像爱因斯坦一样提问？诺奖得主Demis谈大模型下一关

（来源：图灵人工智能）

编辑 | 大石

“AI的下一个突破点，不是给出更复杂的答案，而是主动提出有价值的问题。”

“长上下文并不能实现持久智能，智能体需要记忆、巩固与防止遗忘。”

“未来十年，几乎每个人都能触及最先进的技术能力。”

DeepMind CEO、诺贝尔奖得主Demis Hassabis最新深度访谈内容正式发布。

这场对话值得所有关注AI方向的人逐字研读。

因为它讨论的核心，已不再纠结于某个模型新增了多少功能，而是直击AI发展中最难啃的几大命题：提问能力、记忆机制、物理世界理解、复杂推理，以及如何将这些能力嵌入开发者与企业的实际工作流。

过去两年，AI行业疯狂比拼参数规模、价格战、长文本长度、多模态能力以及代码生成水平。

但这位诺奖得主在访谈中反复强调的焦点，是AI能否像科学家那样提出好问题，能否在长期任务中积累经验，能否理解现实世界的物理规则，能否帮助人类提前推演决策的潜在后果。

简而言之，所有线索都在指向AI进化的下一条主线。

以下是基于访谈整理的核心要点。

大模型已能熟练答题，下一阶段要学会提问

主持人：很多年前，多数人并不相信AI这条路走得通。你当时有什么独特的想法，让你愿意那么早就投身其中？

Demis：坦诚讲，我一直觉得AI是一个值得用一辈子去研究的问题，它足够迷人。小时候我就渴望理解那些关于现实本质、意识本质的重大命题。它们明明摆在眼前，但哪怕最顶尖的科学家，在这些问题上也没能取得突破性进展。所以我意识到，我们可能需要一件神奇的工具来辅助。对我来说，这个工具先是计算机，后来变成人工智能。这也是我走上这条路的根本原因——构建AI来辅助人类推动科学发现。

主持人：你之前提到，如果能构建出通用人工智能（AGI），或许就能更好地理解人脑与AI大脑之间的差异。到目前为止，你认为最关键的区别是什么？

Demis：意识、智能、创造力究竟是什么，这些问题极具吸引力。我们通过神经科学、功能性磁共振成像（fMRI）以及动物和人类大脑研究，确实取得了一些进展——我读博士也是为了研究这些。但困难在于，我们缺少一个真正的参照系统。如果有一个系统具备智能却没有意识，我们就可以拿它与人脑进行对比。AI也可以成为神经科学研究的得力工具。构建AGI并剖析其工作机制，可能是解开人类思维奥秘的最佳途径之一。

AGI的终极拷问：AI能否像爱因斯坦一样思考

主持人：AGI这个词现在火得一塌糊涂。你怎么定义AGI？为什么它如此重要？

Demis：我一直用神经科学的类比来理解。人脑是我们目前唯一拥有的通用智能存在证明。我们知道这条路可行，因为人类凭借智慧创造了现代文明，包括科学、技术和艺术。人类大脑具备极强的通用能力与环境适应力——我们既能适应新技术，也能发明新技术。所以我主张将AGI的评判标准设得非常高。仅仅能完成一些有经济价值的任务，还不足以让我确信它具备了真正的通用智能。

主持人：那你会用什么测试来验证？

Demis：我经常提一个类似“爱因斯坦测试”的思路。用1901年以前的知识库去训练一个系统，然后看它能否像爱因斯坦在1905年那样提出狭义相对论。如果它能做到，我们就可以把这种能力应用到今天的物理学上——比如让它提出弦理论的新扩展，或者给出关于暗物质的新假设。当然，任何理论都需要大量时间和实验来验证。但即便只是提出有价值的猜想，也已经非常了不起。在科学领域，最难的事情就是提出正确的问题。

主持人：所以真正的创造力，与提出问题的能力直接相关？

Demis：没错。我所说的真正创造力，是指能否产生真正新颖的、跳跃式的进展，而不是停留在渐进式的改进上。AlphaGo是一个典型案例。它在第二局第37手走出了人类围棋历史上极其罕见的策略，彻底改变了围棋的下法。围棋有几千年的历史，AlphaGo仍然能发现新的策略，这已经很惊人。但这还不够。我真正期望的是，未来版本的AlphaGo能够发明一款像围棋一样深刻、复杂且优雅的游戏。今天的系统还做不到这一点，但我认为未来可以实现。

智能体的下一个胜负手，在于“睡眠”机制

主持人：人类有时遇到难题，睡一觉醒来突然就想明白了。AI需不需要类似的“睡眠模式”？

Demis：我认为这个类比很有道理。大脑睡眠研究已经显示，人在睡眠期间会执行多项关键活动，比如记忆重放。白天经历的事情，会在睡眠中被重新处理，新知识会被整合进已有的知识体系。很多时候，人一觉醒来会突然意识到问题已经解决。

主持人：这对AI有什么启发？

Demis：我认为AI可能也需要类似的“睡眠”或“巩固”机制。关键在于，在大量输入的数据中，真正有价值的信息只占极小比例。把所有资料都塞进长文本窗口是一种低效的做法。真正重要的，是如何提取出有用的信息，将其整合进已有知识中，同时又不覆盖原有知识。

