Hassabis:从游戏到AGI,DeepMind的探索之路

DeepMind CEO Demis Hassabis在访谈中回顾了从少年编程到创立DeepMind的历程,阐述了为何以游戏为起点、为何坚信强化学习,并深入解释了AlphaFold如何解决蛋白质折叠这一50年难题。他认为,构建通用人工智能的关键在于结合算法、算力与多学科协作,而最终目标是用智能解决科学与现实世界的根本挑战。

德米斯·哈萨比斯

导语

在最新一期Lex Fridman播客中,DeepMind联合创始人兼CEO Demis Hassabis进行了一场深度对话。从他四岁下国际象棋、八岁用奖金购买第一台电脑并自学编程,到设计出百万销量的游戏《主题公园》,再到创立DeepMind并带领团队攻克AlphaGo与AlphaFold等里程碑式成就,Hassabis的旅程展现了从游戏少年到AI领袖的清晰脉络。他详细阐述了为什么选择游戏作为AI研究的起点、为何坚信强化学习,并解释了AlphaFold如何通过超过30种组件算法解决困扰生物学界50年的蛋白质折叠问题。访谈还触及了意识的本质、宇宙的计算本质以及AGI的未来路径等深刻话题。

大纲与深读 9 章

展开「深读」看每一段讨论的问题与论据。

01

图灵测试与智能基准

  • 图灵测试是思想实验而非严格形式化测试,未定义评判者知识水平等关键参数。
  • 智能测试应从单一语言模仿转向在成千上万种任务上达到或超越人类水平的泛化能力。
  • 语言是强大的沟通与泛化工具,但智能表达还包括视觉、机器人、行动等多模态。
深读这一段

讨论的问题:如何定义和测试一个系统是否具备通用智能?

论据 / 案例:图灵1950年论文未指定测试的严谨参数;有人用普通逻辑模型通过测试,假装是儿童。

02

编程与AI的早期启蒙

01:15
  • 4岁开始下国际象棋,8岁用比赛奖金购买了第一台ZX Spectrum电脑。
  • 12岁时编写了第一个AI程序:在Amiga电脑上玩奥赛罗(黑白棋),使用了阿尔法贝塔搜索等象棋程序原理。
  • 认为计算机是“心智的魔法延伸”,能自主完成任务的特性令人着迷。
深读这一段

讨论的问题:是什么激发了你对编程和人工智能的兴趣?

论据 / 案例:用国际象棋比赛奖金购买ZX Spectrum;12岁编写奥赛罗AI程序;受《国际象棋计算机手册》启发。

03

游戏设计与AI应用

02:12
  • 16-17岁时参与设计游戏《主题公园》,AI是核心玩法组件,游戏售出数百万份。
  • 游戏曾是AI技术的前沿阵地,GPU最初为图形渲染发明,后被证明对AI计算至关重要。
  • 游戏是开发和验证AI算法的理想试验场,因其规则明确、易于量化评估、可高效并行模拟。
深读这一段

讨论的问题:游戏在AI发展历程中扮演了怎样的角色?

论据 / 案例:参与设计游戏《主题公园》和《黑与白》;《黑与白》中的宠物被认为是强化学习在游戏中的出色应用。

04

DeepMind的创立与使命

07:22
  • DeepMind创立于2010年,当时AI领域并不受关注,难以获得投资和学术界认可。
  • 创始信念结合了深度学习、强化学习、人脑研究的进展、GPU算力以及AIXI等智能理论。
  • 公司使命是“先解决智能,再用它解决一切”,并采用跨学科(神经科学、工程、数学、哲学等)的组织结构。
深读这一段

讨论的问题:DeepMind创立的初衷和核心信念是什么?

论据 / 案例:2010年AI领域冷淡;AIXI理论被视为智能研究的理论基础;早期投资和学术界反应冷淡。

05

AlphaGo的突破与意义

09:09
  • AlphaGo战胜围棋世界冠军,是AI发展的里程碑,但哈萨比斯认为其仍缺乏通用性和学习能力。
  • 围棋因其规则简单但策略极其复杂,是检验AI泛化能力的绝佳基准。
  • 这一胜利挑战了人类对“不可能”的认知,也引发了关于“人机对决”的哲学思考。
深读这一段

讨论的问题:AlphaGo的成功对AI研究和公众认知意味着什么?

