Demis Hassabis' Vision For the Future!

• AGI 的门槛要比"能做经济性工作"高得多：Demis 的参照系是神经科学——人脑是我们拥有的、证明通用智能可能存在的"唯一存在性证明（only existence proof）"，所以真正的 AGI 必须具备人脑的全部能力。他的时间表偏保守，但对 AGI 该做什么的设想比多数人更雄心。
• 真正的创造力 = 发明围棋，而不是下出"第37手"：AlphaGo 在第二局走出的 move 37 是围棋两千年来的全新策略，但 Demis 认为那还不够——真正的标杆是让未来的 AlphaGo 去"发明一个像围棋一样深邃、优雅的游戏"。他提出"爱因斯坦测试"：用 1901 年的知识截止训练系统，看它能否像爱因斯坦 1905 年那样独立发明狭义相对论。
• 攻克所有疾病"比我们想的更近"：Isomorphic Labs 正把 AlphaFold 从蛋白结构预测，扩展成完整的药物发现平台（化合物设计、结合位点、吸收与毒性预测），目标是把药物发现从"数年到十年"压缩到"数月甚至数周"。
• 物理是从视频里"涌现"出来的：Gemini 的世界模型（Omni）没有被专门训练物理，却能从视频中自发学到相当准确的"直觉物理"——重力、坠落、弹珠轨道。Demis 称图像模型"Nana banana"和 VEO 因这种深度场景理解，是目前最接近 AGI 的东西。
• 理解复杂世界要靠"模拟"：从虚拟细胞到经济，对于生物、经济这类高度涌现的系统，无法做受控实验，只能像 AlphaGo 的蒙特卡洛那样跑大量模拟来前瞻规划——经济是"所有系统中最复杂的涌现系统"，但有了足够精确的模拟器，或许能预测一个决策的后果。
• 贯穿全场的主线是"用神经科学反推 AI、再用 AI 反推世界"：Demis 的每一个判断都回到同一个循环——人脑是 AGI 的标尺（存在性证明、睡眠巩固、记忆与想象同源），造出 AGI 又能反过来理解人脑、加速科学、模拟万物，最终在 2050 把人类带向"后稀缺"与星辰。

核心要点：Demis 投身 AI 不是看好它本身，而是把它当作回答"现实与意识本质"这些大问题的终极工具——这是他做科学的方式。

• 30 年前他创立 DeepMind（乃至更早研究 AI）时，多数人并不相信这条路。主持人追问他当时"对世界有哪些非主流信念"给了他如此强的笃定。
• 他的回答很朴素：一是这是"你能投入一生去做的最迷人的问题之一"；二是这是他"做科学的表达方式"。
• 童年时他就着迷于所有大问题——现实的本质、意识的本质，他觉得这些问题"就明晃晃地摆在我们面前"，但即便最好的科学家也进展甚微。
• 他判断人类需要"某种了不起的工具"来帮忙，而对他来说这工具显然应该是计算机、并最终以 AI 的形态出现——这定下了他一生的路线：造 AI 来加速科学发现。

"I was fascinated by all the big questions, nature of reality, nature of consciousness... even the best scientists hadn't made that much progress in answering these questions." —— Demis Hassabis

核心要点：智能、意识、创造力到底是什么，神经科学一直缺一个"参照物"——AGI 可能正是那个能让我们说清"这东西有智能但没意识"的对照系。

• Demis 的博士做的就是神经科学（fMRI、研究人脑与动物脑），他承认这条路有进展，但"缺一个 comparator（比较物）"。
• 困难在于：我们无法指着某个系统说"这个实体有智能、但没有意识，那么差别在哪？"——没有对照就无法切分这些概念。
• 他的主张：造出 AGI 再去分析它，会是理解人类心智及其"深层奥秘"的最佳路径之一；反过来 AI 也能用来研究神经科学。

