AI的未来、模拟现实与万物皆可计算

引言：从游戏到诺贝尔奖，一场关于智能的漫长探索

大家好，我是Demis Hassabis。回首我的职业生涯，从少年时期沉迷于编写游戏AI，到创立DeepMind，再到今天能够与各位分享我们对于人工智能（AI）未来的思考，我感到无比荣幸。这段旅程的核心，始终是一个问题：智能的本质是什么？我们能否构建出通用人工智能（AGI），并用它来解开宇宙最深邃的谜团？

在最近的诺贝尔奖演讲中，我提出了一个或许有些“挑衅”的猜想：任何在自然界中能够被生成或发现的模式，原则上都可以被一个经典的、可学习的算法高效地发现和建模。这个想法并非空穴来风，它源于我们一系列项目的实践，从AlphaGo到AlphaFold，我们一次次地证明，那些看似组合爆炸、无法穷举的复杂问题，实际上都存在着某种可被学习的内在结构。

“自然并非随机，我们周围看到的一切，从山川的形状到行星的轨道，都经受了某种形式的演化或选择压力。如果这是真的，那么这些系统背后必然隐藏着可被学习的模式。”

这篇解读，我想以第一人称的视角，带大家重温我在Lex Fridman播客上的对话，深入探讨这个猜想的内涵。我们将一起探索，AI如何从观察视频中“逆向工程”出物理规律，为什么蛋白质折叠这个生命之谜可以被计算解决，以及未来的游戏将如何演变成一个与你共同创造的、无限可能的动态世界。这不仅仅是一场关于技术的讨论，更是一场关于现实本质、信息、物理学乃至我们自身存在意义的哲学思辨。让我们一起潜入这个由数据、算法和梦想构筑的深邃宇宙吧。

第一章：万物皆有模式——我的“可学习宇宙”猜想

我的猜想根植于一个信念：信息比能量和物质更基本。如果我们将宇宙视为一个巨大的信息处理系统，那么物理定律、化学反应、甚至生命演化，都可以看作是这个系统运行的算法。而我们所做的，就是尝试用我们自己构建的算法——神经网络——去理解和模拟这些宇宙自身的算法。

以AlphaFold为例。蛋白质折叠问题在生物学中曾被认为是“圣杯”级的难题。一个蛋白质分子由氨基酸链构成，理论上它可以折叠成天文数字般的形态。一个拥有100个氨基酸的蛋白质，其可能的构象数量大约是 $10^{300}$，这个数字比宇宙中所有原子的总和还要多得多。然而，在我们的身体里，蛋白质却能在毫秒之间准确无误地折叠成唯一的、具有生物活性的三维结构。这怎么可能呢？

大自然一定有“捷径”。物理学通过能量最小化原则解决了这个问题。蛋白质会自发地折叠到其自由能最低的状态。这个过程并非随机碰撞，而是在一个由物理化学定律塑造的“能量景观”（Energy Landscape）中进行的、有方向的搜索。我们的AlphaFold，本质上就是学习了这个能量景观的近似模型。它没有去检查每一种可能性，而是学会了预测哪些构象在能量上更有利，从而将一个无法计算的问题，变成了一个可以在经典计算机上高效解决的问题。

这个逻辑可以被推广。从塑造山川风貌的风化作用，到决定行星轨道的引力平衡，再到生命演化中的“适者生存”，这些过程都不是随机的。它们都遵循着特定的规律，在漫长的时间尺度上雕琢出了我们所见的结构。我称之为“最稳定者生存”（Survival of the Stablest）。这些稳定存在的结构，其背后必然有迹可循，因此，它们是可学习的。

