Demis Hassabis 最近在 Sequoia 的一场创始人活动上做了一次深度对谈。这场对话信息量极大，从他少年时代的职业规划，到 DeepMind 的创立逻辑，再到 AI for Science 的终极愿景，几乎覆盖了他整个思考框架的全貌。

1、十五六岁就决定了一辈子要做什么

Hassabis 说他在十五六岁的时候就决定了要做 AI，之后所有的职业选择都是为这个目标服务的。先去做游戏，因为 90 年代最前沿的技术全在游戏行业，GPU、图形引擎、AI 算法，全都在那里。他 17 岁做了 Theme Park 这款游戏，底层是一套完整的经济学 AI 模型，卖了一千多万份。后来去读神经科学博士，目的是从大脑的运作方式中获取算法灵感。再后来创立 DeepMind，是因为他觉得所有拼图终于凑齐了。

这种极早期就确定方向、然后用几十年去执行的模式，在今天看来几乎不可思议。大多数人在十五六岁的时候连下学期选什么课都拿不定主意。但 Hassabis 的故事说明了一件事：当你对某个问题有足够深的好奇心时，方向感会自然浮现。他不是在做职业规划，他是在追一个让他着迷的问题，只不过这个问题恰好需要 30 年才能给出答案。

2、领先 5 年，而非 50 年

他分享了一个创业教训。在 Elixir Studios 时期，他试图做一款模拟整个国家的游戏，在 90 年代的奔腾处理器上跑一百万人的 AI。太超前了，硬件和技术都跟不上，项目遇到了很大的困难。

他从中提炼出一条原则：你要领先时代 5 年。如果所有人都看到了机会，那你已经太晚了。但如果你领先了 50 年，那你大概率做不成，因为周围的基础设施还没准备好支撑你的想法。

这条原则对任何想做创新的人都适用。很多人有好想法但时机不对，要么太早要么太晚。判断时机的能力，可能跟想法本身一样重要。Hassabis 在 2009 年创立 DeepMind 的时候，深度学习刚被 Hinton 发明但几乎没人重视，强化学习跟深度学习从未被真正结合过，加速计算硬件正在快速成熟。他觉得这三个条件凑在一起，时机到了。

3、即使失败，也要用一种全新的方式失败

2009 年他去跟人说要做 AGI 的时候，学术界的反应是翻白眼。MIT 和剑桥这些传统 AI 中心还在做专家系统和逻辑语言，觉得强 AI 是不可能的，90 年代已经证明了这条路走不通。

但 Hassabis 的想法很有意思：他说即使我们也失败了，至少我们会用一种跟 90 年代不同的方式失败。深度学习加强化学习这条路，之前从来没有人认真试过。如果走不通，那也是一个新的数据点，证明了一条新的路也不行。如果走通了，那就是历史性的突破。

这种思维方式值得琢磨。很多人害怕失败，所以选择走已经被验证过的路。但如果你走的路跟别人一样，那你的失败也不会产生任何新信息。选择一条全新的路，即使失败了，你也比别人多知道了一些东西。

他还说了一句话：即使 AI 到今天还是一个冷门学科，他也会继续做。因为他觉得这是人类能发明的最重要的技术，同时也是最有趣的技术。这种确信感来自于对问题本身的深度理解，而非对市场趋势的判断。

4、AlphaGo 之后的第二天，就开始做 AI for Science

DeepMind 的使命从第一天起就是两步：第一步，解决智能（也就是造出 AGI）；第二步，用它来解决其他一切问题。

Hassabis 说他一直在等算法足够强大的那一天。2016 年 AlphaGo 在首尔赢了李世石之后的第二天，他就正式启动了 AI for Science 的工作。因为他觉得，攻克围棋这件事证明了算法已经足够通用，可以开始应用于真实世界的重大科学挑战了。

AlphaFold 解决了蛋白质折叠这个 50 年的大难题。但他强调，这只是药物发现流程中的一个环节。知道蛋白质的形状之后，你还需要设计出能精准结合目标蛋白的化合物，同时不产生毒性副作用。这就是 Isomorphic Labs 在做的事情。

他的目标是把 99% 的探索工作放在计算机里完成，只把最后的验证步骤留给湿实验室。如果能做到这一点，药物发现的时间可以从平均 10 年缩短到几个月甚至几周。个性化医疗也会变得可能。

