本文整理自 Lex Fridman 对 Google DeepMind CEO Demis Hassabis 的访谈，访谈中他们讨论了AI 的未来，模拟现实、物理和视频游戏，以及最后 Hassabis 给出了当前 AI 时代的生存法则。
Demis Hassabis：从电子游戏到模拟宇宙，AI正在揭开现实的终极奥秘 如果你有机会和当今世界上最聪明的大脑之一聊一聊，你会问些什么？也许是关于宇宙的终极谜题，比如P vs NP问题，或是生命的起源。又或者，你会和他聊聊电子游戏，那个我们许多人魂牵梦绕的虚拟世界。
幸运的是，Lex Fridman最近在他的播客上就和这样一位人物——Google DeepMind的负责人、诺贝尔奖得主Demis Hassabis——进行了一场深入的对谈。他们的谈话跨越了从理论物理到AI伦理，从模拟一个完整的细胞到创造一个真正开放的游戏世界。这不仅仅是一场技术访谈，更像是一次对现实本质、人类未来以及我们在这个宇宙中位置的哲学探索。
Hassabis的观点，就像他领导的AI一样，总能带给我们意想不到的启发。
自然的秘密，其实都可以被“学习”？ 在获得诺贝尔奖的演讲中，Hassabis提出了一个颇具“挑衅性”的猜想：“任何能在自然界中找到或生成的模式，都可以被一个经典的机器学习算法有效地发现和建模。”
这听起来有点疯狂，但仔细想想，这背后是他多年科研经验的深刻洞察。无论是AlphaGo在围棋中那看似无穷的变化，还是AlphaFold在蛋白质折叠这个巨大的组合空间中寻找答案，它们面对的都是一个“暴力破解”方法在宇宙终结前都无法解决的问题。
那它们是怎么做到的呢？答案是，这些系统通过学习，构建了一个关于环境的“模型”，从而能用一种更聪明的方式进行搜索，让难题变得“可解”。
Hassabis认为，这之所以可能，是因为自然本身就不是随机的。
“自然系统充满了结构，因为它们经受了进化过程的塑造。无论是生命体的演化，山脉被风化的形状，还是行星的轨道，它们都经历了一遍又一遍的筛选过程，可以称之为‘最稳定者生存’。”
如果一个系统是经过这种非随机过程形成的，那么它内部必然存在某种可以被学习和逆向工程的“结构”或“模式”。神经网络恰恰最擅长发现和利用这种结构，沿着某种梯度找到解决方案。这就像蛋白质在我们的身体里，只需要几毫秒就能完成折叠一样，物理世界本身就在高效地解决这个问题。AI所做的，就是学习并模仿这个过程。
这个猜想的适用范围可能非常广，从生物、化学到物理，甚至宇宙学和神经科学。但它也有边界。比如，对大数进行质因数分解这类纯粹的数学难题，如果数字本身没有内在模式，AI就无从“学习”，这时可能就需要量子计算机这样的“蛮力”工具了。
P vs NP：一个物理问题，而非数学游戏 这个关于“可学习宇宙”的观点，直接触及了理论计算机科学中最核心的问题之一：P vs NP。
简单来说，P类问题是计算机能快速解决的，而NP问题是答案一旦给出就很容易验证，但找到答案却异常困难。P是否等于NP，本质上是在问：所有我们能快速验证答案的问题，是否也都能被快速解决？
Hassabis将这个问题提升到了一个新的高度。他认为，如果我们把宇宙看作一个巨大的信息处理系统——信息比能量和物质更基本——那么P vs NP就不再仅仅是数学家的游戏，而变成了一个物理学问题。
AlphaFold的成功就是一个活生生的例子。蛋白质折叠曾被认为是NP难题，许多人甚至认为需要量子计算机才能模拟。但AlphaFold，一个运行在经典计算机上的神经网络，却做到了。这证明，至少对于某些看似棘手的自然问题，经典系统比我们想象的要强大得多。