这引出了一个与理论计算机科学中著名的 P vs. NP 问题相关的思考。P类问题是可以在多项式时间内被计算机解决的“简单”问题，而NP类问题是可以在多项式时间内验证其解是否正确的“困难”问题。蛋白质折叠传统上被认为是NP难问题。但AlphaFold的成功表明，对于这类源于自然的问题，我们或许可以通过构建一个精确的模型，将搜索解的过程转化为一个P类问题。我甚至在想，我们是否可以定义一个新的复杂性类别，比如“LNS”（Learnable Natural Systems），专门描述这类可以通过经典学习算法高效建模的自然系统。

第二章：AI的“直觉物理学”——从观看视频到理解世界

如果说AlphaFold展示了AI对静态结构的深刻理解，那么像Veo这样的视频生成模型，则揭示了AI开始掌握动态世界的物理规律。这对我个人而言，是极其震撼的。在我早年的游戏开发生涯中，我们曾为了模拟一个逼真的水面倒影或者流体效果而绞尽脑汁，编写数千行复杂的物理引擎代码。而现在，AI仅仅通过“观看”海量的YouTube视频，就学会了生成令人难以置信的真实场景。

看看那些AI生成的视频：液压机挤压透明液体，光线穿过玻璃杯时的折射和焦散，材料的镜面反射……这些都不是简单的像素复制。为了生成连贯、真实的后续帧，模型必须“理解”一些关于这个世界运行的基本规则。我称之为“直觉物理学”（Intuitive Physics）。

这背后可能发生了什么？我的推测是，AI从高维的像素数据中，发现并学习了一个低维流形（Lower-dimensional Manifold）。现实世界的复杂现象，尽管看起来千变万化，但其变化并非毫无约束，而是被物理定律限制在一个相对简单的子空间内。就像一个三维空间中的球体，虽然由无数个点构成，但它的表面其实是一个二维流形。

AI通过学习这个流形，掌握了事物变化的核心规律。它可能不知道纳维-斯托克斯方程（Navier-Stokes equations），这是描述流体动力学的核心偏微分方程，以其复杂性著称：

AI的这种能力，甚至挑战了认知科学和神经科学中的一些传统观念，比如“具身智能”（Embodied Intelligence）理论。该理论认为，智能体必须通过与物理世界的主动交互（行动-感知循环）才能真正理解世界。但视频生成模型的成功暗示，仅仅通过被动观察，也可能学到深刻的世界模型。这对我来说是一个巨大的惊喜，也进一步强化了我的信念：现实的结构本身，就蕴含着被高效学习的可能性。

第三章：游戏的终极形态——与AI共同创造的动态世界

游戏，是我梦开始的地方。我始终认为，游戏是探索和实现AI最理想的“培养皿”。我早年参与制作的《主题公园》（Theme Park）和《黑与白》（Black & White）等游戏，核心理念都是构建一个开放的、动态的模拟世界，玩家的每一个行为都会影响这个世界，从而创造出独一无二的体验。

然而，在过去，我们能做的非常有限。所谓的“开放世界”往往是“选择的幻觉”，开发者预设了有限的路径和可能性。内容的生成成本极高，我们无法为玩家的每一种奇思妙想都准备好相应的游戏资产和剧情。但现在，有了能够理解并生成世界的AI，我们正处在一个全新游戏时代的前夜。

“想象一下，一个游戏的叙事不再是固定的剧本，而是一个能根据你的行为动态调整、实时生成剧情的AI故事讲述者。无论你选择做什么，它都能为你创造出富有戏剧性的、合乎逻辑的体验。这就是游戏的终极形态。”

未来的游戏将是真正意义上的开放世界。你可以对AI说：“生成一个赛博朋克风格、正在下着酸雨的城市，城市中心有一座古老的寺庙。”然后，你就可以走进这个为你量身定做的世界里探索。你与NPC的对话将不再是选择预设的选项，而是自由的自然语言交流，每个NPC都有自己独特的个性和记忆，他们会记住你，并根据你的行为改变对你的态度。

