#475 – Demis Hassabis: Future of AI, Simulating Reality, Physics and Video Games

好的，这是对 Lex Fridman Podcast #475 – Demis Hassabis 访谈文字稿的分析。

本期速览

Demis Hassabis（Google DeepMind CEO、诺贝尔奖得主）与 Lex Fridman 深度探讨了 AI 的本质、模拟现实与科学发现。核心判断：自然界中因演化或物理过程而存在的系统，其内在结构可以被经典学习算法高效建模，这暗示了“P 是否等于 NP”可能是一个物理学问题，而 AGI 将是这一范式的终极体现。

模拟现实：从世界模型到 AGI 的路径

Demis Hassabis 认为，AI 正从语言模型向“世界模型”演进，其核心能力在于模拟物理现实，而不仅仅是处理文本。

• 机制拆解：Hassabis 指出，AlphaGo 和 AlphaFold 的成功本质上是构建了环境的“模型”，然后用该模型引导搜索，使原本组合爆炸的问题变得可解。他提出一个大胆猜想：“任何在自然界中被生成或发现的模式，都可以被经典学习算法高效地发现和建模。” 他认为，这是因为自然系统（如蛋白质、行星轨道）都经过了演化或物理过程的塑造，因此具有结构，而非随机。
• 数据链：蛋白质折叠有 10^300 种可能结构，围棋有 10^170 种可能局面，但物理世界（蛋白质在毫秒内折叠）和 AI 系统（AlphaFold、AlphaGo）都找到了高效解法。
• 推演与验证：Hassabis 认为，这一范式可以推广到流体动力学（Navier-Stokes 方程）等传统上认为极难的问题。他引用 Google DeepMind 的 Veo 3 视频生成模型为例，指出它能“令人惊讶地”模拟液体、材料和光照，表明它已具备“直观物理学”理解。这挑战了“必须通过具身交互才能理解物理世界”的传统观点。证伪条件：如果某个自然系统是纯粹随机的、没有可学习的结构（如大数分解），则此范式失效，可能需要量子计算机。

AGI 的里程碑：创造力与“研究品味”

Hassabis 对 AGI 的定义是“匹配大脑的所有认知功能”，并认为达到这一目标的关键标志是系统展现出真正的创造力，即“研究品味”。

• 观点立论：Hassabis 认为，当前 AI 系统（如 AlphaProof）可以解决难题，但无法提出值得研究的“猜想”。他区分了“解决问题”和“提出正确问题”，后者是“最难的部分”，需要“品味”和“想象力”，例如爱因斯坦提出相对论。
• 推演与信号：他提出两个具体的“灯塔时刻”作为 AGI 的验证信号：

1. 提出新猜想：系统能像爱因斯坦一样，基于 1900 年以前的知识提出狭义和广义相对论。

2. 发明新游戏：系统能发明一个像围棋一样深邃、优美、优雅的游戏。

• 不确定性：Hassabis 承认，目前尚不清楚实现这种“跳跃式想象力”的机制是什么，简单的“在模型之上进行搜索”可能不够。他估计 AGI 有 50% 的概率在 5 年内（2030 年前）实现。

科学发现：从虚拟细胞到生命起源

Hassabis 将“虚拟细胞”项目视为其长期科学梦想，并认为 AI 是探索生命本质和宇宙奥秘的终极工具。

• 历史脉络：Hassabis 表示，他 25 年前就有模拟一个完整细胞的想法，并与诺贝尔奖得主 Paul Nurse 讨论过。AlphaFold 解决了蛋白质的静态结构，AlphaFold 3 开始模拟蛋白质与 RNA、DNA 的相互作用，这些是构建“虚拟细胞”的组件。
• 机制拆解：他计划从酵母细胞（最简单的单细胞生物）开始。关键挑战在于处理不同时间尺度的生物过程（蛋白质折叠极快，而细胞周期很长），可能需要一个分层模拟系统。他希望在蛋白质层面进行建模，避免深入到量子力学层面。
• 推演：Hassabis 认为，AI 未来甚至可以帮助模拟“生命起源”，即在化学汤中搜索能产生类似细胞结构的初始条件。他相信，最终我们会发现“非生命”与“生命”之间是一个连续体，而 AI 是打破这个认知壁垒的工具。

提及的标的

标的	嘉宾态度	关键数据
AlphaFold	看好（里程碑式成就）	预测了超过 2 亿种蛋白质结构；AlphaFold 3 开始模拟蛋白质-RNA-DNA 相互作用
Veo 3	看好（技术突破）	能模拟液体、光照等物理现象，具备“直观物理学”理解
AlphaGo	看好（范式验证）	通过模型+蒙特卡洛树搜索，发现了“第 37 手”等前所未见的策略
AlphaEvolve	看好（有前景的方向）	结合 LLM 与进化算法，在程序空间中进行搜索，例如发现更快的矩阵乘法
Gemini 2.5	看好（产品领先）	相比 1.5 版本有“巨大提升”，定义了性能与成本/延迟的帕累托前沿
Isomorphic Labs	看好（应用落地）	基于 AlphaFold 成立的药物发现公司，进展顺利
GraphCast (天气预测)	看好（科学应用）	比传统流体动力学系统更快、更准，能预测飓风路径

值得记住的判断

1. “幸存即稳定”猜想（Demis Hassabis）：自然界中存在的系统（从蛋白质到行星轨道）都经过了演化或物理过程的筛选，因此具有可学习的结构。这解释了为什么经典 AI 可以高效建模看似复杂的问题。

2. AGI 的“研究品味”测试（Demis Hassabis）：真正的 AGI 不是解决难题，而是能提出“值得研究的好问题”，例如像爱因斯坦一样提出相对论，或发明像围棋一样深邃的游戏。这是“最难的部分”。

3. 创造力是“模型+搜索”的产物（Demis Hassabis）：系统先学习所有已知数据（模型），再通过搜索（如蒙特卡洛树搜索、进化算法）探索未知区域，从而发现“第 37 手”这样的新策略。创造力并非凭空产生。

4. 被动观察足以理解物理（Demis Hassabis）：Veo 3 通过观看 YouTube 视频就能学会直观物理学，挑战了“必须通过具身交互才能理解世界”的传统认知，暗示了现实世界存在可被被动学习的底层结构。

5. “虚拟细胞”的建模策略（Demis Hassabis）：模拟一个细胞，关键在于选择正确的“截止粒度”——在蛋白质层面建模，避免深入到原子或量子层面，以在计算可行性和预测准确性之间取得平衡。

6. AI 产品设计的“前瞻性”（Demis Hassabis）：设计 AI 产品时，不能只针对当前技术能力，而要预判 6-12 个月后技术能做什么，因为模型能力提升极快。好的产品设计是“为未来的模型设计”。

7. AI 时代的“激进丰裕”（Demis Hassabis）：如果 AI 能解决能源（核聚变、高效太阳能）和资源问题，人类将进入一个非零和博弈的时代，届时主要挑战将不再是资源稀缺，而是如何公平分配。

8. “P vs NP”是一个物理学问题（Demis Hassabis）：如果将宇宙视为一个信息系统，那么“什么可以被经典计算机高效建模”就变成了一个关于宇宙结构的基本问题。AI 的进展表明，这个问题的答案可能比我们想象的更广阔。