Demis Hassabis 在 Sequoia Capital 做了一场对话，聊了将近半小时。标题挺吸引眼球——"我们离 AGI 还有四分之三的路程"——但如果你期待的是某个技术突破的发布，这场对话给出的东西其实更安静，也更值得咀嚼。
一个 15 岁就定下的计划
Hassabis 的职业轨迹看起来很散：国际象棋神童、游戏公司创始人、神经科学博士、DeepMind 创始人。但他自己说，这些全都是从同一个目标倒推出来的。
他大概 15、16 岁的时候就认定 AI 是他这辈子要干的事。之后所有选择——学什么、做什么——都是围绕"有一天建一家像 DeepMind 这样的公司"在布局。甚至 90 年代去做游戏开发，在他眼里都是在"通过后门资助 AI 研究"——当时的 GPU 是为图形引擎设计的，他用的就是最早那批。
他做的最有名的游戏叫 Theme Park，模拟一个游乐园，里面有几千个 AI 驱动的小人在里面活动、消费、做决策。卖了上千万份。他后来回忆说，看到玩家和 AI 交互时的反应，是让他决定把一辈子押在 AI 上的关键时刻之一。
5 年提前，不要 50 年
他分享了一个特别实在的教训。
在 Elixir Studios（他早年的游戏公司），他们做了一款叫 Republic 的游戏，要在 Pentium 电脑上模拟一个完整国家的百万人口——包括城市、政治、经济。这个想法太超前了，最后变成了公司的负担。
他从这件事里学到一条原则：你想领先于时代 5 年，别领先 50 年。 太早和太晚一样致命。
这条原则后来一路跟着他带到了 DeepMind。
2010 年，没人信 AGI
2009 年的时候，Hassabis 决定要搞 AGI。当时 deep learning 刚被 Hinton 等人发明出来，但几乎没人意识到这会有多大影响。强化学习和深度学习是两个彼此隔离的领域，几乎没有人在尝试把它们结合。
他把早期的 DeepMind 描述成"保守秘密的人"——其实不是他们想保密——是没人相信这条路走得通。学术界的反应更直接：翻白眼。
他甚至觉得这反而让他更确信自己方向对了。因为就算失败，他们也会以不同于 90 年代 AI 冬天的方式失败。"至少我们失败的方式是原创的。"
而他的时间表？20 年。 从 2010 年算起，就是 2030 年。他说到现在，整个领域基本还在他当年预测的轨道上。
AlphaFold 之后，下一步是什么
Hassabis 把 DeepMind 的使命分成两步：
- 解决智能问题——建 AGI
- 用 AGI 解决其他一切问题
AlphaFold 属于第二步的早期成果。蛋白质折叠是一个 50 年的难题，AlphaFold 给出了答案。但这只是药物发现链条中的一环。
他后来成立的 Isomorphic Labs 就在攻克下一环：设计化合物。蛋白质的 3D 结构已经知道了，现在要做的是设计一个分子，精确地结合到蛋白质的靶点上，同时不和其他东西结合（避免毒性）。
他画了一个很具体的愿景：99% 的探索工作在硅基环境中完成，湿实验只做最后的验证。药物发现的时间从平均 10 年压缩到几个月，甚至几周。如果这个愿景实现，所有疾病都将"变得可以触及"。
AI 会催生新学科吗
主持人问了一个很有意思的问题：工业革命催生了热力学，AI 会不会催生新的基础学科？
Hassabis 给了两个方向。
第一个：对 AI 系统本身的研究会成为一门独立的科学。 他说这些系统最终会变得和人类大脑一样复杂，光靠今天的分析手段远远不够，需要全新的方法去理解它们。
第二个：AI 驱动的模拟可能让社会科学变成真正的"科学"。 经济学、社会学这些学科之所以做不到物理学那样的严谨，根本原因是没法做控制实验。你不能把利率调 0.5% 然后在现实世界跑一万次看结果。但如果有一个足够精确的模拟器呢？你可以反复采样、做假设检验。他说这可能是社会科学的"热力学时刻"。
他们已经在做了——天气模拟器 WeatherNext 号称全球最准且最快的天气预报系统。还有"虚拟细胞"项目，尝试用机器学习来模拟生物学这样高度涌现的动态系统。
他甚至说，也许有一天能从学到的模拟器里提取出显式的方程式——就像麦克斯韦方程组一样。
信息比能量更基础
聊到物理学的时候，Hassabis 抛出了一个更大胆的观点。
大家都知道 E=mc²，能量和物质可以互相转换。但他觉得信息应该和能量、物质处在同一个层级，甚至可能更基本。
他的理由是：生物体抵抗熵增的过程，本质上就是在做信息处理。与其说"物质和能量通过信息组织起来"，不如说"信息才是第一性的，物质和能量是信息的载体"。
如果这个观点成立，那 AI 就比大家想象的还要深刻——因为 AI 的本质就是在处理信息。
经典图灵机够用吗
Hassabis 称自己这行人是"图灵的拥护者"。他的判断是：人脑大概率是近似的图灵机。
AlphaFold 是一个很好的证据。蛋白质折叠涉及量子层面的粒子交互，按理说需要量子计算才能精确模拟。但 AlphaFold 在经典计算机上就给出了近似最优解。他的推论是：很多我们以为必须用量子系统才能建模的东西，如果换一种思路，经典系统也能搞定。
先做工具，再谈意识
Hassabis 对 AGI 的发展路径有一个很明确的先后顺序：
先做一个极其智能的工具，再讨论意识和自主性的问题。
他说我们正处在"agent 时代"，系统确实在变得越来越自主。但"有没有智能"和"有没有意识"是两件完全不同的事。他建议先用 AGI 工具来帮助我们更好地理解自己的大脑和意识，然后再去回答那些更深的问题。
关于意识，他没给出定义，但列了几个必要条件：自我意识、"自我"和"他者"的区分、时间上的连续性。他也承认，因为人工系统和人脑运行在不同的基质上，"经验层面"的鸿沟可能永远无法完全弥合。
快速问答环节里还有几个值得记的点：
- AGI 的年份？ 2030 年，他说自己一直很坚持这个预测。
- 最骄傲的成就？ AlphaFold。
- 最推荐的书？ David Deutsch 的《The Fabric of Reality》，他说等 AGI 实现了，他想用 AGI 来回答这本书里的问题。
- 如果选一个历史科学家做队友？ 冯·诺依曼——因为他是博弈论学家，"应该是最好的队友"。
几个人感受
这场对话最有价值的地方，恰恰是它没有宣布任何新突破。
Hassabis 说的东西，大部分在公开信息里都有迹可循。但听他本人讲，有几个点感受会不一样：
第一，他对时间表的信心。2030 年这个数字他从 2010 年就挂在嘴上，到现在没改过。在 AI 圈子"永远在推迟"的叙事里，这种稳定性本身就值得注意。
第二，他对"工具优先"的坚持。现在很多人在讨论 AI 的风险和治理，但 Hassabis 的态度是：先把它做成一个真正好用的科学工具，用它来解决具体的科学问题（治病、天气预报、材料设计），然后在工具成熟的基础上，再去讨论更深层的哲学问题。这个顺序很重要。
第三，他对信息论作为一种世界观的坚持。这听起来很理论，但如果信息真的是比能量更基本的物理量，那 AI 就不只是一门工程学科，它会成为理解世界本身的一种方式。
这些观点都不算新鲜，但从一个同时在工业界和科学界都做到顶的人嘴里说出来，分量不太一样。
原视频：Demis Hassabis: We're Three Quarters of the Way to AGI
频道：Sequoia Capital
时长：约 27 分钟