Demis Hassabis: Google DeepMind CEO 戴密斯·哈萨比斯谈 AI、创造力与科学的黄金时代 | All-In 峰会

00:00一位或许握着我们未来底牌的天才。他是 Google DeepMind 的 CEO，这家机构是谷歌人工智能的引擎。在获得诺贝尔奖并受查尔斯国王封爵之后，他成为人工智能的先驱。我们是现代第一批认真投入这件事的人。AlphaGo 是一个重大的分水岭时刻，我认为不仅对 DeepMind、对我的公司如此，对整个 AI 也是如此。这一直是我从小对 AI 抱有的目标，就是用它来加速科学发现。女士们先生们，请欢迎 Google DeepMind 的戴密斯·哈萨比斯。

00:42欢迎。很高兴来到这里。谢谢你接在塔克、马克·库班等人之后上台。首先，祝贺你获得诺贝尔奖。谢谢。谢谢。为了 AlphaFold 这一了不起的突破。也许你以前讲过，但我知道在座各位都很想听你讲讲

01:05你获得诺贝尔奖时在哪里，是怎么得知的？嗯，那是非常超现实的一刻，显然，整件事都很超现实。他们通知你的方式是，在一切公开前大约10分钟才告诉你。你真的没法……接到来自瑞典的电话时，你有点被震懵了。这是每个科学家梦寐以求的电话。然后是好几场典礼，在瑞典与王室共度的整整一周，太棒了。显然这个奖已经延续了120年，最令人惊叹的是，他们会从保险库里取出那本诺贝尔签名册，你可以把名字签在所有

01:40其他伟人旁边。所以那是相当不可思议的时刻，往回翻看其他页面，看到费曼、玛丽·居里、爱因斯坦、尼尔斯·玻尔，一直往前翻，而你可以把名字写进那本书里，太不可思议了。你事先有预感自己被提名、这个奖可能会落到你头上吗？嗯，你会听说……其实在当今这个时代，他们能把消息封锁得这么严，真是令人惊讶，不过这对瑞典来说算是一种国宝。你会听说，也许 AlphaFold 是那种值得这种认可的成果，而他们看重的除了科学突破，还有在现实世界中的影响。而这种影响可能要20年、30年才会显现。

02:24所以你永远不知道它会多快到来，甚至是否会到来。所以这是个惊喜。好，恭喜。是的，谢谢。也谢谢你。几周前你让我和它合了影。我会珍惜那张照片。DeepMind 在 Alphabet 内部是什么定位？

02:40Alphabet 是一个庞大的组织，业务部门众多。DeepMind 是什么？你负责什么？嗯，我们现在把 DeepMind，也就是现在的 Google DeepMind……几年前我们合并了谷歌和 Alphabet 各处不同的 AI 力量，包括 DeepMind。

02:55把这一切整合起来，把各个团队的优势汇集到一个部门。我现在的描述方式是，我们是整个谷歌、整个 Alphabet 的引擎室。所以有 Gemini，我们正在打造的主力模型，还有我们构建的许多其他模型，比如视频模型

03:13和交互式世界模型，我们现在把它们接入谷歌的各个地方。所以几乎每个产品、每个界面都有我们的某个 AI 模型。如今有数十亿人与 Gemini 模型互动，无论是通过 AI 概览、AI 模式还是 Gemini 应用。而这只是开始。我们正把它整合进 Workspace、Gmail 等等。

03:37所以这对我们来说真是绝佳的机会，可以做最前沿的研究，然后立即交付给数十亿用户。有多少人，人员构成是怎样的？是科学家、工程师吗？你的组织由哪些人构成？是的，我的组织，也就是 Google DeepMind，大约有5000人。主要是，我想80%以上是工程师和博士研究员。所以大约，三四千人。所以这里有