核心要点：AlphaFold 解决的蛋白质结构预测只是药物发现的"关键一块、但只是一块"；Isomorphic Labs 要把缺的拼图都补上，凑成一个完整的药物发现平台。

• 主持人提到自己表亲读博、每天用 AlphaFold，Demis 回应说攻克所有疾病"其实离我们没那么远，比想象的更近"。
• 蛋白质结构预测对药物发现至关重要，但只是其中一环。Isomorphic Labs 在做的，是把能力扩展到生物化学和化学：该合成什么化合物、它结合在蛋白质的什么位置、人体如何吸收这些化合物、有没有毒副作用。
• 目标是把这些都"最小化并预测出来"，做出更干净的化合物和药物。Demis 形容这里"大概有六个真正的大挑战"，思路是把它们全部拼到一起，就得到一个药物发现平台。
• 时间压缩的雄心：当前药物发现从"目标确认 → 候选化合物进临床"往往要很多年甚至十年；Isomorphic 想把这一段从"数年压到数月、甚至数周"。Demis 承认这"现在听起来不可思议"，但他类比道：十年前所有人都觉得蛋白质结构预测不可能，"现在我们却把所有结构都折叠出来了"，他相信药物发现会重演这一幕。

"It seems sort of unthinkable right now, but I do think that's the same as thinking about protein structures back 10 years ago. Everyone thought that was impossible. And now here we are with all of the structures folded." —— Demis Hassabis

核心要点：AlphaFold 擅长稳定结构，而真正的难题是"内在无序"的蛋白——它们其实会在特定结合情境下形成结构，所以要预测的是动态过程。

• 主持人尖锐发问：AlphaFold 对稳定结构表现惊艳，那些不稳定的蛋白怎么办？
• Demis 的假设是：那些"内在无序区域（intrinsically disordered regions）"其实在知道它结合什么、处于什么情境时，会形成某种结构。
• AlphaFold 3 及更新版本、以及 Isomorphic 在做的，正是去理解蛋白质"更动态的画面"——当某物结合上来，它原本不存在的小口袋（pocket）会不会打开？这对药物发现极其重要。
• 因此必须能预测蛋白质的动态（包括无序区域），才能设计对的药物、对的抗体。他坦言这是"生物学最大的挑战之一，复杂度太高了"。
• 关于临床试验：现阶段 Isomorphic 聚焦"药物发现"这一段；临床试验涉及监管等"和技术不一定相关"的因素，更难加速，但 AI 仍能帮上忙——给患者分层、确保用对测试化合物、更准地预测副作用，从而更快地跨过剂量爬坡等步骤。

核心要点：Gemini 的世界模型没有被专门训练物理，却能从海量视频里自发学到相当准确的"直觉物理"——这种深度场景理解，被 Demis 视为最接近 AGI 的能力。

• 主持人说，最让她震撼的是模型"理解物理"这件曾被认为不可能的事——而 DeepMind 的世界模型 Omni"根本没在物理上训练，只是从视频里学"。
• Demis 解释：底层是 Gemini，从一开始就是多模态的，本就很擅长理解场景、给事物打标签；Omni 再让它"动起来（dynamic）"。
• 结果"挺让人震撼"——它似乎以一种"涌现（emergent）"的方式，学到了相当准确的直觉物理版本。
• 团队正在建"物理基准（physics benchmarks）"，让未来的 Omni、Omni Pro 去测：在弹珠轨道、物体坠落、重力这些任务上到底做得多好。
• 同样的深度理解也体现在图像模型"Nana banana"上——它理解场景的各个部分，使编辑变得极其容易，为创作者打开大量可能性。

"It does seem to pick up pretty accurate versions of intuitive physics... almost in a emergent way." —— Demis Hassabis

