AI硬核访谈：对话诺奖得主、谷歌DeepMind CEO 德米斯·哈萨比斯

引言 本文是德米斯·哈萨比斯前天接受的HUGE栏目深度访谈，本文对访谈做了深度整理。原稿极长，为了意思连贯性文章文字有一些压缩，全文1万字左右。主持人功力很深，做了大量的前期准备，因此德米斯在访谈中深度回复了关于其过往项目，人生追求和对AI和人类未来的展望。并告诉大家，未来没有掌握AI技术并能运用的人将有巨大优势。

以下，ENJOY：

智力的定义显然存在某些未解之谜。如果人工智能真的发展到极致，它的极限到底在哪里？ “人工智能最理想的用途就是改善人类健康。这正是我一直在等待的时刻——一个能够做到其他任何系统都无法实现的事情的时刻。我希望利用人工智能这一工具，帮助我们理解周围现实的本质。”

说这段话的人，正是2024年诺贝尔化学奖得主、谷歌DeepMind的首席执行官——德米斯·哈萨比斯（Demis Hassabis）。

他是当今最重要的人物之一，而他所引领的，正迅速成为我们这一代人所经历的最大技术飞跃。人工智能对生活产生最深远影响的方式，往往不是那些供人娱乐的聊天机器人或图像生成工具，而是一些我们肉眼无法察觉的深层技术。这些工具被应用于药物设计、自然灾害检测，以及核聚变和量子计算等各个前沿领域。而正是哈萨比斯和他的团队在致力于研发这些能够改变世界的超级工具。前不久，他凭借其中一种“工具”将诺贝尔奖收入囊中。

因此，他是谁、他选择研究什么，对我们来说确实至关重要。作为一位天资极高的传奇人物，他在17岁时曾拒绝了一家游戏公司百万美元的邀约，选择去读大学，并在后来获得了认知神经科学的博士学位。随后，他创立了DeepMind这家公司。怀着“解决智能问题”的终极使命，这一切从让AI打电子游戏开始。后来，他将公司卖给了谷歌，正是因为谷歌承诺会让DeepMind长期专注于科学研究。但如今，人工智能领域的竞争已然成为近代史上最激烈的技术对决，德米斯现在负责的事情要多得多——谷歌在AI领域的核心举措几乎都由他主导。他做出的每一个决定，都在切实影响着数百万人的生活。

主持人通过这场特别的《大型对话》（Huge Conversations）栏目，带观众深入了解德米斯·哈萨比斯以及他所希望建构的未来。

第一部分：AlphaFold、科学理想与 AI 的民主化

主持人：感谢您抽出时间参与这次讨论。欢迎来到“大型对话”环节。非常感谢您的支持。

德米斯：能来到这里真是太棒了，我真的非常感激。

主持人：您应该已经知道，“大型对话”是一种与众不同的采访形式。我不会问您关于财务方面的问题，也不会询问您的管理风格，这些内容在其他地方已经有过详细讨论了。我希望在这次对话中，能以一种“解释说明”的方式来探讨这个话题，让我们共同创造这个过程。

我准备了一些辅助工具。实际上，这些积木并不是用来玩叠叠乐的，每一块代表一个项目或一个模型，我想谈谈它们之间是如何相互关联的。它们本应只是视觉辅助工具，但在准备过程中，我们开始用它们来玩叠叠乐，结果发现这比我原本计划的方式有趣多了。另外，我知道你们都喜欢玩游戏。

德米斯：是的，我热爱游戏，所以这很好。

主持人：完美。我希望通过这次对话，共同制定这份解释性文件，帮助人们真正了解当前人工智能的发展状况，以及你预见的人工智能未来是什么样的。你希望通过这次对话达成什么目标呢？

德米斯：30 多年前我投身人工智能研究，很大程度上是为了推动科学和医学的发展。我一直认为，人工智能有可能成为实现这些目标的终极工具。我一直持有这样的信念，所以希望今天能讨论这个话题。实际上，这确实是我热衷于探索的方向——究竟该将人工智能应用于哪些领域，尽管它当然可以应用于很多方面。