04:02模型的演进，很多新模型推出，还有新类别的模型。前几天你们发布了 Genie 世界模型。是的。那么 Genie 世界模型是什么？我想我们有一段视频，值得看看吗？我们可以现场聊一聊。好，我们可以看。当然，因为我觉得你得亲眼看到才能理解，它太非同寻常了。我们能把视频放出来吗，然后戴密斯可以稍微解说一下我们看到的是什么。你看到的不是游戏或视频。它们是世界。

04:33其中每一个都是由 Genie 3 生成的交互式环境，这是世界模型的新前沿。借助 Genie 3，你可以用自然语言生成各种世界并以交互方式探索它们，只需一条文本提示。是的，你看到的所有这些视频、所有这些交互式世界。你看到的是有人实际上可以控制视频。这不是静态视频，而是由文本提示生成的，然后人们可以用方向键和空格键控制这个3D环境。

05:03所以你在这里看到的一切都是完全……所有这些像素都是实时生成的。在玩家或与之互动的人走到世界的那个部分之前，它们并不存在。所以有这么丰富的内容。马上你就会看到，这是完全生成的，不是真实视频，生成的是有人在粉刷房间，在墙上涂了些东西，然后玩家会向右看，再回头看。所以世界的这一部分之前并不存在，现在它存在了，然后他们回头

05:36看，看到的还是他们刚才留下的同样的涂刷痕迹。再说一次，这是完全……你看到的每个像素都是完全生成的，然后你可以输入比如“穿着鸡装的人”或“水上摩托”，它就会实时把它们加入场景。所以，真的相当令人震撼。但我觉得看这个时很难领会的是，因为我们都玩过带3D元素的电子游戏，身处沉浸式世界中。

06:04是的。但这里没有创建任何物体。没有渲染引擎。你没有用 Unity 或 Unreal 这些3D渲染引擎。是的。这其实只是由 AI 实时渲染、创建出来的2D图像。这个模型在逆向推导直觉物理。所以，你知道，它看过

06:24数以百万计的视频、YouTube 视频以及其他关于世界的内容。仅凭这些，它就逆向推导出了世界的许多运作方式。它还不完美，但可以为你这个用户生成一两分钟连贯一致的互动。在许许多多不同的世界里。后面有一些视频，你可以控制沙滩上的一只狗或一只水母，它并不局限于人类的东西。因为3D渲染引擎的工作方式是，你输入，程序员把所有物理定律编进程序。光如何从物体上反射？

06:58你创建一个3D物体，光从上面反射。然后我在视觉上看到的东西是由软件渲染出来的，因为它有全部关于如何构建物理、如何进行物理计算的程序。但这个模型只是用视频训练的，它自己全弄明白了。是的，它是用视频以及一些来自游戏引擎的合成数据训练的。

07:18它只是把这些逆向推导出来了。对我来说，这个项目让我感触很深，同时也相当令人震撼，因为在90年代我职业生涯早期，我曾编写电子游戏、游戏 AI 和图形引擎。我记得手工做这些有多难，要编写所有多边形和物理引擎。

07:37看到它毫不费力地做到这些，真是太惊人了。水面上的所有反射、材质的流动方式和物体的行为方式。它开箱即用就能做到这一切。我觉得很难描述这个模型解决了多少复杂性，真的、真的非常震撼。这会把我们引向何方？快进一下，这个模型，是的，Genie 5。是的，我们构建这类模型的原因是，我们觉得、

08:08我们一直觉得，我们显然在常规语言模型上不断进步，比如我们的 Gemini 模型，但从 Gemini 一开始，我们就希望它是多模态的，希望它能接收任何类型的输入，图像、音频、视频，也能输出任何东西。所以我们对此非常感兴趣，因为要让 AI 真正通用、要构建 AGI，我们认为 AGI 系统需要理解我们周围的世界、我们周围的物理世界，而不仅仅是语言或数学的抽象世界。当然，这正是机器人技术能够运作的关键。这可能正是它如今所缺失的。