5、机器学习是生物学的数学

Hassabis 提出了一个很有洞察力的类比：数学是物理学的描述语言，机器学习是生物学的描述语言。

为什么？因为生物系统有大量的弱信号、弱相关性、海量数据，远超人类大脑的分析能力。传统数学要么太复杂人类处理不了，要么表达力不够，无法描述这些高度涌现的动态系统。但机器学习天然擅长在海量数据中找到连接、相关性和因果关系。

这个类比如果成立，意味着 AI 在生命科学领域的潜力可能比在编程或语言领域还要大。编程和语言本来就有精确的形式化结构，AI 只是加速了已有的工作方式。但生物学一直缺少一种合适的描述工具，AI 可能第一次填补了这个空白。

6、AI 可能催生全新的科学学科

被问到 AI 是否会创造新的科学时，Hassabis 给出了两个方向。

第一个方向是 AI 系统本身会成为一门科学。这些系统越来越复杂，最终会跟人脑一样复杂，需要被系统性地研究和理解。机械可解释性（mechanistic interpretability）只是开始，后面还有大量的工作要做。

第二个方向更让他兴奋：AI 驱动的模拟。他举了经济学的例子。为什么经济学不像物理学那样精确？因为你没法做重复的控制实验。你不能把利率加半个百分点然后跑一千次看结果。但如果你能构建足够精确的模拟器，你就可以在虚拟环境中反复采样，把社会科学变成真正的实验科学。

DeepMind 已经在天气领域做到了这一点。他们的 WeatherNext 是世界上最精确的天气模拟器，而且比传统气象学方法快得多。下一步是虚拟细胞，模拟整个生物动态系统。

更有意思的是他提到的一个可能性：一旦你有了学习型模拟器，也许可以从中提取出显式的方程。就像你先有了一个隐式的、直觉式的模拟器，然后从里面蒸馏出像麦克斯韦方程组那样基本的公式。他不确定对于涌现系统是否存在这样的方程，但如果存在，他看不出为什么我们找不到它们。

7、信息可能比物质和能量更基本

Hassabis 提出了一个哲学层面的观点：他认为信息可能是宇宙最基本的构成要素，比物质和能量更底层。

传统物理学家认为能量和物质是第一性的，爱因斯坦的 E=mc² 证明了两者可以互相转换。但 Hassabis 觉得信息跟它们有同样的等价关系，而且可能更根本。生物体抵抗熵增的过程，本质上就是信息处理。

如果这个观点成立，那 AI 的意义就比我们现在认为的还要深远。因为 AI 本质上就是在组织、理解和构建信息对象。它跟宇宙的底层运作方式可能有某种深刻的同构关系。

这是一个很大胆的想法，但它解释了为什么 Hassabis 对 AI 的信念如此坚定。如果你相信信息是宇宙的基本语言，那构建一个能理解和操纵信息的系统，就等于在读懂宇宙本身的语法。

8、经典图灵机可能比我们想象的更强大

AlphaFold 证明了一件很有趣的事：蛋白质折叠本质上涉及量子效应，水键、微观粒子的相互作用等等。很多人以为你需要量子计算机才能模拟这种系统。但 AlphaFold 在经典硬件上就做到了近似最优解。

Hassabis 由此推测：很多我们以为需要量子系统才能建模的东西，如果换一种思考方式，可能在经典图灵机上就能解决。这并不意味着量子计算没有价值，但它暗示经典计算的能力边界可能比我们以为的要宽得多。

9、先做工具，再讨论意识

关于 AI 是否会有意识这个问题，Hassabis 的态度很务实。他说我们应该先把 AI 作为工具做到极致，然后再用这个工具去研究意识、自我、主观体验这些更深层的问题。

他指出了一个有趣的哲学困境：我们之所以相信彼此是有意识的，一方面是因为我们的行为像有意识的存在，另一方面是因为我们跑在相同的基质（生物大脑）上。对于 AI 系统，我们永远不会有基质等价性，所以从行为上可以判断，但从体验上可能永远无法完全确认。

这个问题他觉得可以留到 AGI 之后再解决。现在最重要的是把工具做好。

10、AGI 什么时候到来？

被问到这个问题，他的回答跟一直以来一样：2030 年。DeepMind 2010 年定的 20 年路线图，目前整个领域基本完全在轨道上。

如果你打高策略游戏需要选一个历史上的科学家当队友，他选冯·诺依曼。理由是：博弈论专家，而且他觉得冯·诺依曼会是最好的队友。

他推荐的书是 David Deutsch 的《The Fabric of Reality》。他说他希望用 AGI 来回答那本书里提出的问题。那是他 AGI 之后的工作。

#科技先锋官##How I AI#