惟愿此心无怨尤

【读书笔记】Sequoia AI Ascent 2026（四）：Demis Hassabis — 从 DeepMind 到 AGI 愿景

20 min

介绍与早期职业生涯

00:00 Demis Hassabis 的多重背景及其内在联系

  • 主持人介绍 Demis Hassabis (DeepMind 创始人兼 CEO)，称其为 AI 领域的”OG”（老炮/元老）、原创思想家、远见者和真正的科学家。
  • 背景关联：Demis 曾是国际象棋神童、游戏公司创始人、神经科学家。虽然这些身份看似无关，但他表示这背后有一条清晰的共同主线。
  • 要点：
  • Demis 在十六七岁时就决定将 AI 作为毕生事业，因为他认为这是他能做的”最重要、最有趣的事情”。
  • 他随后所有的学习和工作经历，都是为了最终能建立像 DeepMind 这样的公司做准备。

01:30 90年代游戏行业的启发

  • Demis 年轻时曾涉足游戏行业（90年代），因为当时游戏行业是尖端技术的试验田（如图形学引擎和早期的 GPU）。

  • 示例：主题公园 (Theme Park) 游戏

  • 细节：他17岁时参与制作了著名的模拟游戏《主题公园》。该游戏模拟了游乐园，包含成千上万的小人（游客），他们有自己的经济 AI 模型，决定买什么、玩什么。

  • 原因：游戏售出了超过 1000 万份，玩家与 AI 互动的乐趣让他坚定了将毕生职业奉献给开发互动的 AI 的想法。

  • 神经科学的作用：为 AI 提供来自大脑工作原理的灵感和算法思想。

创业经验与经验教训

02:53 Elixir Studios 创业史

  • Demis 大学毕业后直接创立了 Elixir Studios。在此之前，他曾在著名的游戏工作室 Bullfrog Productions 工作。
  • 他在游戏开发中实际上是”通过后门为 AI 提供资金”（用游戏开发的资源来推进 AI 技术的边界）。
  • 游戏《共和国 (Republic)》的教训：
  • 细节：这是一款模拟整个国家运作的游戏，涉及上百万人口的图形和 AI，当时运行在 Pentium（奔腾）家用电脑上。
  • 重要引述：“你想比你的时代领先 5 年，而不是领先 50 年。” (“you want to be 5 years ahead of your time not 50 years ahead”)
  • 洞见：如果技术太超前（领先50年），就无法取得商业上的成功；如果每个人都觉得明显，那又太迟了。这构成了他日后把握创新时机的重要哲学。

DeepMind 的创立与 AGI 愿景

04:44 2009年创立 DeepMind

  • 2009年，在”AGI（通用人工智能）“概念还被视为科幻时，Demis 开始着手准备。
  • 吸引顶尖人才的原因（当时的四大核心要素）：
  1. 深度学习 (Deep Learning)：当时由 Geoffrey Hinton 等人刚刚发明，但学术界尚未意识到其重大意义。
  2. 强化学习 (Reinforcement Learning)：Demis 认为将深度学习与强化学习结合将带来巨大突破，在此之前这两个领域在学术界是完全孤立的。
  3. 算力 (Compute)：当时的 GPU（以及后来的 TPU）等加速计算技术开始展现巨大潜力。
  4. 神经科学原理：他和他的计算神经科学同事认为，大脑的原理（特别是强化学习理念）能够扩展并应用于实现 AGI。

06:15 对抗传统学术界的质疑

  • 当时学术界对”专家系统 (Expert Systems)“和”逻辑语言系统”的失败感到失望，很多人对 AGI 翻白眼。
  • Demis 曾在 MIT（当时专家系统的中心）做博士后，他已经觉得传统逻辑 AI 显得过时。
  • 重要引述：“至少如果我们失败了，我们也会以一种与 90 年代人们失败的方式完全不同的、原创的方式失败。” (“at least if we were going to fail we would fail in a different way than people had failed… to get to AGI in the ’90s”)

