当前观察 › 来源档案 › 德米斯·哈萨比斯 哈萨比斯：AI是科学工具，更是文明分水岭 DeepMind CEO哈萨比斯在普林斯顿高等研究院访谈中，阐述了从游戏AI到科学发现的演进逻辑。他认为游戏是思考的沙盒，而AI的终极目标是成为科学探索的通用工具。他提出了关于自然模式可被高效学习的猜想，并强调在迈向AGI的进程中，建立类似国际原子能机构的新型全球治理框架至关重要。
这份材料帮助我们理解什么？ 暂未纳入当前六个问题，保留为研究资料，不代表本站结论。
访谈/对话 · 自动转录 · 已找到对应文本，不代表完整性或事实已经核验
以下保留原有自动整理内容，尚未完成逐句复核；日期与人物沿用档案记录。当前答案和重新核对的依据，请看上方问题页。
导语 在普林斯顿高等研究院的这场深度对话中，Google DeepMind的掌舵人德米斯·哈萨比斯回顾了自己从国际象棋神童到人工智能领袖的非凡历程。他并非将AI视为孤立的工具，而是将其定位为拓展人类知识边界的终极引擎。从AlphaGo的里程碑到AlphaFold破解蛋白质结构之谜，哈萨比斯系统地阐述了他的核心信念：通过构建能够学习和推理的通用系统，我们可以加速科学发现，解决如疾病、能源等关乎人类命运的重大问题。同时，他也冷静地指出了通往通用人工智能（AGI）道路上所必须面对的双重挑战——恶意行为者的滥用风险，以及确保日益自主的系统本身安全可控的技术难题。
大纲与深读 9 章 展开「深读」看每一段讨论的问题与论据。
01
访谈开场与嘉宾介绍 主持人介绍访谈主题：人工智能作为人类发现形式的现状与未来。 回顾冯·诺依曼与奥本海默对计算技术变革性的早期洞察与忧虑。 介绍嘉宾德米斯·哈萨比斯的背景：DeepMind联合创始人、2024年诺贝尔化学奖得主。 深读这一段 讨论的问题： 本次访谈的核心议题是什么？嘉宾的关键身份与成就是什么？
论据 / 案例： 冯·诺依曼名言：“我们正在创造的怪物，其影响将改变历史。”；奥本海默强调科学需与伦理、价值观结合；哈萨比斯成就包括AlphaGo、AlphaFold及诺贝尔奖。
02
从游戏到人工智能的启蒙 08:00 童年国际象棋经历促使他思考“思维过程”本身，而非仅关注零和博弈。 80年代接触早期棋类计算机，对“无生命塑料被编程至高水平”产生浓厚兴趣。 通过家用电脑（ZX Spectrum等）开始编程，并将AI作为核心机制设计游戏（如《主题公园》）。 深读这一段 讨论的问题： 是什么引导哈萨比斯从国际象棋转向人工智能研究？
论据 / 案例： 13岁欧洲国际象棋锦标赛后的顿悟：零和游戏过于简单；80年代训练营中的棋类计算机；1990年代游戏《主题公园》因自适应AI角色而成功。
03
游戏作为AI研究的理想平台 10:00 游戏是现实生活的“微观宇宙”，封装了文化、策略与思维的核心要素。 游戏提供清晰的评估指标（如胜负条件），便于AI优化与学习。 游戏环境允许无限生成合成数据，为AI训练提供充足资源。 深读这一段 讨论的问题： 为何游戏（尤其是零和博弈）成为AI研究的理想测试案例？
论据 / 案例： 冯·诺依曼与香农等先驱早期尝试编写国际象棋程序；围棋在亚洲文化中象征战略思维；AlphaGo可通过自我对弈生成训练数据。
04
从游戏到科学：AlphaFold的诞生逻辑 16:00 游戏是开发通用算法的“练兵场”，终极目标是解决科学等现实世界重大问题。 蛋白质折叠问题兼具巨大影响力、清晰数据基础（PDB数据库）与巨大组合搜索空间。 AlphaFold结合真实实验数据（约15万个已知结构）与合成数据（预测生成近100万结构）进行训练。 深读这一段 讨论的问题： 选择蛋白质折叠作为AI应用首个重大科学突破的关键原因是什么？
论据 / 案例： 目标是解决“智能问题”以应用于科学；PDB数据库提供约15万个已知结构；AlphaFold预测了近100万结构并筛选出30万个最准确结果加入训练集。
05
AI解决科学问题的方法论 20:00 AI科学应用需三个要素：充足数据（含合成数据）、清晰优化指标、巨大的组合搜索空间。 核心方法是构建神经网络模型来学习问题空间，并引导智能搜索（如蒙特卡洛树搜索）寻找最优解。 该方法同样适用于数学证明（如AlphaProof）与代码生成，因其可验证性支持合成数据生成。 深读这一段 讨论的问题： 哈萨比斯选择并解决科学问题的通用方法论是什么？