08:42还有像智能眼镜这样的东西，一个在日常生活中帮助你的智能眼镜系统。它必须理解你所处的物理情境，以及世界的直觉物理如何运作。我们认为，构建这类模型，这些 Genie 模型，还有 Veo，最好的文本生成视频模型，都是我们在构建理解世界动态、世界物理的世界模型的体现。如果你能生成它，那就说明你的系统理解了这些动态。这最终会通向机器人的世界，这是其中一个方面、一种应用。也许我们可以谈谈这个。如今视觉-语言-动作模型的最先进水平是怎样的？

09:26也就是一个通用系统，一个盒子、一台机器，能用摄像头观察世界，然后我可以用语言、用文字或语音告诉它我想让它做什么，然后它知道如何在物理世界中为我采取实际行动。是的，没错。如果你看我们的 Gemini Live 版本，你可以把手机对着周围的世界。我推荐各位都试试。它对物理世界已有的理解有点神奇。

09:55你可以把下一步想象成把它整合进某种更便携的设备里，比如眼镜。然后它就会成为日常助手。当你走在街上时，它能给你推荐东西，或者我们可以把它嵌入谷歌地图。然后在机器人方面，我们构建了名为 Gemini Robotics 的模型，可以说是用额外的机器人数据微调过的 Gemini。真正酷的地方在于，我们今年夏天发布了一些相关演示，

10:20就是你可以……我们有这种桌面装置，两只手与桌上的物体互动，两只机械手。你只需和机器人说话。比如你可以说“把黄色物体放进红色桶里”之类的。它就会把那条指令、那条语言指令解读为运动动作。这就是多模态模型相对于纯机器人专用模型的威力。对。

10:46就是它能把对现实世界的理解带入你与它互动的方式中。所以最终，它将既是你需要的 UI、UX，也是机器人安全地在世界中行动所需的理解能力。我问过桑达尔这个问题：这是否意味着你们最终可以构建相当于，比如说，Unix 那样的操作系统层，或者通用机器人领域的 Android？到那时，如果它在足够多的设备上运行得足够好，世界上就会涌现大量机器人设备、公司和产品，突然腾飞，因为已经有了能通用地做到这一点的软件。正是如此。这当然是我们正在推行的一个策略，可以说是一种 Android 式打法，跨机器人领域，几乎是一个跨机器人的操作系统层。但把我们最新的模型与特定的机器人类型和机器人设计垂直整合，并进行某种端到端学习，也有一些相当有意思的地方。所以两者其实都相当有趣，我们两种策略都在推进。你认为人形机器人是一种好的

11:53形态吗？它在现实世界中合理吗？有些人批评说，它适合人类是因为我们本来就要做很多不同的事。但如果我们想解决某个问题，比如叠衣服、洗碗、打扫房子之类，可能会有不同的形态。是的，我认为两者都会有用武之地。其实大概五到十年前，我曾认为针对某些任务会有特定形态的机器人。我认为在工业领域，工业机器人肯定会是那样，你可以针对特定任务优化机器人，无论是实验室还是生产线，你都会需要

12:27相当不同类型的机器人。另一方面，对于通用或个人用途的机器人，以及与普通世界的互动，人形形态可能相当重要，因为我们当然是为人类设计了周围的物理世界。所以台阶、门口，所有我们为自己设计的东西，与其在现实世界中改变它们，不如设计出能与我们已有的世界设计无缝配合的形态，这可能更容易。所以我认为有理由说，人形形态对这类任务可能非常重要。但我认为专门化的机器人形态也有其一席之地。对于未来五年、七年，是数亿台、

13:11数百万台还是数千台，你有什么看法吗？我是说，你脑子里有一个愿景吗？是的，我有。我在这上面花了相当多时间。我觉得我们在机器人方面还有点早。我认为在未来几年，机器人领域会出现一个真正令人惊叹的时刻。但我认为算法还需要更多发展。这些机器人模型所依托的通用模型仍需要更好、更可靠，对周围世界的理解更好。我认为这会在未来几年到来。然后在硬件方面，关键是，我认为最终我们会有数百万台机器人帮助社会并提高

