Demis Hassabis: 德米斯·哈萨比斯：AI 的未来、模拟现实、物理学与电子游戏

这是德米斯·哈萨比斯第二次做客《莱克斯·弗里德曼播客》。弗里德曼介绍他是 Google DeepMind 的负责人，如今也是诺贝尔奖得主。对话从哈萨比斯在诺贝尔奖演讲中提出的一个猜想开始，这个猜想关乎经典学习算法能够捕捉自然界的哪些东西。

“自然界中能够生成或发现的任何模式，都可以被经典学习算法高效地发现并建模。”

弗里德曼问这一论断涵盖哪些领域，并列举了生物学、化学、物理学，也许还有宇宙学和神经科学。哈萨比斯先解释了自己为何这样表述。他说，在他看来，诺贝尔奖演讲有一种要“带点挑衅性”的传统，他想延续这一传统。因此，他是把这一表述作为一个刻意大胆的猜想提出来的，而不是一个已确立的结论。

他的证据来自 DeepMind 自己的“Alpha X”系列项目，主要是 AlphaGo 和 AlphaFold。他说，这两个项目都是在为组合式的高维空间建模，而在这类空间里暴力穷举行不通。如果把围棋的每一种可能着法、或蛋白质的每一种可能形状都枚举一遍，“就算用上宇宙存在的全部时间也不够”。在这两个案例中，团队都构建了一个环境模型，由这个模型“以聪明的方式”引导搜索，从而让问题变得可解。

蛋白质折叠是他举出的核心自然系统例子。蛋白质在体内只需几毫秒就能完成折叠，可见物理以某种方式解决了一个 DeepMind 如今也已通过计算解决的问题。他的解释是，自然系统之所以具有结构，是因为演化过程塑造了它们。他把通往可学习性的这一步表述为一个条件：“如果这是真的，那么你也许就能学到这种结构是什么。”

弗里德曼给出了一个直白的转述：凡是能演化出来的东西，都能被高效建模。哈萨比斯认同其中有一定道理，并把这个想法扩展到生物学之外。他称之为“最稳者生存”。山脉是经过数千年风化塑造而成的。在宇宙尺度上，行星的轨道和小行星的形状，也都是各种过程对其反复作用了许许多多次的产物。

由此他推断，这类系统中应当存在一种可以被“逆向”学习的模式，他将其描述为某种流形。这种流形有助于搜索找到正确的解或形状，并且由于该模式并非随机，也能实现高效预测。后来他甚至把这种选择的观点延伸到哪些化学元素更稳定的问题上。他说，我们周围的一切都受制于“某种选择过程的压力”。

哈萨比斯也划出了一条界限。这个论证对于人造或抽象的问题可能不成立，他举的例子是大数分解。如果数的空间是均匀的、没有任何模式，就没有可供学习的模型来引导搜索，于是只能暴力穷举。他认为，对于这类问题，“也许需要量子计算机”。他还补充了一句保留：数的空间里或许终究存在某些模式。他认为，大多数我们感兴趣的自然事物并非如此，因为它们的结构“是出于某种原因演化而来，并随着时间存续了下来”。即便如此，他的结论依然谨慎：这种结构“有可能被神经网络学会”。

弗里德曼把这个想法重新表述为：自然在运行一个搜索过程，而这个过程恰好产生了能被高效建模的系统。哈萨比斯表示同意，并补充说，这类系统能被高效地“重新发现或还原，因为自然不是随机的”。

弗里德曼提到哈萨比斯对理论计算机科学的兴趣，半开玩笑地提议给“复杂性动物园”添一个新成员：一类可学习的自然系统，他称之为“LNS”。这类自然系统可以被经典机器高效建模。

哈萨比斯认真对待了这个提议。他说自己长期以来一直着迷于 P 是否等于 NP 的问题，以及经典系统能建模什么，他把经典系统等同于非量子系统，实际上也就是图灵机。他说，这“其实正是我在为数不多的闲暇时间里和几位同事一起研究的东西”：是否应当存在一类新的问题，可以由这类神经网络过程来求解，并对应到物理学中存在且具有结构的自然系统上。他把这描述为一项仍在进行中的探索性工作，称其为“一种非常有趣的新思考方式”，但没有声称得出了任何结果。

他把这一点与自己更宏观的物理观联系起来。他认为信息是宇宙最基本的单元，比能量和物质更基本。他认为三者可以相互转换，并把宇宙视为“某种信息系统”。这是作为个人信念提出的，而非已被证明的物理学。

弗里德曼引出一个推论：如果宇宙是信息性的，那么 P 与 NP 问题就成了一个物理学问题。哈萨比斯表示同意，称在这种物理观下它是“最基本的问题之一”。他预计，这个问题的答案将会“非常有启发性”。

弗里德曼承认，讨论中的某些部分“现在听起来可能有点疯狂”。他将其与克里斯蒂安·安芬森的诺贝尔奖演讲相比，称那次演讲提出了一个听起来很疯狂的争议性论断，而后来哈萨比斯与约翰·江珀因解决这一问题获得了诺贝尔奖。接着他更精确地发问：如果预先投入多项式时间或常数时间的算力来构建一个巨大的模型，能否让某些极其困难的问题在形式化的理论计算机科学意义上变得可解？

