原始标题: Demis Hassabis: Future of AI, Simulating Reality, Physics and Video Games | Lex Fridman Podcast #475

发布日期: 2026-02-01 | 来源频道: @lexfridman

📝 深度摘要

对话背景与核心主题

这是Demis Hassabis第二次登上Lex Fridman播客舞台。作为Google DeepMind的领导者，他在2024年因AlphaFold蛋白质结构预测方面的突破性成就与John Jumper共同获得诺贝尔化学奖。本次对话是一次跨越近三个小时的深度思想碰撞，涵盖了对AI未来的展望、意识的本质、自然系统的可学习性、AGI可能带来的变革，以及从量子物理到视频游戏的多重主题。

Hassabis在诺贝尔奖演讲中提出了一个大胆的猜想：任何可以在自然界生成或发现的模式，都可以被经典学习算法高效发现和建模。这一观点将自然界的选择过程与机器学习联系在一起，认为进化不仅创造了生命，还创造了可被高效建模的结构。

核心逻辑拆解

自然是高效的搜索过程

Hassabis的核心论点是：自然界本身就是一个极其高效的搜索过程。蛋白质折叠在生物体内毫秒级完成，这一过程如果用暴力计算可能需要宇宙年龄的时间。然而，物理世界解决了这个问题——通过数十亿年的进化，自然界找到了高效的路径。

关键洞察在于：任何经历进化或自然选择过程的事物，都具有可学习的结构。这包括：

  • 蛋白质结构：AlphaFold已解决蛋白质折叠问题，这是生物学长达50年的重大挑战
  • 围棋棋局：AlphaGo击败了世界冠军李世石和柯洁
  • 流体动力学和天气系统：GraphCast已能够进行准确的天气预报
  • 视频生成中的物理规律：Veo/V3已经能够建模液体、光照、材质等直观物理

Hassabis提出"生存最稳者"（survival of the stablest）的概念——不仅是生命，整个自然界都经历了类似的选择过程。山脉的形状、行星的轨道、小行星的外形，都是长期自然过程塑造的结果，因此也具有可学习的模式。

P=NP作为物理问题

将宇宙视为信息系统后，P=NP问题变成了一个物理问题。Hassabis认为，如果信息是宇宙最基本的存在形式（比能量和物质更基本），那么计算复杂性的边界就是物理定律的一部分。

他乐观地认为，经典图灵机能够做到的比人们想象的更多。AlphaFold已经证明，传统上被认为需要量子计算机才能解决的蛋白质折叠问题，完全可以在经典系统上解决。

视频生成模型对物理学的学习

一个令人惊讶的发现是：视频生成模型Veo/V3通过被动观看YouTube视频就学会了直观物理学——液体如何流动、物体如何碰撞、光照如何反射。这挑战了传统的"具身智能"假说，即必须通过与物理世界交互才能理解物理规律。

Hassabis曾经编写过物理引擎和图形引擎，他深知手动编程这些物理行为有多么困难。然而，这些AI系统通过观看视频就自动提取了underlying structure，学习了材料的行为方式。这暗示了现实世界本身的某种深层结构——信息在宇宙中的组织方式可能比预期的更易于学习。

方法论与工具箱

Alpha系列的迭代方法

DeepMind的方法论是模块化、可叠加的，每个项目都为下一个更宏大的目标奠定基础：

  • AlphaGo：解决确定性、规则明确的博弈问题，使用蒙特卡洛树搜索和深度学习
  • AlphaFold：解决蛋白质结构预测问题，改变了生物学研究范式
  • AlphaFold 3：扩展到蛋白质、RNA、DNA的相互作用建模
  • AlphaGenome：预测基因突变如何影响功能
  • AlphaEvolve：用LLM引导的进化算法发现新算法
  • GraphCast：天气预报系统
  • Veo/V3：视频生成，理解直观物理

