0｜基本信息（Metadata）

  • 受访者（Interviewee）：Demis Hassabis，Google DeepMind CEO / 联合创始人，前国际象棋神童、游戏开发者、神经科学家
  • 采访者 / 媒体（Interviewer / Media）：未具名主持人，某创始人闭门活动（venue 提及”巧克力工厂”）
  • 采访时间（Date）：未明确标注，根据 AlphaFold 和 AlphaGo 时间线推断为 2024 年左右
  • 采访背景（Context）：面向创始人群体的小范围分享，前半程回顾 DeepMind 创立历程，后半程聚焦 AI for Science 和 AGI 愿景，含现场问答

受访者定位：AGI 领域最有影响力的实践者之一，同时是 DeepMind 的缔造者和 Google 旗下 AI 核心负责人。叙事动机明确——巩固 DeepMind 在”AI for Science”路线上的历史定位，同时传递 AGI 路径仍在其 2010 年预测轨道上的自信信号。

1｜核心观点（Core Views）

观点一：AGI 的 20 年预测正在兑现，2030 年可期

  • 支撑逻辑：2010 年创立时设定”20 年 mission”，当前进展与原始预测”基本一致”。从 AlphaGo → AlphaFold → 大语言模型 → Agent 时代的演进路径验证了从强化学习 + 深度学习走向通用智能的路线。
  • 可信度判断：高。作为最早期押注 AGI 且持续兑现的实践者，Hassabis 的预测有实际里程碑支撑。但需注意”20 年 mission”本身是一个弹性足够大的框架。

观点二：AI 首先是工具，其次才是其他

  • 支撑逻辑：工具优先于自主体，先建造”极其智能且精确的工具”，再处理意识、自主性等二阶问题。主张用 AGI 自身来帮助解决 AGI 带来的安全与哲学难题。
  • 可信度判断：中。逻辑自洽，但”工具 vs. 主体”的边界模糊化在 Agent 时代正在加速到来，Hassabis 对此未提供可操作的区分标准。

观点三：AI 将催生全新科学门类

  • 支撑逻辑：AI 系统本身的分析将成为一门工程科学；基于高精度模拟器的”可重复实验”将把经济学等社会科学真正科学化；生物学本质上是 ML 的完美描述对象。
  • 可信度判断：高。这是 Hassabis 最原创且有实质进展的论点——AlphaFold 已实现在蛋白质折叠领域的突破，Google 的天气预报模型也是实证。

观点四：信息是比物质和能量更基础的宇宙要素

  • 支撑逻辑：借 Einstein 的 E=mc² 类比，提出物质、能量、信息三者可互相转换，而信息最为底层。AI 本质上是对信息的组织与理解，因此具有深刻的宇宙学意义。
  • 可信度判断：存疑。这是哲学层面的主张，非科学结论。Hassabis 承认是”感觉”，而非严格论证。在 interview 中更多是个人世界观表达，而非可验证命题。

观点五：经典图灵机足以模拟量子系统的近似最优解

  • 支撑逻辑：AlphaFold 处理蛋白质折叠（本应需要量子计算考虑水键量子效应）但在经典神经网络上就获得了近似最优解。暗示经典计算可覆盖许多被认为需要量子计算的领域。
  • 可信度判断：中。AlphaFold 的成功是强有力的实证，但”可近似”与”可充分模拟”有本质区别，Hassabis 本人措辞也审慎（”may turn out”、”approximate”）。

2｜话题分析（Topic Breakdown）

早年经历与 DeepMind 的诞生

  • 核心信息：Hassabis 从 15-16 岁起就将建造 AGI 作为人生目标，刻意选择游戏开发（90 年代技术最前沿，含 GPU 雏形）和神经科学作为铺垫路径。2009 年创立 DeepMind 时是”保守秘密的人”——学术界和工业界几乎无人相信 AGI 可能性。
  • 关键细节：17 岁开发《Theme Park》，销量超千万份；Elixir Studios 失败教训——”领先 5 年而非 50 年”；Deep Learning 刚被 Hinton 发明时几乎无人意识到其重要性。
  • 值得注意：Hassabis 将个人叙事高度整合为一条”有意识设计”的主线，但同时也承认”可能是事后合理化（post hoc shaping）”。这种坦诚在创始人叙事中相当罕见，反而增强了可信度。