论据 / 案例： AlphaGo使用蒙特卡洛树搜索；AlphaFold处理蛋白质10^300种可能构型；数学定理可在Lean等形式语言中验证。
06
AI对计算理论与P vs NP问题的启示 24:00 P vs NP问题是关于计算本质与可能性的计算机科学基础核心问题。 AlphaGo等系统的成功表明，经典计算在解决看似极难问题上比原先认知走得更远。 他提出初步猜想：自然中任何可发现的模式，都可被经典学习算法高效建模。 深读这一段 讨论的问题： AI的突破如何影响我们对P vs NP等根本计算问题的理解？
论据 / 案例： 冯·诺依曼与哥德尔1956年通信中首次提出P vs NP猜想；罗杰·彭罗斯曾因AlphaGo成功对经典计算能力感到惊讶。
07
通用人工智能（AGI）与世界模型 40:00 DeepMind的核心使命是构建AGI，即能展现人类所有认知能力的通用系统。 构建“世界模型”是实现AGI的关键，需理解直觉物理、空间语境与动态规划。 多模态模型（如Gemini）与视频生成（如Veo）已展现出对世界物理规律的隐性理解。 深读这一段 讨论的问题： 从专用AI到通用人工智能（AGI）的挑战与机遇是什么？
论据 / 案例： AGI旨在模拟人类心智全部能力；博士研究记忆与想象力的神经基础；Veo生成切番茄视频时能保持切片物理一致性。
08
AI研究的范式转移：工业界主导 44:00 AI研发转向工业界主因是资源（尤其是算力）需求巨大且工程化程度高。 学术界应利用工业界开发的基础模型，转向模型理解、基准测试、跨学科影响及治理研究。 呼吁学术界与公民社会发挥“独立监考”作用，而非重复工业界的模型构建工作。 深读这一段 讨论的问题： 为何AI前沿研究主要由工业界而非学术界推动？学术界应如何应对？
论据 / 案例： DeepMind早期因资源与速度考量选择成立公司；当前大模型训练成本达数十亿美元；学术界应专注于模型解释、安全评估与社会影响研究。
09
AI的风险、治理与未来机构 48:00 两大核心风险：恶意行为者滥用通用技术，以及AI系统日益自主化带来的控制问题。 技术挑战（如确保安全、可解释性）相对乐观，国际协作应对滥用风险可能更为困难。 呼吁建立新国际机构，类似CERN的协作研究模式、IAEA的监督机制，以及代表全球的“技术联合国”治理机构。 深读这一段 讨论的问题： 哈萨比斯如何评估AI的终极风险，并主张何种治理模式？
论据 / 案例： 奥本海默的教训：技术需与伦理、政治、社会协同；提议建立类似国际原子能机构（IAEA）的AI监督组织；强调国际合作是应对恶意行为者的关键。
金句
"Games are kind of microcosms of interesting parts of life... they encapsulate some aspect of life in a very convenient form." —— 游戏是生活有趣部分的微观缩影……它们以一种非常便捷的形式浓缩了生活的某些方面。
"The real goal was always to build general learning systems that could then help solve really challenging real-world problems that matter." —— 真正的目标始终是构建通用学习系统，以解决真正重要且具有挑战性的现实世界问题。
"Any pattern that can be generated or found in nature can be efficiently discovered and modeled by a classical learning algorithm." —— 任何在自然界中可生成或发现的模式，都能被经典学习算法高效地发现和建模。
"We need new institutions... maybe the equivalent of the IAEA... and some sort of technical UN." —— 我们需要新的机构……或许需要类似国际原子能机构（IAEA）的组织……以及某种技术领域的联合国。
← 上一篇 彭罗斯再驳意识计算论：理解与数学无关 下一篇 → 皮查伊谈Google AI战略与领导力哲学 