核心要点：Demis 对 AGI 何时到来比多数人保守，但他认定的 AGI 能力门槛远高于"能做有用的经济性工作"——标尺是人脑这个唯一的存在性证明。

• 他指出 AGI 已成一个被大量讨论、众说纷纭的词；而他的特点是"时间预测更保守，但对它能做什么的设想更雄心"。
• 论证回到神经科学：人脑是我们拥有的、证明"通用智能可能存在"的唯一存在性证明——正因人脑发明了包括科学在内的整个现代文明，我们才知道通用智能可能。人脑极其通用、适应力极强（大脑本是为狩猎采集进化的，却能发明并适应各种新技术）。
• 因此他主张：除非一个系统具备人脑那样的能力，否则我们无法说自己拥有了"真正的通用智能"——这是个"相当高的标杆"，明显高于"能做点有用的经济性工作"。
• 爱因斯坦测试：训练一个知识截止在 1901 年的系统，它能否像爱因斯坦 1905 年那样发明狭义相对论？如果能，就可以把它用到今天的物理上——让它给出弦理论的拓展、或对暗物质提出假说，值得我们去验证它的想法。
• 他强调"提出一个假说，比解决一个既有猜想更难"——后者已经很厉害了，但"提出一个值得研究、值得投入的问题"更难。"在科学里，问对问题是最难的事。"

"The human brain is the only existence proof we have that general intelligence is even possible." —— Demis Hassabis

"Asking the right question is the hardest thing in science." —— Demis Hassabis

核心要点：AlphaGo 的 move 37 是真正新颖的策略，但 Demis 把标杆抬得更高——真创造力是创造出一个像围棋一样深邃优雅的全新游戏，而非在既有游戏里出妙手。

• AlphaGo 在与李世石那场比赛第二局走出著名的 move 37，是围棋这门"人类下了两千年、最古老也最复杂的游戏"中确凿的新策略，改变了围棋的下法。
• 但 Demis 说"这还不够"。真正想要的，是未来某个版本的 AlphaGo 能去"发明围棋"——创造一个和围棋一样深邃、复杂、优雅、美丽的游戏，而不只是在游戏内想出一个策略。
• 他坦承今天的系统还做不到这一点，但相信未来能做到。这与他对"真创造力"的定义一致：能否拿出真正新颖、实现跨越式飞跃的东西，而不是增量改进。

核心要点：人睡一觉后解题能力统计上显著变强，靠的是海马体在睡眠中做"记忆回放"并把新知识优雅并入旧知识——AI 可能也需要一个类似的"巩固模式"。

• 主持人抛出一个"狂野的问题"：人有时抱着想不通的问题入睡，第二天醒来"感觉自己像一千个专家"，AI 有没有这种"睡一觉再说"的模式？
• Demis 说这在大脑上"绝对被证实过"：睡眠研究显示，哪怕只是小睡一下，被给过一道题的人醒来后表现"在统计上显著优于"没睡的人。
• 机制是海马体（正是他博士部分研究的对象）在睡眠中做"记忆回放（memory replay）"——把白天或近期重要的内容回放，把新知识"以一种优雅的方式"并入已有知识，从而产生新洞见和"啊哈时刻"。
• 他举了特斯拉（Nikola Tesla）的例子：这位"极其聪明、非常古怪但才华横溢"的人，习惯把问题"提交给潜意识"，让它在睡梦中求解。
• 对 AI 的启示：可能需要一个"睡眠模式 / 巩固模式（consolidation mode）"——如何把今天看到的海量视觉与输入数据中"只有一小部分真正有用"的精华提取出来、并入已有知识而不覆盖它。像今天这样把一切都塞进 context 里存着，是"很浪费的"。

"People like Tesla very famously used to say he used to submit things to his subconscious so that they would solve it when he was asleep." —— Demis Hassabis

核心要点：Demis 博士期间发现海马体受损者连"想象一个场景"的能力都下降——记忆与想象本是一回事；这条洞见延伸到 AI，就是用"模拟"去理解生物、经济这类复杂涌现系统。

