这篇访谈里，DeepMind创始人Demis Hassabis聊 · Lex Fridman Podcast

本期速览

Demis Hassabis（DeepMind CEO兼联合创始人）与Lex Fridman深入探讨了AI从游戏到科学的跨越路径。全片最有分量的判断：Hassabis认为意识与智能是双重可分离的（double dissociable）——你可以拥有一个而没有另一个，这意味着我们完全有可能先构建出极其强大的通用智能系统，而它没有任何主观体验，这为负责任地开发AGI提供了伦理空间。

一、从游戏到科学：DeepMind的方法论演进

Hassabis认为，游戏是AI研究的理想测试场，但终极目标始终是解决现实世界的科学难题。

游戏的三重角色：Hassabis将游戏与他的职业生涯分为三个阶段——童年作为玩家训练自己、90年代作为游戏设计师编写AI（如《Theme Park》《Black & White》）、以及DeepMind成立后作为算法测试平台。他指出，游戏提供了清晰的度量标准（得分/胜负）、人类长期积累的基准数据、以及高效并行模拟的能力，这使DeepMind在2010年起步时能快速迭代。

从AlphaGo到MuZero的进化链：Hassabis描述了这条清晰的路径——AlphaGo（使用人类棋谱+监督学习）→ AlphaGo Zero（完全自我对弈，去除人类知识）→ AlphaZero（泛化到任何双人游戏）→ MuZero（连游戏规则都不需要知道，自己学习环境模型）。他特别强调，这种渐进式方法不仅是技术上的必要，也是心理上的必要：“如果一开始就试图构建MuZero，你很难相信自己能成功——因为太多人说不可能。”

AI作为工程科学：Hassabis提出一个关键区分——AI不同于自然科学，因为“你要研究的现象在自然界中并不存在，你必须先把它造出来”。这意味着工程与科学不可分割：你构建一个系统，然后拆解它来理解它如何工作。

二、AlphaFold：从不可能到科学工具

Hassabis将AlphaFold描述为DeepMind迄今构建的“最复杂、也最有意义的系统”，它证明了AI可以解决50年未决的生物学大挑战。

问题的本质：蛋白质折叠问题——从一维氨基酸序列预测三维结构——被Hassabis称为“生物学界的费马大定理”。他引用Levinthal悖论来说明其难度：一个典型蛋白质有约10^300种可能的折叠方式，但自然界在毫秒级内就解决了这个搜索问题。

关键创新：AlphaFold 2实现了端到端学习——直接从氨基酸序列输出三维结构，跳过了AlphaFold 1中作为中间步骤的距离矩阵。Hassabis解释这是机器学习的一条铁律：“越端到端，系统越好，因为系统比人类设计师更擅长学习约束条件。”其他创新包括：嵌入物理和进化生物学的硬编码约束（但不影响学习系统）、以及自我蒸馏（self-distillation）——将AlphaFold自己高置信度的预测放回训练集来扩充数据。

数据规模与影响：训练集只有约15万已知结构的蛋白质（40年实验生物学的积累），但AlphaFold 2在数秒内就能预测一个蛋白质结构。Hassabis透露，DeepMind在圣诞节期间完成了整个人类蛋白质组（约2万个蛋白质）的预测。截至访谈时，已有超过50万研究人员使用AlphaFold——他估计这几乎涵盖了全球所有职业生物学家。

开放获取的哲学：Hassabis解释开放源代码AlphaFold的决定是“对人类的利益最大化”——下游应用太多，无法预见全部。但他也明确表示，未来的项目不会全部开源：“有些会商业化，因为那是获取最多资源和影响力的方式；有些会非营利；还要考虑安全与伦理，比如合成生物学的双重用途问题。”

三、从虚拟细胞到宇宙：AI作为科学加速器

Hassabis勾勒了一个宏大的科学愿景：用AI逐步构建从蛋白质到整个细胞的虚拟模型，最终加速所有科学发现。

虚拟细胞的梦想：Hassabis透露，他与诺贝尔奖得主Paul Nurse（Crick研究所所长）讨论了近20年的“虚拟细胞”概念——一个可以在计算机上运行实验的完整细胞模拟。他认为AlphaFold是第一个“可行性证明”，现在时机已到。如果成功，药物发现周期可能从10年缩短一个数量级，因为大部分工作可以在硅基环境中完成，最后才在湿实验室验证。

AI作为生物学的“描述语言”：Hassabis提出一个深刻的类比——“数学是物理学的完美描述语言，而AI可能是生物学的完美描述语言”。原因是生物学“太混乱、太涌现、太动态”，不可能有像牛顿定律那样优雅的公式来描述一个细胞。AI的优势在于学习规则而不是推导规则。

其他科学应用：Hassabis列举了正在进行的项目——核聚变等离子体控制（已发表在《自然》上，用强化学习将等离子体塑造成特定形状并保持创纪录时间）、量子力学模拟（学习密度泛函来近似薛定谔方程）、以及材料科学（如室温超导体、更好的电池）。他强调，这些项目的共同模式是：找到领域专家，识别瓶颈问题，然后看哪些问题适合当前的AI方法。

对费米悖论的思考：Hassabis个人认为人类很可能是孤独的。他的推理是：如果存在其他文明，我们应该已经看到证据——戴森球、恒星闪烁、无线电信号。他特别指出，人类只需100万年就能用冯·诺依曼探测器覆盖整个银河系，这在宇宙时间尺度上很短。如果人类是孤独的，这从“大过滤器”角度看是令人安慰的——大过滤器很可能已经在我们身后，比如多细胞生命的起源（他认为这是最难的一步）。