13:52生产力，但当你和硬件专家交谈时，关键在于，硬件要到什么时候才达到合适的水平，可以选择规模化，因为实际上，当你开始围绕某种特定机器人类型建造工厂，试图制造数万、数十万台时，你就更难快速更新、迭代机器人设计了。所以这是那类问题之一：如果你太早下判断，那么六个月后可能就会发明出下一代机器人，更可靠、更好、更灵巧。

14:24用计算机来类比，听起来我们有点像处在70年代的 PC、DOS 时代。是的，有可能。当然，我想也许我们正处于那个阶段，只不过10年的进程可能在一年内就发生了。对。所以你们会快速更新。其中某一年。

14:39对，正是如此。是的。那我们来谈谈其他应用，尤其是科学领域，那是你的心之所系。是的。作为一名科学家，作为获得诺贝尔奖的科学家……我一直觉得，我们能用 AI 做的最伟大的事情，会是那些人类难以解决的问题，

15:01以我们现有的技术和能力、我们的大脑等等而言，而我们能释放所有这些潜力。你最兴奋的科学领域和科学突破有哪些？我们要用什么样的模型来实现？是的，我是说，用 AI 加速科学发现、帮助人类健康之类的事情，正是我整个职业生涯都投入 AI 的原因。

15:22我认为这是我们能用 AI 做的最重要的事情，我觉得如果我们以正确的方式构建 AGI，它将成为科学的终极工具。我认为我们在 DeepMind 已经在很大程度上展示了这条道路，显然最著名的是 AlphaFold，但实际上我们已经把 AI 系统应用到了许多科学分支，

15:43无论是材料设计、帮助控制核聚变反应堆中的等离子体、预测天气，还是解决数学奥林匹克竞赛题。同类型的系统经过一些额外微调，基本上就能解决很多这类复杂问题。所以我认为，对于 AI 将能做到什么，我们才刚刚触及皮毛，

16:06而且还缺一些东西。我会说，如今的 AI 没有真正的创造力，也就是说它还无法提出新的猜想或新的假说。它或许能证明你给它的某个东西，但它自己无法提出一种新想法或新理论。所以我认为这其实会是对 AI 的测试之一。

16:26那是什么？人类的创造力。是的。那创造力是什么？嗯，我认为就是我们常常在历史上最优秀的科学家，当然还有艺术家身上所称颂的那种直觉飞跃。也许它是通过类比或类比推理实现的。关于我们人类科学家是怎么做到的，心理学和神经科学中有很多理论。但一个好的测试是，比如给这些现代 AI 系统设定1901年的知识截止点，看它能否像爱因斯坦在1905年那样提出狭义相对论，对吧？

16:59如果它能做到，那么我认为我们就触及了某种非常、非常重要的东西，也许我们正在接近 AGI。另一个例子是我们击败围棋世界冠军的 AlphaGo 程序。它不仅在大约10年前取胜，还发明了围棋中从未见过的新策略。这就是著名的第二局第37手，如今已被人们研究。但 AI 系统能否发明一种游戏，

17:25像围棋一样优雅、令人满足、具有美感？不只是一种新策略。目前这些问题的答案是否定的。所以我认为这是真正通用的系统、AGI 系统所缺少的东西之一，它也应该能做到这类事情。你能拆解一下缺了什么吗，也许联系一下

17:45达里奥、萨姆等人所持的观点，即 AGI 只有几年之遥。你不认同这种看法吗？也许可以帮我们理解一下，根据你对结构的理解、对系统架构的理解，到底缺了什么？嗯，我认为根本问题在于，我们能否模仿那些最优秀的人类科学家似乎能做到的直觉飞跃，而不是渐进式进步？我总是说，区分伟大科学家和优秀科学家的是，两者当然在技术上都非常能干，但伟大的科学家更有创造力。所以他们也许会从另一个学科领域发现某种模式，能与他们试图解决的领域形成类比或某种模式匹配。我认为总有一天 AI 能做到这一点，但它还不具备推理能力和某些思考能力，而这些是