AI for Science：从 AlphaFold 到虚拟细胞

  • 核心信息：AlphaGo 战胜李世石是”算法足够通用”的转折点，随后立即成立了 AI for Science 团队。Isomorphic Labs 是下一阶段——从预测蛋白质结构到自动设计化合物，将药物发现从 10 年缩短至月/周量级。
  • 关键细节：AI for Science 团队已运行近十年（AlphaGo 后即成立）；虚拟细胞项目在推进中；药物发现 99% 的探索性工作将在硅上完成，湿实验仅做验证。
  • 值得注意：”所有疾病都可触及”这一表述极为宏大，需注意 Hassabis 同时承认蛋白质折叠只是药物发现全过程的一个环节。夸大风险存在，但整体路线图有实质性支撑。

模拟与新科学

  • 核心信息：AI 生成的高精度模拟器可解决社会科学的”不可重复实验”困境。经济政策无需实际试错，可在模拟器中执行数千次。ML 是描述生物学等强涌现系统的完美语言，正如数学之于物理学。
  • 关键细节：WeatherNext 是目前世界上最准确的天气预报模型之一；模拟器可能还能反向提取显式方程（类比 Maxwell 方程组）。
  • 值得注意：Hassabis 对模拟器提取方程的可能性措辞非常谨慎（”maybe if…I don’t know if that exists”），体现了科学家式的诚实，与他对 AGI 预测的自信形成有趣的张力对比。

信息世界观与图灵机边界

  • 核心信息：提出信息、能量、物质三者等价，且信息最基础。相信经典图灵机可模拟远超当前认知范围的复杂系统，引用 AlphaFold 对蛋白质折叠（量子系统）的成功建模为证。
  • 关键细节：自称为”图灵的拥护者（Turing’s champion）”，强调图灵机结果是”人类最深刻的成果之一”。
  • 值得注意：此部分从科学逐渐滑向哲学，访谈中 Hassabis 也明确承认是”feeling”而非定论。对于量子计算与经典计算的边界问题，他的立场比许多物理学家更偏向经典一侧。

意识问题：坦诚的「不知道」

  • 核心信息：Hassabis 对意识的定义无实质贡献（”没比哲学史上已有的更多可说的”）。承认自我意识、时间连续性可能是必要条件，但远非充分条件。指出 AGI 系统与人类存在”底层载体（substrate）”的根本差异，使得意识判断永远无法完全闭环。
  • 关键细节：与 Daniel Dennett 有过深度对话；区分了”行为上像有意识”和”体验上有意识”。
  • 值得注意：Hassabis 在此话题上异常谨慎，几乎完全回避了预测性判断。这与他对 AGI 时间的笃定形成鲜明反差，可能暗示他认为意识问题在工程层面（目前的优先级上）并不紧迫。未说出口的立场：”先做工具，意识问题以后再说。”

3｜关键数据与预测（Key Data & Predictions）

内容 数值 / 时间节点 来源可信度
AGI 实现时间 2030 年 高（一致性多年未变）
DeepMind 原始规划 20 年 mission（2010-2030） 高
《Theme Park》销量 1000 万+ 份 中（个人回忆）
药物发现时间缩短目标 10 年 → 月/周级别 中（愿景性判断）
AI for Science 团队成立 AlphaGo 赛后（约 2016） 高
Elixir Studios 成立时间 大学毕业后（约 1998） 高
蛋白质折叠 50 年挑战 AlphaFold 解决 高
WeatherNext 准确度 “世界最准确” 中（公司主张，需第三方验证）
领先时机的教训 领先 5 年而非 50 年 不适用（经验总结）

