 美元，略低于其 89.60 美元的历史高点。（@arkham）美国指控伊朗使用比特币交易所收取霍尔木兹海峡通行费Techub News 消息，美国指控伊朗利用比特币交易所收取霍尔木兹海峡的通行费。此举可能加剧经济紧张局势，并对传统制裁和金融体系构成挑战。
（Crypto Briefing）美政府网站被曝使用中国AI工具，FBI曾指控中方恶意复制Techub News 消息，有报道指出，在 FBI 指控中国“恶意”复制技术数日后，美国政府网站被发现正在运行一款中国 AI 工具。该事件引发了关于美国政府技术供应链安全及依赖外国 AI 系统的讨论。（@Kalshi）Hyperliquid 上线手动借贷功能，今日借贷资产达 2.69 亿美元Techub News 消息，去中心化永续合约交易所 Hyperliquid 宣布其手动借贷功能已正式上线。该功能与投资组合保证金共享相同的底层 HyperCore 基础设施，今日借贷资产已达 2.69 亿美元。
用户可使用 HYPE 和 BTC 作为抵押品，借入计价资产 USDC 和 USDT。借入的计价资产将支付利息。（@HyperliquidX）某大户地址过去 3 天卖出 602 枚比特币买入 18780 枚以太坊Techub News 消息，据 @lookonchain 监测，某大户地址于过去 3 天内在 Hyperliquid 卖出 602 枚比特币（价值约 4583 万美元），并买入 18,780 枚以太坊（价值约 4583 万美元）。该操作涉及 11 个新创建钱包，链上数据显示这些钱包可能属于同一实体。
该地址通过 Hyperliquid 完成上述交易，资金规模显示其为中等规模投资者。近期市场出现此类资产配置调整行为，反映部分投资者对以太坊生态的关注度变化。纽交所计划通过开发中的 ATS 实现 24/7 链上交易Techub News 消息，纽约证券交易所（NYSE）正探索通过其正在开发的另类交易系统（ATS）实现 24/7 链上交易。洲际交易所（ICE）及纽交所的 Michael Blaugrund 表示，Avalanche 满足了许多相关要求。
该计划旨在利用区块链技术实现全天候交易，目前仍在开发阶段。（@WuBlockchain）0 篇文章
0 篇文章