这是否意味着，我们可以定义一个新的复杂性类别，比如“可学习的自然系统”（LNS, Learnable Natural Systems）？这个类别里的问题，虽然理论上可能很难，但因为其源于自然，拥有可学习的结构，所以能够被AI在多项式时间内高效解决。
我们可能正不断地被经典计算机的能力所震惊。无论是AlphaFold 3对蛋白质与DNA/RNA相互作用的建模，还是AlphaGenome将基因编码与功能联系起来，AI似乎总能从看似无限的组合可能性中，找到那个可以被高效建模的核心。
连流体动力学都能“悟”出来？ 就连那些传统上被认为极难处理的非线性动力系统，比如涉及纳维-斯托克斯方程的流体动力学（想想天气预报的复杂计算），也可能并非无法攻克。
Hassabis兴奋地提到了Google的视频生成模型Veo。
“你看看Veo，它对液体、材质和镜面光照的模拟好得惊人。我最喜欢看那些生成的视频，比如液压机挤压装满透明液体的容器。我年轻时在游戏行业写过物理引擎和图形引擎，我知道从零开始编程实现这些效果有多么痛苦。但这些AI系统，仅仅通过观看YouTube视频，似乎就逆向工程出了物理规律。”
这背后发生了什么？AI很可能从海量视频中提取出了关于物质行为的某种底层结构，一个可以被学习的“低维流形”。如果这个猜想成立，那么我们所处的大部分现实，可能都存在这样的“捷径”等待被发现。
Veo与游戏世界：AI正在构建“世界模型” Veo对物理世界的直观理解，让许多人（包括Hassabis自己）都感到惊讶。这动摇了一个长期以来的观念：要理解物理世界，AI必须是一个能与世界互动的机器人（即所谓的“具身智能”）。
但Veo证明，通过被动观察，同样可以学到深刻的物理直觉，就像一个孩子通过观察来理解世界一样。它不一定能写出物理公式，但它“知道”物体应该如何运动、光线应该如何反射。
这不仅仅是为了生成酷炫的视频。当这种模拟变得足够逼真，并且能够实时交互时，我们就离Hassabis心中的“圣杯”——一个真正的世界模型——不远了。
这自然而然地引向了他最初的挚爱：电子游戏。
Hassabis在青少年时期就是一名出色的游戏AI设计师，他参与制作的《主题公园》（Theme Park）和《黑与白》（Black & White）等都是开放世界游戏的先驱。他一直梦想着创造一个真正自由的、由玩家和AI共同叙事的游戏。
在过去，这几乎是不可能的。开发者无法为玩家每一个可能的选择都预先创造好内容，所谓的“选择”往往只是假象。但现在，情况不同了。
“想象一个交互版的Veo，再把它快进五到十年。我们可能正处在一个新时代的风口浪尖上。AI系统将能够围绕你的想象力动态地创造内容，无论你选择做什么，它都能生成引人入胜的故事情节。这将是终极版的‘选择你自己的冒险’游戏。”
这是一种深度的个性化体验。你打开的每一扇门背后的世界，都是为你即时生成的，独一无二。对于像Hassabis和伊隆·马斯克这样的资深玩家来说，这无疑是终极梦想。Hassabis甚至开玩笑说，等AGI被安全地引导到世界之后，他的“退休”计划之一就是投身于物理理论，另一个就是用AI技术做一款这样的游戏。在他看来，这两件事是相通的——因为一个尽可能真实的模拟游戏，本身就是对“宇宙是什么”以及“P vs NP”这些终极问题的探索。
AGI之路：不只是扩大规模，还需要“品味”和“顿悟” Hassabis乐观地预测，我们有50%的可能在2030年前实现通用人工智能（AGI）。但他设定的标准非常高：AGI必须具备人类大脑那样的全面认知能力，而不是在某些方面超强、在另一些方面却漏洞百出的“锯齿状智能”。...