• 他博士的核心发现之一：记忆与想象深度关联——研究海马体受损的人，发现他们想象一个场景的能力也随之下降。这也呼应了他做游戏时对"场景设计/模拟"的痴迷。
• 模拟的版图：天气已经能模拟；他还很喜欢"虚拟细胞（virtual cell）"的设想——一个精确到能做"虚拟实验"、并告诉你有用结论的细胞模拟；再往后是材料科学，乃至有朝一日的经济学。
• 为什么模拟关键：面对生物、经济这类高度涌现的复杂系统，你要"现在就做一个好决策"（比如对疾病的某种干预，或"要不要把利率提高半个百分点"），但你无法在真实世界里反复跑受控实验。
• 唯一的办法是跑大量模拟——就像 AlphaGo 用蒙特卡洛模拟出海量走法与计划，再回头聚合"哪个最好"。有了关于这些复杂系统的大量精确模拟，就能向前规划、做出"统计上更好的当下决策"。

核心要点：经济是所有系统中最复杂的涌现系统（人 → 公司 → 国家层层嵌套），目前无人能直接模拟；但 Demis 认为或许有一天能"学出"一个经济的模拟器。

• 主持人直接问：现在能模拟经济吗？Demis 说不能，"太复杂了"，有人试过但问题在于——经济牵涉本就极复杂的人类、由人组成的公司这类"有机体"、再加上公司与国家之间的互动，是"某种意义上最涌现、最复杂的系统"。
• 他不知道有谁能做出经济的"直接模拟"，但认为"也许有一天能学出一个模拟"。
• 他援引最喜欢的书之一、阿西莫夫的《基地》系列：其中一个角色能通过"在总体上聚合人类行为"来预测未来、对"平均情形"做出判断。没有哪个人脑做得到，但 AI 也许可以。
• 假设性追问：若有无限算力、把当下全世界的信息都喂进去，能预测未来吗？Demis 的回答是——也许能预测"一个决策现在会带来的后果"，这会是个"梦想级"的东西。
• 他批评当下经济学"很临时拼凑（ad hoc）"：手上几个统计数字，就做出巨大的宏观决策，往往五年后才发现"哦，那个决策不太好，我们这儿引发了一次衰退"。这些决策关乎民生，却没法在"做决策的当下"检验，反事实极难做。
• 这正是经济学被称为"社会科学"的原因——你无法在完全相同的条件下重复实验，因为它在真实世界里、且是涌现的。但有了一个非常精确的模拟器，"也许就能了"。

"The economy is probably the most complex thing of all... it's sort of the most emergent complex system of all in a way." —— Demis Hassabis

核心要点：AI 是人们交流最多的对象，有重塑世界观的机会，但 Demis 主张当前应把它当"极其聪明有用的工具"，"陪伴/心理"那一步要非常小心地走。

• 主持人引述自己上周与 Sam Altman 的对话：人们没意识到 AI"可能是人们交流最多的对象"，因此有一个很酷的机会去重塑一个人的世界观——你和 AI 的用词选择，可以让人变得更乐观、更友善。她问 Demis 怎么看 AI 该有哪些重要的人格特质。
• Demis 强调"必须非常小心"，因为它"可能走向坏的方向"。当前阶段，他们在造的是"真正聪明的工具"——为特定目的服务、对用户极其有用的东西。
• 一旦谈到"帮助处理心理问题"之类，就更像是"伴侣（companion）"了，那之后的步子要谨慎。他能看到那很有用，但"目前"应把它们当作极聪明、极有用的工具。
• 个性化 vs 人格：主持人追问"是不是现在所有人面对的 Gemini 都是同一种人格？"Demis 说个性化（personalization）正在引入（IO 上展示了很多），这是用户想要的方向——你不必反复告诉它你的家庭背景，它能记住"先验信息"省去重复。
• 但他区分两层：一是"个性化"（用户叠加的偏好，有人喜欢更正面、有人喜欢更直接），二是系统本身的"人格（persona）"。后者目前是通过强化学习和后训练隐式植入的——团队设定某些价值观，希望它有用、简洁、按特定方式行事。他认为这里还需要更多研究，比如"大五人格（big five）"等模型或许能用到 AI 上。