主持人：这一定会非常有趣。在我们玩的这个“叠叠乐”游戏中，有很多积木都是大家耳熟能详的，比如这个“双子座（Gemini）”。但我认为，人工智能真正对人们生活产生深远影响的方式，往往是在大多数时候人们都察觉不到的。首先，我想谈谈你们因之获得诺贝尔奖的项目——AlphaFold。我想详细讲述 AlphaFold 的故事，其中充满了许多戏剧性情节，因为可能有些人还不了解这个故事。随后，我想尽快切入这类科学领域的最前沿话题。为什么在众多问题中，你们会选择解决这个问题呢？

德米斯：其实我在剑桥读本科时就遇到了这个问题。我有很多生物学家朋友，其中有一位对这个问题特别着迷。

所谓的“蛋白质折叠问题”，是指蛋白质是你体内一切生理活动所依赖的基础，它们使生物学和生命得以存在。而它们之所以重要，就在于其三维结构。在体内，这些蛋白质会折叠成三维结构，正是这种结构决定了（或者部分决定了）蛋白质的具体功能。

所以，蛋白质折叠问题实际上是：能否仅仅通过一维的氨基酸序列来预测这种三维结构？这是科学界长达 50 年的重大挑战。我热爱挑战和解谜，因此无法抗拒这个科学难题。从某种角度来看，这可以被认为相当于生物学领域的“费马最后定理”。当我第一次接触到它时，我就认为这类问题有朝一日很适合用人工智能来解决，尽管在 90 年代末，我们还没有任何可以实现这一目标的 AI 技术。但我当时认为未来这是可能的，最终这也成为了现实。

(选择大于努力，志存高远决定了未来的事业高度)

最后一点是，如果能够破解这个难题，它将会带来巨大的影响，因为这会打开诸多下游领域的研究大门，尤其是在药物发现和理解疾病方面。我认为将 AI 应用于提升人类健康水平，是其最重要的应用方向。

这对人类健康意义重大。因为迄今为止，为了研发新药物，我们必须投入数十万美元的资金和数年的心血。人类为了探究单一蛋白质的结构，需要采用向其照射 X 射线的结晶方法，这既缓慢又昂贵。虽然我在这里省略了团队付出的巨大努力，但你提出问题的方式已经让所有人意识到：你们确实解决了这个问题。

主持人：就在那一刻，你会意识到成果具有巨大的实用价值，你们解决了当时被视为现代医学中最重要的未解难题之一。现在是 2021 年，你正在参加一场会议，庆幸这次会议配备了摄像头，记录下了我见过最令人惊叹的时刻之一。

当时你在和团队讨论建立一个系统，让科学家像访问网站一样提交特定蛋白质的请求，然后获得折叠好的结构。但随后有人提出了完全不同的想法，你能讲讲具体发生了什么吗？你的反应实在令人难以置信，我很想知道你当时在想什么。

德米斯：是的。很有意思的是，摄像机正好拍到了那次特别的会议。通常情况下，这类预测模型的传统做法是搭建服务器，其他科学家将蛋白质序列发给你，然后你说：“我对这种蛋白质感兴趣，你能把预测结构发给我吗？”过去 40 多年，整个领域一直都是这样操作的，原因在于大多数预测算法的速度非常慢，可能需要花费几天时间。

但就在那次会议上，我意识到，不仅仅是我们可以快速折叠这些蛋白质，关键在于预测的准度和速度。我当时正在做快速估算：科学界目前已知的、自然界中存在的这类蛋白质大概有 2 亿个，我们需要多少台计算机、耗费多少时间来处理？如果每 10 秒钟就能折叠一个蛋白质，我当时在手机上捣咕，发现一年之内就有可能完成这项任务。

(天才的思维模式：挑战旧模式，重建新模式并计算可行性后开始验证)

那么，为什么还要耗费精力去建造服务器、接收邮件、处理客户信息呢？我们为什么不直接把所有已知的蛋白质全部折叠出来，不论任何人想要什么信息，我们都提前收集好，然后免费存放到数据库里，供全世界的科学家使用？