18:44实现那种突破所必需的。我也认为我们缺乏一致性，你经常听到我们的一些竞争对手说，如今的这些现代系统是博士级智能。我认为那是胡说。它们不是博士级智能。它们有某些博士水平的能力，但并不能普遍地在所有方面都达到博士水平，而这恰恰是通用智能应该做到的。事实上，我们都知道，和如今的聊天机器人互动时，如果你以某种方式提问，它们甚至可能在高中数学

19:21和简单计数上犯简单错误。对于真正的 AGI 系统来说，这不应该发生。所以我认为我们也许，我会说，距离拥有能做到这些事情的 AGI 系统还有五到十年。另一个缺失的是持续学习，即在线教系统新东西、或以某种方式调整其行为的能力。

19:46所以我认为很多这类核心能力仍然缺失。也许规模扩展能让我们达到目标，但我感觉，如果要我打赌的话，我认为可能还需要一两个尚未出现的突破，而它们会在未来五年左右出现。与此同时，一些报告和所使用的评分体系似乎显示出两点。第一，或许，如果我们说错了请指出，大语言模型的性能在趋同。第二，或许是每一代的改进和性能提升在放缓或停滞。这两种说法大体上成立吗，还是不太成立？

20:22不，我是说，我们内部没有看到这种情况，我们仍然看到巨大的进步速度。而且我们看问题的视角更广。你看我们的 Genie 模型、Veo 模型，还有最近的 Nano Banana，简直疯狂。真是“香蕉”级的疯狂。是的。太疯狂了。能看看谁用过吗？有人用过 Nano Banana 吗？很不可思议，对吧？我是说，我是个技术宅，小时候用过 Adobe Photoshop 和 Kai's Power Tools，我还跟你提过 Bryce 3D。所以像那些图形系统，认识到这里面发生了什么，简直让人震撼。嗯，我认为这就是很多这类创意工具的未来，你只需要凭感觉和它互动，或者直接和它们说话。而且它会足够一致，就像 Nano Banana，它令人惊叹的地方在于它是一个图像

21:08生成器，你知道，它是最先进的、同类最佳。但让它如此出色的因素之一是它的一致性。它能够遵循你想修改什么的指令，同时保持其他一切不变。所以你可以和它反复迭代，最终得到你想要的那种输出。我认为这就是许多这类创意工具的未来，也算是指明了方向。人们喜欢它，喜欢用它来创作。所以创造力的民主化，我认为非常强大。我记得小时候得买 Adobe Photoshop 的书，然后读它们来学习如何从图像中去掉某样东西、如何填充、羽化等等。现在任何人都可以用

21:49Nano Banana 做到，只要开始向软件解释他们想做什么，它就会去做。是的，我认为你会看到两件事：一是这类工具的民主化，每个人都可以直接使用和创作，而不必像过去那样学习极其复杂的 UX 和 UI。但另一方面，我们也在与电影人、顶级创作者和艺术家合作。他们在帮助我们设计这些新工具应该是什么样、他们想要什么功能。比如导演达伦·阿伦诺夫斯基，他是我的好朋友，一位了不起的导演，

22:22他和他的团队一直在用 Veo 和我们的一些其他工具拍电影。通过观察他们、与他们合作，我们学到了很多。我们发现，它也能为最顶尖的专业人士赋予超能力、大幅提速，因为那些最好的创意人、专业创作者突然能变得高产10倍、100倍。他们能以非常低的成本尝试脑海中的各种想法，然后做出他们想要的美好作品。所以我其实认为两件事都成立：我们正在为日常使用、为 YouTube 创作者等实现民主化；但另一方面，在高端领域，那些懂这些工具的人……而且并