"For now I think we should treat these as extremely smart and useful tools." —— Demis Hassabis

核心要点：Demis 认为 AI 会解锁一批新的科学领域——比如以远比从前精细的方式研究"人格"，甚至能给"混沌机器"做一个 fMRI 式的理解工具。

• 他对学生说的话：如果能对眼下的处境"有创造性、有想象力地思考"，会有大量、甚至许多"微小的科学分支"被打开。
• 例子之一就是人格研究——可以用比以往详细得多的方式去分析人格，他"很确定这会发生"。
• 主持人接话：能不能造一个理解"混沌机器（chaos machine）"的 fMRI 等价物？Demis 直接接住："Chaos machine，没错"，他认为这里"有太多机会和潜力"。

核心要点：Demis 希望到 2050，人类已把 AGI"安全地带过终点线"、演化出让所有人广泛受益的经济、进入后稀缺世界，并开始迈向星辰——在木卫上做访谈、建造戴森球。

• 主持人请他想象："如果你我穿越到 2050，那是什么样子？梦想是什么？"
• Demis 先感慨 2050"很遥远"（考虑到进展之快）。他的期望是：在那个时间尺度上，我们已经把 AGI"为全人类安全地带过终点线"，并想清楚了如何"演化经济（evolve economics）"，让每个人都从随之而来的资源与生产力增长中广泛受益——希望我们身处一个"后稀缺（post-scarcity）"的世界。
• 下一步是人类"走向星辰"、实现"最大化的人类繁荣"：到 2050，希望我们能在"木星的某颗卫星上做这场访谈"、建造戴森球（Dyson spheres），真正以"人类意识唤醒宇宙"——正如卡尔·萨根（Carl Sagan）等科学家与作家所说。
• 他引用了科幻参照：伊恩·班克斯（Iain Banks）的《文化》系列、阿西莫夫的《基地》。"我认为我们应该在 2050 开启那个纪元。"

"Humanity kind of goes to the stars and we have this maximum human flourishing... waking up the universe with human consciousness." —— Demis Hassabis

核心要点：比起 2050，更近的判断是未来十年——几乎人人都能用上最前沿的技术（仅落后前沿实验室几个月），第一代"AI 原住民"将用这些工具完成过去需要数十人团队才能做的事。

• 主持人问：人们会用 AI 给自己的工作"加燃料"、同时还在做传统的事吗？Demis 说会。
• 他描绘未来十年："几乎所有人都能用上基本最前沿的技术"——大众用到的东西"基本只落后前沿实验室几个月"，这本身"挺了不起"。
• 下一代会是"第一代在 AI 原生（AI native）环境中长大的人"，他很期待看到他们如何用这些工具给自己"超能力"——能做的事"会很不可思议，放在过去要 10 到 50 人的团队才能完成"。
• 他承认会有大量变化与颠覆，但"每当有大变化和颠覆，也意味着对那些足够有想象力、有创造力、愿意拥抱新工具的人，会有巨大的新机会"。

核心要点：Demis 著名的凌晨工作时段里，最享受的是亲自做科研项目；其余时间则在思考更哲学的问题——如何让 AI 造福世界、领先实验室之间如何协作、以及 AI 的国际标准与合作。

• 主持人提到他著名的凌晨 1:00–4:00 工作时段，并引述他的说法：白天是 CEO，夜里更像是做研究。她问那个钟点他脑子里最常出现的念头是什么。
• Demis 说这会随手头有没有"活跃项目"（比如某个 AlphaFold 的事）而轮换。通常最有趣的是亲自做一个科学或研究项目。
• 其他时候，他在思考更哲学的下一阶段问题：如何让 AI 对世界有益、领先实验室之间需要怎样的协作，以及如何推动 AI 的"国际标准与合作"——他认为这在未来几年"将是迫切需要的"。