所以突然间，我意识到：我们就应该直接这么做。相比于维护服务器，这样做明显更好，为什么不立刻开始呢？

主持人：你的反应大概是：“我们为什么不干脆这么做呢？”然后你们就真的去做了。突然之间，原本如此困难的事情变得轻松快捷了。现在全世界的科研人员都在使用 AlphaFold，这个长期未解决的难题如今已被破解。是否可以这么说：我们现在几乎已经预测出了所有已知蛋白质的结构？

德米斯：是的，而且我们还在不断更新。每次当有人从海洋采集样本并进行基因测序时，测序技术已经取得了量级进步，人类基因组已被测序。当时的问题在于寻找三维结构的时间太长，技术远落后于基因测序。

现在借助 AlphaFold 2，我们终于能跟上研究进展。如果有来自新型生物的百万条新基因序列，我们就能立刻给出相关的结构图。欧洲生物信息学研究所有一个团队专门负责此事，每年都会更新，始终处于科研最前沿。

主持人：这确实非常神奇。对于研究小麦等复杂植物，或者研究那些主要影响发展中国家的被忽视疾病（如疟疾、查加斯病）的科研人员来说，这真是一个福音。因为大型制药公司由于利润空间小往往不愿投入，而你们向其提供蛋白质结构信息，让他们能直接进入药物研发阶段。

如今有超过三百万名科学家（几乎所有的生物学家）在使用 AlphaFold。有一位制药公司的科学家甚至告诉我，从现在开始研发的几乎所有药物，其过程中很可能都运用了 AlphaFold 技术。这确实令人震惊。

德米斯：确实，虽然药物研发仍需要时间（基础生物学研究需要先确定针对哪种蛋白质），但目前已有药物进入临床试验阶段。几年后，我们将看到会有数十种药物得益于这项技术。

AlphaFold 帮助发现了核孔复合体等巨大的蛋白质结构，它是人体内最大的蛋白质之一，控制细胞核的开口与闭合，像一个巨大的通道。过去因为结构太庞大复杂，很难将其结晶化观察。在 AlphaFold 发布后的半年到一年内，科研团队结合实验数据，终于弄清了这个精妙的门户蛋白形状。

我们还成立了 Isomorphic Labs，致力于在 AlphaFold 基础上进一步加速药物发现过程。平均来说，研发一种新药需要 10 年，成本高昂且失败率极高（约 90% 的药物无法通过临床研究）。我们认为改善人类健康必须做出改进，方法就是运用计算机模拟技术。了解蛋白质结构只是第一步，还需要大量化学研究来设计能与蛋白质结合、且不产生毒副作用的化合物。Isomorphic 的目标就是构建这些相互关联的系统，通过 AlphaFold 3、AlphaFold 4 等技术，最终制造出高效且低副作用的药物。目前我们正开展约 18 到 19 个不同的药物研发项目，涵盖心血管、癌症、免疫学等领域。

主持人：你挑选了一些前沿科技的例子。请介绍一下这里的最新进展。

德米斯：好的。我们正在开发许多可以互相搭配使用的组件。AlphaFold解决了蛋白质的结构问题。假设你知道了蛋白质的关键部位和功能，你想抑制某种蛋白质的活性或增强它，就必须知道其表面的结合点。你需要寻找能精确附着的化学化合物，更重要的是，它必须只与目标结合，不与人体内其他 20,000 种蛋白质反应，否则会产生严重的副作用。

我们通过 AI 系统筛选这些化合物，并预测结合强度。我们能在几分钟内验证该化合物与人体内其他所有蛋白质的结合情况，然后不断改进，使其对目标作用更强、对其他部分副作用更小。这是一种“干实验”模拟，效率极高。只有到了最后阶段，才在湿实验室中进行验证。

主持人：我特别喜欢“AlphaGenome（阿尔法基因组）”这个工具。我联系了詹妮弗·杜德纳博士（Jennifer Doudna，CRISPR 技术奠基人），她提出了一个问题：虽然 CRISPR 能编辑 DNA，但对于大多数遗传性疾病，我们并不清楚 DNA 的具体变化（特别是占基因组 98% 的非编码区）。AlphaGenome 已经开始解析这部分内容，我们距离 AI 能可靠指出患者发病原因并指导 CRISPR 治疗还有多远？