08:10 DeepMind 的使命

  • 重要引述：“第一步：解决智能（即构建 AGI）；第二步：用它来解决其他一切问题。” (“step one solve intelligence i.e build AGI step two use it to solve everything else”)
  • 他认为 AI 不仅是人类可能发明的最重要的技术，也是帮助我们理解人类自身心智（如意识、梦境、创造力）的最佳对照实验工具。

AI 用于科学探索 (AI for Science)

08:56 DeepMind 将 AI 应用于科学

  • 目标：以一种元 (Meta) 的方式推进科学和医学的发展，先构建终极工具 (AI)，然后用它来实现科学突破。
  • DeepMind 早在十年前（AlphaGo 比赛结束后的第二天）就正式成立了”AI for Science”部门。
  • 只有当算法足够强大且具有普适性时（AlphaGo 的成功证明了这一点），他们才开始将这些想法应用于真实世界的科学难题。

10:42 AlphaFold 与 Isomorphic Labs (计算生物学突破)

  • 示例：AlphaFold

  • 背景：蛋白质折叠（预测蛋白质的 3D 结构）是一个长达 50 年的重大挑战，对药物设计和生物学理解至关重要。

  • 成果：AlphaFold 被视作 AI 在生物学领域的”ChatGPT 时刻”。

  • Isomorphic Labs：

  • Demis 创立的衍生公司，旨在通过 AI 自动设计能够与目标蛋白质结合的化合物分子。

  • 目标：在计算机中 (in silico) 完成 99% 的药物发现探索工作，将湿实验室 (wet lab) 仅用于验证。

  • 影响：可能将药物研发时间从平均 10 年缩短到几个月甚至几天，实现个性化医疗，并可能将治愈所有疾病带入人类可及的范围内。

AI 将创造新的科学分支

12:46 模拟科学与 AI

  • Demis 认为，未来会出现几门新的科学分支：
  1. AI 系统分析科学：将 AI 系统视作像人类大脑一样复杂的工程造物，对其内部机制进行专门的科学研究。
  2. AI 模拟科学 (AI for Simulations)：利用 AI 对复杂系统（如经济学等社会科学领域）进行高精度的模拟。
  • 难点解析：这些系统被称为涌现系统 (Emergent Systems)。因为难以在现实世界中进行受控实验（比如不能为了实验随意调整国家的利率），所以传统上很难像物理学那样进行严谨的研究。AI 模拟器将允许对这些复杂系统进行数千次的采样测试。

14:58 AI 作为复杂系统的完美描述语言

  • 示例：Weather Next (天气模拟器) 和 虚拟细胞 (Virtual Cell)。

  • 类比：机器学习是生物学的完美描述语言，正如数学是物理学的完美描述语言。

  • 原因：生物系统充满大量微弱的信号和关联，数据量远超人脑的分析能力，且无法用传统的硬编码数学方程完美捕捉。机器学习能从庞大的混乱数据中找出因果关系。

  • 终极愿景：未来或许能从 AI 构建的隐式模拟器中提取出明确的科学方程（类似于麦克斯韦方程组）。

宇宙的本质、计算与意识

17:24 信息作为宇宙的最基本构建块

  • 传统的经典物理学认为能量和物质是等价的（如 E=MC2E=MC^2），是物理学的首要基石。
  • Demis 的哲学观：他认为”信息 (Information)“是比能量和物质更基础的终极要素。
  • 如果将生物系统等抵抗熵增的事物视为信息处理系统，那么 AI（作为终极信息处理工具）的意义比我们想象的还要深远，因为它本质上是理解宇宙结构的工具。