Hassabis的终极梦想是"虚拟细胞"——在计算机中模拟完整的细胞，使得生物学实验可以在硅基环境中进行，大幅加速研究进程。建模整个细胞需要处理不同时间尺度的过程，从快速的蛋白质折叠到慢速的细胞分裂，这需要层次化的系统来建模。

搜索+模型的组合

核心方法论是：将问题分解为"模型"（对环境dynamics的理解）和"搜索"（在解空间中寻找最优解）。模型使搜索变得高效，使原本指数级的问题变得可解。

搜索方法包括：

  • 蒙特卡洛树搜索（AlphaGo）：在博弈树中进行智能搜索
  • 进化计算（AlphaEvolve）：通过迭代选择和变异优化解
  • LLM引导的创意生成：结合大语言模型的创造力和传统搜索算法的系统性

AlphaEvolve结合了LLM的"创意"和进化计算的"搜索"能力。传统进化计算的问题是无法产生真正的创新——它只能组合已有特征。但当LLM提供创意建议时，进化算法可以探索更广阔的可能性空间，找到人类工程师从未想过的解决方案。

关键洞察与辩论

通用人工智能的时间线

Hassabis估计，到2030年有50%的概率实现AGI。他的AGI定义很高：必须具备大脑的所有认知能力，包括真正的创造力和发明能力，而不仅仅是某些领域的专家。

验证AGI的方式可能是构建包含数万个认知任务的全面测试套件，涵盖人类能做的所有事情。这需要一个类似于"星际迷航"中Data的测试——一个全面的智能测试，而不是仅仅在特定任务上超越人类。

计算资源的 Scaling

关于是否能够持续扩展计算资源，Hassabis持乐观态度。AI系统现在被数十亿人使用，需要大量的推理计算。新的"思考系统"范式（过去一年的新发展）使得模型能够在回答问题前进行更长时间的思考，这进一步增加了计算需求。

能源是一个关键约束。Hassabis提到核聚变可能是未来能源解决方案的一部分。训练最大的模型需要数据中心之间的带宽约束等额外限制。

从游戏到AGI

Hassabis谈到了电子游戏对他和DeepMind的影响。游戏不仅是测试AI系统的完美环境，也是灵感的来源。他喜欢像《Stanley Parable》这样的元游戏，它们探讨选择和自由意志的哲学概念。《Daggerfall》的程序化生成给他留下了深刻印象——每次玩家进入地牢时，都会生成一个独特的世界。

他提到，《GTAS 6》的发布和Gemini 3的发布是人们热切期待的两个东西。虽然他不能透露具体的时间表，但他强调了持续改进的重要性——从Gemini 2.5到3.0的转变可能意味着全新的体验，而不仅仅是性能的提升。

历史的启示

对话还涉及了约翰·冯·诺依曼和曼哈顿计划。Hassabis认为冯·诺依曼会对今天的发展感到兴奋，因为他早在1950年代就预见了学习机器系统的潜力。冯·诺依曼帮助发明了现代计算机所基于的冯·诺依曼架构，他对游戏理论也有贡献。

关于曼哈顿计划，Hassabis认为可能有足够的电话沟通——与被称为"敌人"的人交谈。这是对当前地缘政治紧张局势的微妙暗示。

金句

“任何可以进化的东西，也可以被高效建模。”

“我认为信息是宇宙最基本的存在形式，比能量和物质更基本。”

“自然界在做的事情本质上是一种搜索过程，而我们正在用AI模仿这种搜索。”

“我们可能持续惊讶于经典计算机能被建模的范围。”

“构建AGI是为了帮助我们回答这些基本的科学问题——比如P=NP。”

“真正让我印象深刻的是V3对物理行为的理解——液体、光照、材质——这表明它至少具有某种直观物理学概念。”

“我认为我们甚至还没有真正触及古典系统的表面。”

“我仍然相信我们在这个美好的混乱中是一体的。”

📺 视频原片

视频时长: 148 分钟 | 视频ID: OHfXyHfNTe8