德米斯：杜德纳博士的问题棒极了，我之前也和她讨论过。AlphaGenome系统能处理长基因序列，并预测特定突变是引发疾病的有害突变，还是无害的良性突变。目前我们的AlphaGenome 是全球最先进的预测系统。

未来版本的精确度足以实现精细分类，例如了解特定突变的组合效应。对于复杂的多基因疾病，AI能够协助检测突变链式反应。将 AlphaGenome 与CRISPR 技术结合使用，将会产生极其强大的效果，希望有朝一日能与她携手开展研究。

主持人：去年你在《卫报》上说过：“如果由我来做决定，我肯定会让人工智能技术在实验室里得到更长时间的发展。”最初你带着 DeepMind 致力于解构智能，为了专注科研而卖给谷歌。然而当 ChatGPT 出现时，谷歌采取了紧急措施，让你负责领导谷歌所有 AI 工作，包括消费者产品。你在这场巨变中收获了什么，又失去了什么？

德米斯：你描述得很准确。对我来说，AI 的最佳应用方向始终是改善人类健康和加速科学发现。我投身 AI 是因为对现实的本质、意识的本质等重大问题感兴趣，我们需要工具来辅助科学家处理海量数据。

AlphaFold 是第一个重大成果。鉴于通用人工智能（AGI）的重要性，它可能是人类历史上最具变革意义的事情。我理想的处理方式是在后期建造阶段保持非常谨慎、精确和严谨的科学方法，像 CERN 那样由最优秀的科学家合作，确保每一步都被充分理解。这可能需要十年甚至二十年，但我觉得是合理的。

我的另一个想法是，我们不必等到 AGI 出现就能享受 AI 的好处。我们可以使用像 AlphaFold 这样专业的、功能特定的狭义 AI 系统（Narrow AI），人类通过它们可以获得治愈癌症、新能源或新材料等成果。

但现实并没有按理想路径发展，因为技术的演进总是难以预测。语言问题的解决比我们所有乐观派预想的都要容易。我谷歌同事发明的 Transformers 技术，加上强化学习，已经足以解决语言处理问题。随后OpenAI 发布了 ChatGPT，这种技术传播的速度超出了所有人的预料。当我们研发这项技术时，因为与它太接近，我们非常清楚它的缺陷（如幻觉），但没预料到公众能如此广泛地接受这些尚不完善的能力。

主持人：现在处于这种激烈的商业竞争和地缘政治压力中。

德米斯：是的，这种压力迫使人们加快速度。好处是进展确实变得飞快，且技术走向了民主化，每个人都能体验最先进的 AI。坏处则是原本我梦想中的那种深入思考、审慎规划的“实验室模式”不复存在了。但我首先是一个科学家，同时也是一个务实的工程师。我们必须按现实世界的状况应对问题，尽力承担起责任，在应用 Gemini 和 AlphaFold 这样强大的技术时更是如此。

第二部分：从棋局到现实：创造力、安全性与 AI 的极限

主持人：理解这一切需要讲述一个关于人工智能的故事，关于创意的产生。让我们回到 2016 年 3 月 10 日，那是一个非常重要的日子。围棋玩家们坐下来与自己设计的系统对战。围棋非常有趣，因为它的潜在走法比宇宙中的原子还要多。你们的系统做出了一个如此出人意料的举动，人类几乎不可能想出像“第 37 手”这样的走法。

当你看到李世石坐在那里时，他的脸上写满了震惊，他双手抱头，显得十分沮丧。正是在那一刻，我认为像你这样的人预见了未来人工智能系统具备的创造力。有一类任务是提供大量数据进行预测，另一类则是只提供规则让系统执行，涉及数学、物理或围棋。这些领域为创造力提供了机会。在那一刻，你在哪里？你预见的未来道路是什么？

德米斯：是的，你描述的那个时刻确实令人难忘。事实上，那感觉已经过去了一个世纪，但在很多方面确实意义重大。那是现代人工智能时代的黎明。在此之前，许多 AI 程序在国际象棋中确实能击败冠军，但那是借助“专家系统”实现的。那是程序员与大师合作，将经验提炼成规则和启发式算法，通过暴力计算运行（如IBM 的深蓝）。