论据 / 案例:AlphaGo在2016年击败围棋世界冠军;之前国际象棋AI(深蓝)被设计为专用程序,无法处理其他任务。

06

创造性、游戏设计与AI

10:45
  • 国际象棋的魅力源于“象与马”在能力上的巨大差异与价值上的动态平衡,创造了战术和战略的张力。
  • AI的创造力分为三个层次:插值(生成平均图像)、外推(如AlphaGo的创新着法)、真正的发明(创造新游戏规则)。
  • 目前AI能出色完成插值和外推,但尚无法真正“发明”像围棋这样具有深刻美学和复杂性的全新游戏。
深读这一段

讨论的问题:AI能否像人类一样进行真正的创造性发明?

论据 / 案例:AlphaGo的“第37手”是外推式创新;但无法指定“设计一个5分钟学会、一生精通”的抽象任务给AI。

07

模拟理论与意识本质

12:51
  • 不完全认同“我们生活在模拟中”的传统理论,但认为用信息论视角理解宇宙(作为信息宇宙)是有效的科学方法。
  • 与罗杰·彭罗斯存在分歧,目前神经科学未发现大脑中存在量子效应的证据。
  • 相信经典计算(图灵机范式)足以模拟或近似大脑的所有功能,无需诉诸量子或超自然解释。
深读这一段

讨论的问题:宇宙的本质是什么?意识是否超越了计算?

论据 / 案例:彭罗斯认为意识需要量子过程;主流神经科学未发现大脑量子效应的证据;将大脑视为极其复杂的经典计算系统。

08

AlphaFold:解决蛋白质折叠

15:10
  • 蛋白质折叠问题(从氨基酸序列预测3D结构)是生物学50多年的重大挑战,被称为“生物学的费马大定理”。
  • AlphaFold2实现了端到端预测,将数年的实验工作缩短到秒级,并完成了人类蛋白质组的预测。
  • 解决方案结合了30多种算法,融入了物理和进化生物学的硬约束,并通过自蒸馏等技术克服了训练数据量小的难题。
深读这一段

讨论的问题:AlphaFold是如何解决蛋白质折叠这个历史难题的?

论据 / 案例:实验测定一个蛋白质结构通常需要一个博士生整个博士期间的工作;AlphaFold2在数秒内预测结构;人类蛋白质组(约20,000种蛋白质)的预测已在圣诞节完成。

09

科学与工程的结合

18:00
  • 解决智能是科学与工程的结合,早期更依赖算法等思想突破,后期工程、数据和规模化变得越来越重要。
  • 深度强化学习等核心算法是思想的突破,而Transformer架构、大规模算力则是工程实现的飞跃。
  • 需要保持对“解决智能”这一宏大目标的信念,这在早期不被看好时尤为重要。
深读这一段

讨论的问题:解决智能这一目标,科学和工程各自扮演了什么角色?

论据 / 案例:2010年向VC推销“解决智能”的使命时遭遇冷眼;学术界曾认为AI已失败;AlphaGo等突破是思想与工程的结合。

金句

  • ""I think if you look back at the 1950 paper... I don't think he meant it to be a rigorous formal test. I think it was more like a thought experiment." —— 我认为,如果你回顾图灵1950年的论文……我并不认为他本意是将其作为一个严谨的正式测试。它更像是一个思想实验。"
  • ""Games have been significant in my life for three reasons: first to train myself, then designing games and writing AI for games, and third using games as a testing ground for developing AI algorithms." —— 游戏在我的人生中有三个重要意义:首先是训练我自己,然后是设计游戏并为游戏编写AI,第三是用游戏作为开发AI算法的试验场。"
  • ""AlphaFold is the most complex and also probably most meaningful system we've built so far." —— AlphaFold是我们迄今为止构建的最复杂、也可能最有意义的系统。"
  • ""I would be very hesitant to bet against how far the universal Turing machine and classical computation paradigm can go." —— 我非常不愿意押注通用图灵机和经典计算范式的极限在哪里。"
  • ""Maybe we are the mechanism by which the universe is going to try and understand itself." —— 也许我们是宇宙试图理解自身的机制。"

原文链接

查看完整访谈

完整内容见原文:Lex Fridman Podcast · Hassabis:从游戏到AGI,DeepMind的探索之路