看懂视频还不够，模型必须学会理解世界

主持人：现在一些模型可以通过视频理解世界，比如物体运动、场景变化。你怎么看这种能力？

Demis：这确实令人惊叹。你给模型看的视频越多，它的表现就越强。Gemini从一开始就采用多模态设计，这一点至关重要。这些模型可以理解场景、给物体贴标签，也开始展现出某种直观的物理直觉。目前我们正在建立物理学方面的基准测试，看看未来版本在弹珠轨道、下落、重力这类任务上到底表现如何。

这里有一个行业争议值得展开说明。

模型通过视频学到“看起来合理”的运动规律，与真正具备世界模型，仍然是两码事。前者更像从海量视觉数据中学习到的统计规律，后者要求模型能稳定地推演因果、空间、时间、材料属性以及交互结果。Demis提到要建立物理学基准测试，说明这个能力还需要被严格量化测量。多模态模型要继续前进，不能只满足于生成画面，更要能解释世界是如何运转的。

复杂模拟系统，将成为AI的新战场

主持人：你研究过AI的记忆和想象力，也做过游戏。模拟对AI有多重要？

Demis：我们已经可以模拟天气，也能在一定程度上模拟生物学过程。未来，我相信我们会更好地模拟生物学。我非常喜欢“虚拟细胞”这个构想。如果能足够精确地模拟一个细胞，就可以在里面做虚拟实验，并得到有用的信息。材料科学也是类似方向。甚至有一天，经济学也可能需要模拟。模拟将成为我们生活中极其重要的一部分。

主持人：为什么？

Demis：如果你想理解复杂的涌现系统，比如生物学或经济学，就需要大量数据来辅助决策。例如，对某种疾病进行干预，或者把利率提高0.5个百分点后，经济会变成什么样。在现实世界里，你没法轻松地重复大量对照实验。模拟有点像蒙特卡洛方法——先模拟很多步骤和计划，再把结果汇总。对于天气、经济、生物学这些复杂系统来说，如果能做大量精确的模拟，这大概就是最优解。

主持人：现在可以模拟经济吗？

Demis：我不认为现在可以。经济学可能是最复杂的涌现系统之一，因为它涉及人类、公司、国家和大量的互动。人类本身就很复杂，公司也像是一种组织体。据我所知，目前还没有人真正做到这一点，但未来AI也许可以学会。

主持人：如果拥有无限的计算能力，并输入世界上所有的信息，我们能不能预测未来？

Demis：也许你可以预测某个决策的结果，这具有极高的价值。今天很多宏观决策要过好几年才能看到效果。例如五年后才发现。在现实世界里，反事实推理极其困难。如果拥有非常精确的模拟器，或许能极大改善这一局面。

这部分内容具有很强的现实指导意义：

AI现在大量用于客服、文案、代码和知识库。再往下走，它会进入公司更核心的判断链路——定价、库存、财务、研发排期、供应链、风险控制。它需要接入数据、流程、权限和工具，帮助人模拟推演一个选择可能带来的后果。

当AI像空气一样普及，个人能力排序将被重构

主持人：如果我们穿越到2050年，你希望那个世界是什么样？

Demis：2050年非常遥远，考虑到科技的发展速度，这是很远的未来。但我希望到那个时候，我们已经拥有AGI，并且人类安全地跨过了这道门槛。我希望我们已经找到一种方式，让经济发展带来的收益被更广泛地分享。这能带来更多的资源和更高的生产力，也许我们会进入一个后稀缺时代。对我而言，下一步是人类走向星辰大海。到2050年，我们也许已经可以在木星的一颗卫星上做采访，建造戴森球，真正开启人类文明的下一个阶段。

主持人：回到更近的未来，未来十年会发生什么？

Demis：未来十年，几乎每个人都能接触到最尖端的技术，而且可能只比前沿实验室慢几个月。下一代会成为人工智能的原生代。他们会在AI环境中成长，我很期待看到他们将如何利用这些工具创造属于自己的超能力。以前需要10人、20人、30人、50人团队才能完成的事情，一个人借助这些工具也许就能搞定。变化和动荡会很多，但对那些有想象力、有创造力，并且能充分利用新工具的人来说，也意味着巨大的新机会。

未来十年，AI可能不会均匀地提高所有人的能力。它更可能首先放大那些会提问、会拆解任务、会组织反馈、会把工具接入工作流的人。同样的模型摆在面前，有人只会让它写一段话，有人却能把它变成研究助手、开发伙伴、知识系统和决策沙盘。差距会在这里被拉开。

凌晨一点，Demis还在思考AI如何造福世界

主持人：你经常在凌晨一点到四点工作。白天你是CEO，晚上更像研究者。那个时间段，你通常在想什么？

Demis：我会思考下一步该怎么做。比如如何让AI造福世界，需要什么样的合作。这不只是顶尖实验室之间的合作，也包括围绕AI建立国际标准和合作机制。我认为这几件事在未来几年会变得非常关键，也非常迫切。

主持人：感谢您。

写在最后

Demis把AI发展的下一个阶段拆解成了几个具体能力：提问、记忆、物理理解、复杂推演、长期协作。

对开发者和技术公司来说，这些能力才是真正值得紧盯的方向。下一代AI产品的竞争，也许会从“谁更会回答”，走向“谁更能帮人类发现问题、验证假设、沉淀经验、改变决策”。

参考链接：

1. YouTube访谈《Demis Hassabis on AI's Next Big Breakthrough, 2050 and More!》：https://www.youtube.com/watch?v=z4DdgnnCjUg