但我当时对那种方式并不满意。深蓝虽然在国际象棋领域达到了冠军水平，但它无法做其他任何事情，甚至连井字游戏都不会玩。关于智力的定义显然存在问题：没有任何人类国际象棋大师会不知道如何学习下井字游戏，因为它的规则简单得多。因此，旧系统的泛化能力有问题，它并没有真正学习，只是得到了答案。

深蓝的智能源自程序员和大师，他们解决了问题并将方案付诸实践，程序只是机械地执行。而围棋是人类发明最复杂、最古老的游戏，美感十足。在亚洲，围棋占据了极高的智力地位，它更直观，简直像一场艺术游戏，只需按照美观的图案操作就能产生强大的效果。这种游戏带有一种神秘色彩，古人甚至通过它来阐释宇宙的奥秘。

如你所说，围棋可能的落点数量高达 10 的 170 次方。这意味着无法通过暴力计算破解，且其规则玄妙，很难简化成机器遵循的形式。围棋大师会说“这样做感觉是对的”，而国际象棋大师会说“我下这步是因为我在计算”。要让系统获得那种“直觉”显然非常困难。

所以我认为这是一个完美的试验场。在 DeepMind 早期，我们尝试开发深度强化学习系统，能否让系统完全通过实践经验自我学习？在 AlphaGo 的案例中，它最初通过分析人类棋局开始学习，但随后我们加入了蒙特卡洛树搜索算法。也就是说，它从人类已知规则出发，但最终走出了这些已知范畴。

那场有 2 亿观众关注的比赛正是这一历程的证明。全世界都知道我们赢了，但更重要的是那记著名的“第 37 手”。那是发生在棋盘第五行的一个动作，在围棋中这种下法通常被严格禁止，大师会认为那是失败的招式。但事实上，两百步之后，人们才恍然大悟：正是那不可思议的一步，奠定了最终的胜利结局。这绝不仅是赢下一场比赛的问题，更代表了学习系统能够自主超越人类灌输的常识，找出从未存在过的创新解法。

对我来说，那是验证学习系统能够建立实际成果的关键时刻。人类探索智能极限的最后前沿——击败围棋世界冠军，不仅赢了比赛，还凭借创新理念赢了。这标志着我们可以开始将这种逻辑纳入科学研究。如果能构建这样的系统，它或许就能解决现实问题，在核聚变、矩阵乘法或芯片设计中寻找最优解。

(通过围棋验证了智能和通用性：人类将AI智能应用到科研和行业的开始)

主持人：能请您介绍一下这里的最新技术吗？“第 37 手”式的创新设计在这些产品中是如何体现的？

德米斯：AlphaZero 非常值得探讨。它在 AlphaGo 获胜后更进一步。AlphaGo 还需要人类对局数据，而 AlphaZero 则是从零开始。虽然它拥有神经网络和学习系统，但我们不提供任何特定领域的知识，只给规则。

AlphaZero 最初完全随机落子，效果很差。但它通过与自身进行 10 万场对抗生成数据集，判断哪些走法导致胜利。它经历 16 到 17 代的迭代演化：早上是随机的，午餐时间能达到大师水平，晚餐时间就已经比世界冠军还要强了。

它还运用了一些非常新颖的策略，连传统的国际象棋电脑都难以招架。AlphaZero 实际上是思路的全面升级：将模型（世界模型）与搜索、思考、推理的能力相结合。我们现在不再将其仅用于狭义的游戏领域，而是应用于整个世界——比如材料设计、芯片设计和量子计算机。

人工智能确实是一种通用的工具。例如在设计新型材料时，能否超越现有知识局限？AlphaTensor就发现了一种进行矩阵乘法的新算法。矩阵乘法是神经网络的基础，如果速度能提高 5%，节省的训练成本将是天文数字。

又比如芯片在晶圆上的布局设计，这是一个 NP 难问题。AlphaChip 在某些情况下甚至比人类芯片设计师更有效率。我们才刚刚触及表面。在未来几年，当这些系统与 AlphaGo 的思维方式相结合，AlphaZero 的模式将会卷土重来。我对这类 AI 感到无比乐观。