23:01不是每个人都能从这些工具中得到同样的输出。这里面有技巧，还有顶级创作者的愿景、讲故事能力和叙事风格。我认为它恰恰让他们……他们非常喜欢使用这些工具，这让他们能更快地迭代。我们会走向一个每个人描述自己感兴趣的内容的世界吗？“给我放像戴夫·马修斯那样的音乐”，它就会播放一首新曲子。是的。

23:27或者“我想玩一个以电影《勇敢的心》为背景的电子游戏，我想置身那部电影中”，然后我就拥有了那种体验。我们会走到那一步，还是社会中仍会保留一对多的创作过程？这在文化上有多重要？我知道这有点哲学，但我觉得有意思的是：我们是否仍会有那种因为某人创作了它、所以我们所有人共享同一个故事的讲故事方式？还是我们每个人都会开始发展、汲取属于自己的某种虚拟……？我其实预见到一个世界，我对此想了很多，因为我是在游戏行业起步的，

23:5690年代做游戏设计师和程序员。我认为娱乐的未来，我们现在看到的正是娱乐未来的开端，也许是某种新类型或新艺术形式，其中会有一点共同创作。我仍然认为会有顶级的创意远见者，他们会创造这些引人入胜的体验和动态故事情节，即使使用相同的工具，其质量也会高于普通人能做到的水平。但同时，可能会有数百万人沉浸到这些世界中，也许他们也能创造、共同创作这些世界的某些部分，而主创者也许几乎就是那个世界的编辑。

24:36这就是我预见未来几年会出现的情况，我其实也想用 Genie 这样的技术亲自探索一下。好，太不可思议了。你现在怎么分配时间？也许你可以介绍一下 Isomorphic 是什么，你在那边花很多时间吗？是的。我还运营 Isomorphic，这是我们拆分出来的公司，旨在彻底变革药物发现，

24:58建立在我们在蛋白质折叠上的 AlphaFold 突破之上。当然，知道蛋白质的结构只是药物发现过程中的一步。所以 Isomorphic，你可以把它看作在构建许多相邻的 AlphaFold，来帮助完成诸如设计没有任何副作用、但能结合到蛋白质正确位置的化合物等工作。我认为我们可以把药物发现

25:23从需要好几年、有时十年，缩短到也许几周甚至几天，在未来10年内。太不可思议了。你认为这很快会进入临床吗，还是仍处于发现阶段？我们现在正在搭建平台，与礼来有很好的合作，我想你们早些时候请了礼来的 CEO 来演讲，还有诺华，都非常棒，此外还有我们自己的内部药物项目，我认为我们将在明年某个时候进入临床前阶段。所以候选药物会交给制药公司，然后由他们继续推进。

25:51没错，我们在研究癌症、免疫学和肿瘤学，并与 MD 安德森癌症中心等机构合作。这其中有多少需要……我想回到你关于 AGI 的观点，联系你刚才说的。模型可以是概率性的，也可以是确定性的，如果我把这个过于简化了请告诉我：

26:10确定性就是模型接收一个输入，输出某个非常具体的东西，好像它有一套逻辑算法，每次都输出同样的东西；而概率性则是它可以改变内容、做出选择。概率是80%我会选这个字母，90%我会选下一个这个字母，等等。

26:26在做药物发现建模时，我们需要在多大程度上开发与比如分子相互作用背后的物理或化学同步的确定性模型？你们在多大程度上构建新型确定性模型，与基于数据训练的概率性模型协同工作？是的，这是个很好的问题。其实目前，我认为大概未来五年左右，我们在构建的也许可以称为混合模型。AlphaFold 本身就是一个混合模型，其中有学习组件，也就是你说的这个概率性组件，它基于神经网络和 Transformer 之类的东西，从你提供的数据、任何可用数据中学习。但同时，在生物和化学的很多情况下，没有足够的数据可供学习。所以你还必须内置一些你已知的化学和