4｜逻辑与依据评估（Logic & Evidence）

  • 内部一致性：强。从个人经历、公司使命、技术路线到哲学世界观，Hassabis 构建了一条高度自洽的叙事线。AGI 20 年规划、AlphaGo 作为通用算法转折点、AI for Science 的优先序，三者逻辑环环相扣。
  • 依据质量：中偏高。AlphaFold 和游戏 AI 成果是可验证的硬证据，AGI 时间线的判断主要依靠个人经验权重。药物发现时间缩短和”所有疾病可触及”缺乏具体里程碑，属于愿景推演。
  • 论证缺陷：
    • 信息基础论和经典图灵机边界推断主要基于 AlphaFold 单一案例，样本量不足以支持”许多量子系统可在经典系统上建模”的泛化结论。
    • 在讨论 AI 安全性/意识问题时，Hassabis 转向了回避性措辞，与他在技术话题上的确定性反差明显。
  • 整体逻辑强度：强。在 AI 行业领导者中，Hassabis 一直是逻辑自洽度最高的之一，尤其区别于同行在 AGI 时间线上反复摇摆的常见现象。

5｜弦外之音（Reading Between the Lines）

  • 刻意回避了什么：当被问及意识定义时，Hassabis 几乎完全拒绝对话（”no, I mean I haven’t got much to add”）。这可能意味着：①他确实没有突破性见解，②他认为意识问题在当前阶段不适合公开深入讨论（容易被媒体曲解），③DeepMind 内部对这一话题持克制姿态。

  • 措辞值得注意的地方：
    • “我们像是保守秘密的人（keepers of a secret）”——将早期不被理解浪漫化为先知式叙事，强化创始人神话。
    • 对领先时机的描述反复使用”5 年 vs 50 年”框架——这既是管理预期的方法论，也可能隐含对当前 AI 行业”过度乐观”的微妙批评。
    • 对 WeatherNext 补充”不确定我们是否想这样做”（模拟天气到干扰天气）——主动设置伦理边界，可能在回应外部对 DeepMind/Google 权力过大的担忧。

  • 未说出口的立场：Hassabis 将 DeepMind 定位为纯粹的”科学驱动”组织，但面向创始人群体的这场分享中，他几乎未讨论商业化路径或 Google 收购后的整合压力。这可能暗示他刻意与 Google 母公司叙事保持距离，维护 DeepMind 的独立学术形象。

  • 与公开信息的出入：Hassabis 声称 AGI “exactly on track” with 2010 predictions，但 2010 年的 AI 界普遍认为符号逻辑路线才是正统，深度学习的成功幅度远超当时主流预期。他的”on track”实际上是在事后用宽口径重新定义框架——这并非不诚实，而是成功者的合理叙事特权。

6｜可操作信息（Actionable Takeaways）

  1. AGI 时间线锚定 2030 年：Hassabis 是最早且最持续押注这一时间点的权威人物。项目立项、投资布局、人才策略可以此作为参照系。若到 2028-2029 年仍未看到突破性信号，则需重新评估。

  2. AI for Science 的投资窗口：虚拟细胞、AI 驱动的药物分子设计、高精度模拟器是明确的优先方向。Isomorphic Labs 的进展值得追踪，其”硅上做 99% 探索”的方法论若验证成功，将重塑整个生物医药研发产业链。

  3. 模拟器驱动的社会科学：Hassabis 提出的”可重复实验模拟器”将经济学、政策研究纳入 AI 可颠覆的范畴，相关创业/研究机会可能在 3-5 年内成熟，值得提前布局。

  4. 需进一步核实的承诺：药物发现从 10 年缩短至月/周的量化目标缺少中间里程碑。建议追踪 AlphaFold 后续版本和 Isomorphic Labs 的管线进度，而非直接采纳愿景性判断。

7｜一句话总结（One-line Summary）

DeepMind 确认 2030 年 AGI 时间线不变，AlphaFold 只是 AI 改造科学的序章，但意识问题和安全边界仍然悬而未决——这是一场仍在预期轨道上的二十年远征，而非冲刺。