第三部分：面对未知的未来，人类究竟特别在哪里？

主持人：我也欣赏你的乐观。但有些事情可能会出错，我们需要预防。我在这里补充一块代表实时战争游戏的积木。有些工程师会为系统彻底击败人类而欢呼，但作为一个旁观者，我会担心军队和政府使用 AI 的情况。如果可以施展魔法，你希望人们用 AI 来做什么？

德米斯：我认为各国政府应该使用人工智能。**。我希望 AI 能改善公共卫生、教育和效率。有些国家如新加坡和阿联酋已经在积极探索。我非常希望看到它被用于能源领域，比如优化能源电网——我们在数据中心采用这种做法，为冷却系统节省了 30% 能耗。

当然，地缘政治形势非常复杂。这些技术是双用途的。有两点确实需要关注：第一是不良行为者的存在（无论是个人还是其他主体），利用这些技术用于有害目的。第二是 AI 本身失控或偏离正轨。

随着能力增强——特别是未来两三年的“智能体时代”，系统将具备独立完成全部任务的能力。我们当然希望它们能作为助理发挥作用，但也意味着它们具备了自主性。作为前沿实验室，我们如何确保它们严格按照要求行动？设置防护措施，确保它们不会无意中突破界限，这是一个极其艰巨的技术挑战。虽然这些被称为“中期问题”，但在我看来，未来三四年内这些才是最大的问题。

(AI产生了很多无法预见的问题)

主持人：大家在担心些什么？有哪些关键因素是被忽视的？

德米斯：即使是专家也可能忽视这两点。此外还有迫在眉睫的深度伪造、虚假信息问题。我们正在研发“SynthID”水印技术，它利用 AI 在生成的图像、语音中进行数字化水印处理。我建议所有公司都应将此类检测技术纳入生成式 AI 中。虽然这相对于重大安全问题是个小问题，但依然值得关注。

主持人：你认为有哪些事情是人工智能无法做到的，而人类却可以？你曾说这是人生中最重要的核心问题。

德米斯：是的。这与科学思考方式有关。图灵提出了图灵机，任何算法内容机器都能计算。我认为我们构建的系统（以及我作为神经科学家认为的大脑）本质上都是近似版的图灵机。

目前的争论在于，大脑中是否存在某种量子效应？虽然目前神经科学尚未在大脑中发现量子效应，但不排除未来会发现。看来大脑的大多数活动属于典型的计算过程。

目前尚不清楚 AI 最终能模仿到什么程度。但我认为这关乎意识。意识很难定义，但我们能直觉理解它的存在。在构建智能机器的过程中，这几乎是对人类思维进行的对照研究，我希望能以此有所发现。关于创造力，我认为 AI 最终也能做到。但我会保持开放态度，寻找人类为何与众不同的原因。

主持人：人类似乎总是追求处于中心地位：觉得自己特殊，觉得只有人类有情感共鸣，后来发现大象也会举行葬礼；觉得只有人类能创作艺术，后来 Gemini 也能做到。对于你描述的未来，我的反应是：我们确实是特殊的。

主持人：这带来了一个终极问题，也是您觉得最核心的问题：面对几乎无所不能的智能机器，如果有一天连创造力、逻辑推理都由AI掌握了，那人类究竟凭什么还能在宇宙中感到自身存在的独特？

德米斯：我从小喜欢物理，物理是研究重大根本问题的。但到了青少年时期，读了费曼等科学家的传记，我意识到虽然我们对世界了解了很多，但仍有许多未知事物，我们根本不知道现在是什么时间，这简直太离谱了。就是我们身处其中，但究竟这是什么呢？当然，这跟熵原理之类的东西有关。但实际上，它并没有什么令人满意的地方。我们还有很多量子效应都不理解以及重力、意识这些概念…… 总之，几乎所有我们关心的事情都与之相关。大多数人通过看电视、游戏来分散注意力，这些深层的谜团一直在我脑海中回荡。

我认为自己还是相当开放和包容的，总在思考那些答案最终会是什么。对于这里发生的一切都持这种态度，现实的本质……我认为，这最终才是我追求的目标。我想把人工智能作为一种工具来使用，帮助我们理解周围现实的本质。我对此相当乐观。在这个意义上，我想我确实算得上是一名真正的科学家。我其实并没有什么预先设定的概念，理解答案应该是什么，我只是想知道答案而已。