27:16物理规则。比如在 AlphaFold 中，原子之间的键角。还要确保 AlphaFold 理解原子不能彼此重叠之类的事情。理论上它可以学会这些，但那会浪费大量学习能力，所以实际上最好把它作为一种约束内置进去。所有混合系统的诀窍在于（AlphaGo 也是一个混合系统，其中有一个神经网络学习围棋，学习什么样的模式是好的，然后我们在其上加了蒙特卡洛树搜索来做规划），所以诀窍是如何把学习系统与一个更多依靠手工设计的定制

27:55系统结合起来，并让它们真正良好地协同工作。这相当棘手。你认为这种架构最终会带来 AGI 所需的突破吗？是否有需要解决的确定性组件？嗯，我认为最终你想做的是，当你用这类混合系统搞清楚了某件事后，最终要把它上移到学习组件中。所以如果你能做端到端学习，直接从给定数据中预测你想要的东西，那总是更好的。所以一旦你用某个混合系统弄明白了某件事，你就会尝试回过头去逆向推导你做了什么，看看能否把那些学习成果、那些信息整合进去

28:36……融入学习系统。这在某种程度上就是我们在 AlphaZero 上所做的，它是 AlphaGo 更通用的形式。AlphaGo 里含有一些围棋专属的知识。但到了 AlphaZero，我们把这些都去掉了，包括人类数据、我们曾经学习过的人类棋局，真正从零开始进行自我学习。当然，这样一来它就能学会任何游戏，而不仅仅是围棋。围绕 AI 带来的能源需求，已经有大量炒作和喧嚣。这也是我们几周前在华盛顿特区举办的 AI 峰会的一大主题，似乎是头号话题。如今科技圈人人都在谈：这么多电力从哪里来？但我想问你的是，模型架构、

29:17硬件，或者模型与硬件之间的关系，是否会发生某些变化，从而降低每个输出 token 的能耗或成本，最终或许能让我们面前的能源需求曲线趋于平缓？还是你认为情况并非如此，我们仍将面对一条近乎几何级增长的能源需求曲线？嗯，有意思的是，我认为两种情况都成立。因为尤其是我们在 Google 和 DeepMind，非常注重打造既强大又高效的模型，因为我们当然有自己的内部使用场景，比如每天要向数十亿用户提供 AI 概览（AI Overviews），这就必须做到极其高效、极低延迟，而且服务成本非常低。

29:56因此，我们率先开发了许多实现这一点的技术，比如蒸馏：内部有一个更大的模型来训练较小的模型，对吧？也就是训练小模型去模仿大模型。随着时间推移，如果看过去两年的进展，在同等性能下，模型效率提升了大约 10 倍，甚至 100 倍。至于这为什么没有减少需求，是因为我们还没有达到 AGI。所以在前沿模型方面，人们不断想在越来越大的规模上训练和试验新想法，而与此同时，在服务端，事情变得

30:32越来越高效。所以两者都成立。归根结底，从能源角度看，我认为 AI 系统对能源和气候变化等问题的回馈，将远多于它所消耗的，体现在电网系统和电力系统的效率、材料设计、新型材料特性以及新能源等方面。我认为在未来 10 年里，AI 将在所有这些方面提供帮助，其贡献将远远超过它今天所消耗的能源。最后一个问题：请描述一下 10 年后的世界。哇。好吧。我是说，你知道，10 年……在 AI 领域，哪怕 10 周都像一辈子那么长。不过，我感觉我们会在未来 10 年内实现 AGI，你知道，完整的 AGI，而我认为它将开启一个新的科学黄金时代，有点像

31:25一场新的文艺复兴。我认为我们会看到它带来的益处，从能源到人类健康，遍及方方面面。太棒了。请和我一起感谢诺贝尔奖得主戴密斯。谢谢。非常精彩。谢谢。