四、意识、伦理与AGI的负责任路径

Hassabis坚持认为，当前没有任何AI系统拥有“一丝一毫”的意识或感知能力，但这个问题将随着系统越来越强大而变得紧迫。

意识与智能可分离：Hassabis提出他的核心论点——意识与智能是双重可分离的。他给出两个方向的证据：动物（如狗、海豚）有自我意识但不那么聪明；AI系统（如AlphaGo）极其聪明但毫无意识。他主张，在理解清楚之前，应该优先构建作为工具的、没有意识的AI系统。

对Lambda事件的看法：Hassabis明确表示，声称语言模型有感知能力“为时过早”。他认为这更多是人类心智的投射——“我们的大脑天生就会在几乎任何事物中解读意图和主体性”。他引用Eliza（1960年代的模板聊天机器人）的例子说明，即使是极其简单的系统也能在某些条件下欺骗人。

判断感知的难题：Hassabis提出一个被忽视的问题——人类之所以相信彼此有意识，不仅因为行为相似，还因为运行在相同的生物基质上（碳基神经元）。对于机器，我们永远不会有这种“基质等价性”，只能基于行为判断。这使得判断AI是否有意识变得根本性困难。

负责任部署的原则：Hassabis强调，在部署大规模语言模型之前，需要先解决可解释性、护栏、伦理等问题。他特别指出，AI系统应该始终声明自己是AI。他还警告，与社交媒体等“双重用途技术”不同，AI可能最终拥有自己的主体性，这意味着风险更大。

五、创造力与AI的边界

Hassabis区分了三个层次的创造力，认为当前AI只能做到前两层，真正的“发明”仍遥不可及。

三层创造力框架：

1. 插值（Interpolation）：对已有例子的平均——如生成一张“平均猫”的图片。这是最基础的。

2. 外推（Extrapolation）：在已有领域内产生新想法——如AlphaGo的“第37手”，人类数千年来从未想到的围棋妙招。

3. 真正的创新（True Invention）：发明像围棋或象棋这样的游戏本身。Hassabis认为这需要能够理解“五分钟学会、一生无法精通、美学上优美、三到四小时完成一局”这样的高层次抽象概念，而当前AI无法做到。

AI设计游戏的未来：Hassabis设想了一个工具——让AI系统在夜间运行数千万次游戏模拟，然后自动平衡游戏规则。这可以节省游戏公司数千小时的测试时间。但他强调，这仍然是“外推”而非“发明”。

提及的标的

标的	嘉宾态度	关键数据
DeepMind（AlphaFold）	看好（已开源，推动科学进步）	训练集15万蛋白质；预测速度数秒；已服务50万+研究人员
DeepMind（核聚变控制）	看好（已发表《自然》论文）	用RL将等离子体塑造成特定形状并保持创纪录时间
DeepMind（量子力学模拟）	看好（研究阶段）	学习密度泛函来近似薛定谔方程
GPT-3 / 大型语言模型	中性（承认规模的重要性，但强调需要安全部署）	未明示
Lambda（Google）	风险提示（明确否认有感知能力）	未明示

值得记住的判断

1. 意识与智能是双重可分离的（Hassabis）——你可以有意识而不那么聪明（动物），也可以极其聪明而毫无意识（AlphaGo）。这意味着我们可以在不解决意识问题的情况下构建强大的AGI，而且应该优先这样做。

2. AI是工程科学，不是纯科学（Hassabis）——与物理学不同，AI研究的现象在自然界中不存在，你必须先把它造出来。这意味着工程与科学不可分割，构建系统本身就是研究的一部分。

3. 越端到端，系统越好（Hassabis）——从AlphaFold 1到AlphaFold 2的进化证明了这一点：去掉中间步骤（距离矩阵），让梯度从最终输出直接流到输入，系统表现更好。这是DeepMind多个“AlphaX”项目的共同经验。

4. 数学是物理学的语言，AI是生物学的语言（Hassabis）——生物学太混乱、太涌现，不可能有牛顿定律那样的优雅公式。AI的优势在于学习规则而不是推导规则，这使它在生物学中比传统数学工具更适用。

5. 人类很可能是孤独的（Hassabis）——如果存在其他文明，我们应该已经看到戴森球或冯·诺依曼探测器。从“大过滤器”角度看，这令人安慰：最难的步骤（如多细胞生命的起源）很可能已经在我们身后。

6. 判断AI是否有意识，比我们想象的要难（Hassabis）——人类相信彼此有意识，不仅因为行为相似，还因为运行在相同的生物基质上。对于机器，我们永远不会有这种“基质等价性”，只能基于行为判断。

7. AI的创造力目前只到“外推”，不到“发明”（Hassabis）——AlphaGo能想出人类从未想到的围棋妙招（外推），但不能发明围棋本身（发明）。真正的发明需要理解“五分钟学会、一生无法精通”这样的高层次抽象概念，当前AI做不到。

8. 虚拟细胞可能是下一个AlphaFold级别的突破（Hassabis）——如果能在计算机上模拟一个完整细胞，药物发现周期可能从10年缩短一个数量级。AlphaFold是第一个可行性证明，Hassabis已与诺贝尔奖得主Paul Nurse开始合作推进。

#299 – Demis Hassabis: DeepMind

一句话导读