(真情流露：底层动力就是对世界的强烈的好奇心)

主持人：我知道你是个科幻迷。你能给我讲讲这部科幻电影的剧情吗？

德米斯：我最喜欢的系列之一是伊恩·班克斯写的《文化》系列，我觉得这个系列真的描绘出了非常有趣的世界：后AGI时代。他并没有将其称为AGI，但本质上就是如此。它所描述的是一千年后的未来。但我认为，即便50年后，其中一些事情仍有可能发生。在我们成功度过了通用人工智能（AGI）的发展阶段之后，当它被创造出来时，确实会对社会产生巨大的益处。而现在它正在逐步实现，也许不久后我们真的能够拥有它，甚至将其放在我们的口袋里。

目前，我们已经利用 AI 破解了其中一些我称之为科学领域中的“根节点问题”，AlphaFold 就是其中的典型例子。如果从整个科学体系的角度来看，这些都是决定性的根本问题。一旦能够破解，将会开启一系列全新的研究方向和应用领域。

我认为还有其他领域也至关重要，比如我们简要提到的核聚变。或者更理想的办法是：在常压条件下实现室温超导，然后将其与最优电池等技术结合起来。我相信能源问题最终会得到解决。总之，无论是通过核聚变还是更高效的太阳能技术，人类最终都能获得几乎免费、可再生且清洁的能源。到了那个阶段，我们就真正能够遨游星际了。埃隆·马斯克在 SpaceX 等项目中取得了卓越的成就，但目前探索太空主要的成本来源依然是能源，即火箭燃料。如果我们能制造出近乎无限的燃料，火箭成本将不再是限制。关于资源利用，既然我们已经成功实现了核聚变技术，那么建造相关的催化剂生产设施也是完全可行的。如果在各地都推行海水淡化，人类将拥有更广阔的发展空间。同时，我们能够获取更多的资源，比如去开采小行星上的物质。

我认为在未来 50 年的时间里，那些曾经属于科幻范畴的事物将会变得非常可信。比如围绕太阳建造戴森球，水星的位置和物质构成其实就相当理想。如果你思考宇宙中正在发生的一切，这确实是不可思议的。

而这一切，最终都应该用于促进人类的最大发展与繁荣。我们能治愈那些可怕的疾病，让人们活得更长、更健康，去探索星辰，将人类的意识传播到整个银河系。我认为那将会是一个惊人的成就，而且完全有可能在接下来的 50 年内实现。

主持人（一脸认真）：我相信你。你说这些话的时候，我真心相信你。

德米斯：至少，这就是我正在努力做的事情。

主持人：是的。这是我的最后一个问题。如果我能成为自己葬礼上的旁观者，当人们评价这一生时，我希望（我的）家人和朋友会说她一生都在为此努力：帮助人们看到一个充满希望的未来，并贡献力量使这些未来能够更快、更好地惠及更多人。人们是否会采取行动，往往取决于他们所看到的景象。所以，我最后想问的是：你希望别人未来如何评价你？

德米斯：我真心希望他们能说，我的一生确实为他人、为全人类带来了帮助与贡献。我认为，这正是我想要实现的目标，也是最好的结果。

主持人：非常感谢您抽出时间与我们交流。谢谢（Thank you）。

————————————————————————

尾声：互动花絮、具体项目与未来寄语

两人开始玩积木

主持人：如果你想玩积木游戏，我们这里有“深脑版积木”哦。你刚才做得非常出色，真的太棒了。看到这么多刻着项目名称的砖块，真的觉得不可思议。你记住了每一块砖的位置吗？