这种游戏的实现，依赖于我们所说的“世界模型”（World Model）。一个强大的世界模型，不仅包含了物理规律，还包含了社会动态、角色心理和叙事结构。这正是我们通过Gemini、Veo等模型正在努力构建的。当这些技术成熟，游戏开发将从“手工雕刻”内容，转变为“设计创造规则和初始条件”，剩下的交由AI和玩家共同完成。每一个玩家都将是自己史诗的共同作者。

第四章：AlphaEvolve与创造力——AI能发现新知识吗？

到目前为止，我们讨论的更多是AI如何“学习”和“模拟”已知的模式。但一个更深刻的问题是：AI能否创造出全新的、前所未见的知识？ 我们的AlphaGo在与李世石的对局中下出的“第37手”，就是一个惊鸿一瞥的答案。那一步棋，颠覆了数百年的人类围棋定式，它不是从任何人类棋谱中学来的，而是通过蒙特卡洛树搜索（MCTS）在庞大的可能性空间中“发现”的。

为了将这种发现能力系统化，我们开发了AlphaEvolve。这是一个结合了大型语言模型（LLM）和进化算法的系统。LLM负责提出有潜力的解决方案“种子”，而进化算法则在这些种子的基础上进行“突变”、“交叉”和“选择”，从而在巨大的程序空间中搜索更优的算法。我们用它来发现更快的排序算法和矩阵乘法算法，并取得了超越人类已知最佳算法的成果。

进化算法的核心思想是模拟自然选择的过程：

传统进化计算的一个瓶颈是，它很难产生真正“涌现”出的新属性。但通过与LLM结合，我们或许能克服这个限制。LLM提供了更具创造性的初始假设，而进化则负责在这些假设的基础上进行严谨的优化和探索。这就像科学研究的过程：伟大的科学家提出一个富有想象力的假说，然后通过无数次实验去验证、修正和完善它。

这种“模型+搜索”的范式，是我认为通往更高级别AI创造力的关键路径。模型负责理解世界，提供直觉和方向；搜索则负责在模型指引的道路上，探索未知的疆域，发现“黑天鹅”式的惊喜。

第五章：终极工具——AGI与科学发现的未来

我毕生追求的目标，是构建通用人工智能（AGI）。对我而言，AGI本身不是终点，而是我们用以理解宇宙的终极工具。人类的认知能力，虽然创造了辉煌的文明，但终究受限于我们大脑的生物学构造和有限的生命。有太多科学的“黑暗大陆”，比如统一量子力学和广义相对论、揭示意识的本质、探寻生命的起源，可能超出了人类心智的极限。

我的梦想是构建一个“虚拟细胞”（Virtual Cell）。我们已经通过AlphaFold解决了蛋白质静态结构的问题，通过AlphaFold 3开始触及蛋白质与其他分子的动态相互作用。下一步，我们将模拟整个信号通路，最终，模拟一个完整的、活的细胞（比如一个酵母细胞）内部所有分子的复杂交互。这将彻底改变生物学和医学研究。我们可以在计算机里进行数以百万计的药物筛选实验，其速度和效率将是传统湿实验室无法比拟的。

AGI将成为科学家的终极合作伙伴。它能阅读并理解所有人类已发表的科学文献，发现不同领域知识之间隐藏的联系。它能提出我们从未想过的、深刻且可验证的科学假说。一个真正困难的挑战是培养AI的“科研品味”（Research Taste）——那种能够嗅出哪个问题是“好”问题、哪个方向最有前途的直觉。这不仅仅是逻辑推理，更是一种艺术。

最终，我们希望AGI能帮助我们回答那些最根本的哲学问题：我们是谁？我们从哪里来？宇宙的本质是什么？当AI能够提出一个媲美爱因斯坦相对论的全新物理理论，或者设计出一个像围棋一样深刻、优美的全新游戏时，我们或许就知道，我们离AGI不远了。那将是人类文明的一个新纪元，一个我们与我们创造的智能携手，共同“唤醒宇宙”的时代。