18:58 图灵机与量子系统的经典模拟

  • Demis 自称为”图灵的冠军 (Turing’s Champion)“，高度推崇艾伦·图灵及其提出的图灵机概念。
  • 洞见：通过 AlphaFold 等模型，DeepMind 证明了经典的计算模型（以现代神经网络的形式）可以近似建模并解决复杂的量子层面系统（蛋白质折叠中涉及大量氢键和微观粒子的交互）。
  • 结论：许多我们原本以为必须借助量子计算机才能模拟的问题，如果在算法上思考得当，实际上可以通过经典计算网络得出近似最优解。

20:30 工具还是代理 (Tool vs. Agent)

  • 目前 AI 正从工具向代理（具备自主行动能力）时代演进。
  • Demis 的战略观点：在通向 AGI 的路上，最好第一步先构建一个极其智能、实用且可控的”工具 (Tool)”。
  • 关于”自主性”和”意识 (Consciousness)“的深刻探讨应作为第二步展开，或许可以利用这个超级工具来辅助我们理解人类意识的定义。

21:50 关于 AI 的意识探讨

  • 意识可能有一些必要条件：如自我意识 (Self-awareness)、区分自我与他人、时间的连续性。
  • 行为评估与基质差异：
  • AI 系统在接近 AGI 时，可能会表现得”像”一个有意识的系统。
  • 人类之所以认为同类有意识，是因为我们共享同样的”基质 (Substrate，即碳基大脑)“。而对于由硅基组成的人造系统，人类很难确认在主观”体验 (Experiential)“层面上其是否真的具有意识。

23:34 康德 (Kant) 与斯宾诺莎 (Spinoza) 的哲学启发

  • 康德的思想：“心灵创造现实”。这促使他认为理解大脑是理解现实的前提。
  • 斯宾诺莎的思想赋予了科学以精神维度的意义。
  • 重要引述：“当你用科学作为工具试图理解宇宙时…我们在研究 AI 和建立这些工具，从某种意义上说，我们是在解读宇宙的语言。” (“somehow we’re kind of reading the language of the universe”)

快速问答环节 (Rapid Fire Questions)

25:13

  • 预测 AGI 到来的年份：2030年（他表示自己对这个年份一直保持一致的态度）。
  • 实现 AGI 时必读的书：《现实的结构 (The Fabric of Reality)》，作者 David Deutsch。
  • 在 DeepMind 最自豪的时刻：AlphaFold 的突破。
  • 高风险战略游戏的科学家队友选择：约翰·冯·诺依曼 (John von Neumann)，因为他是博弈论之父。

提到的额外资源

  • 游戏：《主题公园 (Theme Park)》、《模拟城市 (SimCity)》、《共和国 (Republic)》、《文明 (Civ)》、《低模之战 (Polytopia)》。
  • 实体/公司：Bullfrog Productions, Elixir Studios, DeepMind, Isomorphic Labs。
  • 书籍：《现实的结构 (The Fabric of Reality)》 - 作者 David Deutsch。
  • 提及人物：Geoffrey Hinton（深度学习先驱）, Alan Turing（艾伦·图灵）, Daniel Dennett（哲学家丹尼尔·丹尼特）, Immanuel Kant（康德）, Spinoza（斯宾诺莎）, Albert Einstein（爱因斯坦）, John von Neumann（约翰·冯·诺依曼）。

总结

视频高层级摘要

在红杉资本举办的这场高层访谈中，DeepMind 的联合创始人兼 CEO Demis Hassabis 回顾了他由神童、游戏创业者到神经科学家的跨界历程，并将其统一于创造 AGI（通用人工智能）的终极愿景下。他详细探讨了创立 DeepMind 时将深度学习与强化学习结合的先见之明，以及 AlphaFold 突破带来的”AI for Science”革命。Hassabis 从哲学层面将机器学习视为解开诸如生物学、经济学等”涌现系统”奥秘的完美数学语言，提出信息构成了宇宙的基石，并预测人类将在 2030 年见证 AGI 的到来，最终利用这一超级工具去解读宇宙的深层结构规律。

关键要点列表 (Top 10-15 洞察)