德米斯：嗯，好的。这个游戏就是你把它拿出来，然后我们就开始玩。其实和你一起玩有点不公平，因为你必须能说明那个项目到底是什么，如果弄错了就是不理解它的含义。

主持人：哦，天哪。比如这一块，它应该属于材料科学领域。确实对你不太公平，我希望能赢下这个游戏，虽然你玩叠叠乐的技术可能比我好得多。让我看看这一块叫什么……给你。

德米斯：好吧，这是“AlphaCode（阿尔法代码）”。

主持人：那个很简单，叫“积木网络（Block-wise）”。是的，那个表述更清晰一些，就像《代码力量（Codeforces）》那样。

德米斯：是的。

主持人：这一块属于遗传学范畴，但是那 2% 负责编码蛋白质的部分呢？

德米斯：是的，我们现在就必须行动。我现在有时间，可以把下一个问题延迟一下。

主持人：太棒了！等等，我还有一个问题。你认识“AlphaEvolve”吗？

德米斯：AlphaEvolve 正在编程中。对，我们可以用它来编写代码。这就是将遗传算法与 Gemini 结合在一起使用，也是尝试运用 AlphaGo 的思路来解决超出已知范围问题的一种方法。

主持人（继续提问）：好吧，只要你们还在，我就继续问。既然没什么理由不继续，我们再聊两句？

德米斯：显然是的。

主持人：我还有什么没问到的？你认为有哪些事情是人们必须了解的？

德米斯：其实我们已经讨论了很多内容。比如“Gencast”，这是关于天气预报的，我们刚才确实没提到。还有通过 AI 解决“纳维-斯托克斯方程”，我刚才几乎忘了自己之前做过那件事了，解决那一整套复杂的物理难题确实挺麻烦。

其中一个有趣的内容就是“模拟实验（Simulation）”。我们并没有过多讨论“精细模拟（Genie）”在其中的意义。当然，DQN 开启了这一切（比如 Atari 相关的实验）。通过模拟实验可以帮助理解某些科学领域，甚至包括社会科学领域（如经济学）。那些实验在现实中非常难以运行，成本极高，或者无法进行受控实验。我一直以来都非常喜欢模拟游戏。

主持人：我觉得我们俩都很有竞争意识，所以这个积木游戏会相当严肃。通常来说，规则是你触碰了哪一块就必须移动它，对吧？

德米斯：我们这次可以采用较为宽松的规则，简单版本就行。而且因为我们在做一件有创意的事情，我们可以把它们放在一起，甚至可以用双操作。

主持人：好，平时是不允许双手的。我就拿这个 AlphaCode 来“作弊”一次。我认为人们会向你提出的一个问题是：作为 Gemini 的拥趸，大家对你所描述的未来前景和担忧都非常感怀。通常看完这段对话后，他们会思考：我该如何参与到这个未来中？我该如何发现代码中的漏洞？你会如何建议他们参与进来？

德米斯：当我在大学演讲时，我会说，对于学生和学校来说，必须顺着趋势前行。我会建议尽可能地去运用所有可用的工具，那种感觉就像拥有了超能力一般神奇。利用这些工具和能力，你会变得无比强大。

即使是在那些前沿的前景模型（Frontier Models）如 Gemini 中，我们也只能探索到极小一部分的应用可能。还有许多未被发掘的场景，人们可以用这些技术创造出各种应用。我认为，技术能力与实际应用之间的差距正在变得越来越大。

随着这些酷炫的技术和最新的模型发布节奏越来越快，对于那些真正精通这些技术并了解如何将工具应用于新领域的人来说，机会的空间是无比巨大的。所以我认为现在的孩子就应该开始尝试，以某种前人没想到的新方式使用这些工具。

主持人：我记得 2016 年的时候，你的黑板上贴着一张便利贴，写着：“解决蛋白质折叠问题”，后面还画了一个微笑表情。现在你的黑板上贴着什么呢？

德米斯：噢，天哪……我的桌子上堆了大约一百张便利贴。上面写着类似“AlphaChip（阿尔法芯片设计）”之类的内容。其实我也记不太清了，那会是一个包含大约 30 项任务的清单，而且必须在今晚之前完成，所以我最好还是尽快去处理它们。

（好记性和烂笔头，顶级科学家依然使用便利贴提醒自己）

主持人：太棒了。你真的还想再试一次（积木）吗？我会一直陪你玩到你停下来为止。

德米斯：好吧，我再尝试一次。但现在我们有点在“作弊”了，在用已经松动的材料。我要争取在最后一次尝试中做得更好。如果我成功了，我就再回答一个问题。

主持人：。。天哪，这要怎么保持平衡？不行，绝对不会成功的……不！（积木倒了）