  1. 多领域的底层交汇：游戏模拟、神经科学与计算学的经验积累是 Demis 构建 DeepMind 愿景的基石。
  2. 5年创新法则：在科技创业中，产品的理念需要比时代领先 5 年，如果领先 50 年则无法实现商业成功。
  3. DeepMind 成功的配方：深度学习、强化学习、算力（GPU）以及计算神经科学四个原本孤立领域的融合。
  4. 两步走终极战略：使命第一步是解决智能（AGI），第二步是利用它来解决包括疾病在内的世间所有难题。
  5. 生物学的”ChatGPT 时刻”：AlphaFold 的突破不仅解决了 50 年的蛋白质折叠问题，也开启了计算机内 (In Silico) 直接设计药物的时代。
  6. 科学研究模式的演化：AI 正在超越”工具”范畴，衍生出对 AI 系统进行解构的自身工程科学，以及专门研究复杂涌现系统的”模拟科学”。
  7. 机器学习是复杂系统的语言：如同微积分是物理学的语言一样，机器学习是捕捉生物系统等大规模、微弱相关性数据的完美工具。
  8. 信息先于物质：从哲学物理学的视角，宇宙更核心的构件可能不是物质或能量，而是”信息”。
  9. 经典计算的惊人潜力：AlphaFold 证明了基于经典图灵机的神经网络可以对极度复杂的量子物理化学系统进行有效建模。
  10. 工具优先于意识：在探讨赋予 AI 自主意识前，应当先将其发展为高度精确且可控的超级人类辅助工具。
  11. 意识的基质鸿沟：由于硅基架构与碳基大脑（人类自身基质）本质不同，要在主观体验上完全证实 AI 具有意识可能是一道无法跨越的鸿沟。
  12. 理解宇宙的密码：无论是康德还是斯宾诺莎的思想，核心都反映了构建 AGI 的过程，实质上是人类在使用科学语言去反向破译宇宙的运转规律。
  13. AGI 时间表确认：Demis Hassabis 维持其一致预测——AGI 将在 2030 年左右实现。

视频中所有技术术语的词汇表

  • AGI (Artificial General Intelligence/通用人工智能)：一种不仅局限于解决单一任务，而是具备与人类相当甚至更强的多领域理解、学习和推理能力的终极智能系统。
  • Deep Learning (深度学习)：机器学习的一个主要分支，采用多层人工神经网络模型从庞杂的数据中自动学习多级特征和模式。
  • Reinforcement Learning (强化学习)：一种灵感源自神经科学的算法，智能体 (Agent) 通过在给定环境中不断尝试，以获得最大化累积奖励为目的进行学习的策略机制。
  • Expert Systems (专家系统)：早期人工智能的代表形式，试图通过将人类专家的经验编制为大量的”如果-那么”逻辑规则，来推理解决特定领域问题。
  • GPU / TPU (图形处理器 / 张量处理器)：GPU 原为游戏图形渲染开发的高并发硬件，现为 AI 算力底座；TPU 则是谷歌专为加速神经网络机器学习专门研制的定制芯片。
  • In Silico (在计算机中)：指利用计算机进行的模拟实验和生物学研究进程，用以替代或减少传统的”Wet Lab（湿实验室物理操作）“环节。
  • Emergent Systems (涌现系统)：由大量简单实体互动构成的复杂系统，其宏观产生的复杂规律或”涌现属性”（例如经济趋势、气候系统、生物演变）无法通过单个微观个体单独预测得出。
  • Virtual Cell (虚拟细胞)：一种通过计算机程序高度逼真地模拟和复刻细胞生命动态和物理化学变化过程的模型。
  • Turing Machine (图灵机)：由艾伦·图灵提出的一种抽象理论计算模型，奠定了现代计算机科学的基石，证明了凡是算法上可计算的过程皆可通过该机械模型完成。
  • Substrate (基质/物理底座)：指承载系统运行的物理材料基础，如支持人类思维的”碳基神经元”与支持 AI 模型的”硅基半导体”。
读书笔记