哈萨比斯回答说，“一大类问题”都可以像 AlphaGo 和 AlphaFold 那样来构建。你对系统的动力学、性质和环境建模，而这个模型能让寻找解或预测下一步变得高效：“基本上是多项式时间。”这样一来，问题在经典系统上依然可解，而运行在普通计算机上的神经网络正是经典系统。他认为“这个范式能走多远？”是最有意思的问题之一。

他的主要证据是人们预期在历史上的转变。他说，DeepMind 和更广泛的 AI 界已经证明，经典系统能走的路比此前设想的远得多。它们能为蛋白质结构建模，下围棋能胜过世界冠军。他回忆说，10 年或 20 年前，许多人可能认为这些成就还要几十年才能实现，或者认为蛋白质折叠可能需要量子系统。他的结论是，对于经典系统能做到什么，我们“其实连皮毛都还没触及”。

他把建立在经典计算机上运行的神经网络之上的 AGI，视为这一范式的“终极体现”。按照这种观点，这样一个系统能力的极限，与 P 是否等于 NP 的问题直接相关。

弗里德曼问哪些东西可能落在这一猜想之外，并提出了涌现现象，例如元胞自动机，即由非常简单的规则产生复杂性的系统。哈萨比斯认为这些系统“正好处在边界上”。他认为，大多数涌现系统，包括元胞自动机，大概都可以用经典方法建模，因为正向模拟“大概足够高效”。

他指出混沌系统是更难的情形。在这类系统中，初始条件极其重要，会导致“某种不相关的终态”，因而它们“可能很难建模”。他坦率地称这些为“某种意义上的开放问题”，这是本段中他最明确地承认自己的猜想可能在哪里失效。

弗里德曼补充了他自己关于出人意料的进展的例子。他说，AlphaFold 3 能在分子相互作用上取得任何进展都令人惊讶，AlphaGenome 能把遗传密码映射到功能上也是如此。在这两个案例中，海量的组合可能性最终都被证明具有“可以被高效建模的内核”。哈萨比斯从结构的角度解释这一点：存在某种地形，比如能量地形，其中有“某种可以沿着走的梯度”。神经网络非常擅长沿梯度前进。他说，如果存在这样的梯度，并且目标函数设定正确，系统就不需要处理所有表面上的复杂性。他认为，几十年来我们或许一直在“天真地”思考这些问题，想象要进行完全枚举，这才让它们看起来完全无法高效求解。

流体动力学是最尖锐的检验案例。哈萨比斯指出，纳维-斯托克斯方程传统上被视为经典系统极难处理、难以高效求解的问题。它们需要海量算力，也是天气预报的基础。然而 DeepMind 的视频生成模型 Veo 却能“出奇地好”地模拟液体，以及材质和镜面光照。他提到用户制作的视频，内容是透明液体被液压机挤出的画面。

他借助了自己的背景。他在游戏生涯早期编写过物理引擎和图形引擎，深知手工编程实现这些效果有多么“艰辛费力”。然而，这些模型似乎“仅仅通过观看 YouTube 视频”就逆向工程出了这些行为。他的解释是以推断的方式表述的，而非既定事实：想必模型是在提取关于材料如何表现的底层结构。他还提出，Veo 3 对物理和光照的呈现，或许在告诉我们“关于宇宙如何构成的某种相当根本的东西”，并表明这只是他个人的观点。

“所以，如果我们真正完全理解了底层发生的事情，也许存在某种可以被学习的低维流形。这或许适用于现实的大部分。”

弗里德曼的表述体现了贯穿这段交流的谨慎。人类很难对高度非线性的动力系统做出清晰的预测，但对于经典学习系统能做到什么，“我们可能会非常惊讶”，即便是流体。哈萨比斯把这一点与他更宏大的目标联系起来：他想构建 AGI 的部分原因，就是帮助科学家回答像 P 是否等于 NP 这样的问题。

本节提出的局限与开放问题：这一猜想是刻意带有挑衅性的，至今仍未被证明；没有结构的问题，例如在数的空间均匀的情况下分解大数，可能仍需要暴力穷举或量子计算机；对初始条件敏感的混沌系统可能难以建模；关于新复杂性类的工作是他与同事在业余时间进行的探索，尚未提出任何结果；而“Veo 学到了底层物理结构”和“信息比物质和能量更基本”这两种说法，都是作为推测和个人观点提出的。

德米斯·哈萨比斯用相关搜索空间的规模来阐述他的猜想。他举出大约 10 的 300 次方种可能的蛋白质结构，以及 10 的 170 次方种可能的围棋局面，两者都远远超过宇宙中的原子数量。这就引出一个问题：怎么可能有人找到正确的解，或预测下一步？他的回答是，事实证明这是可能的，而且自然已经在这么做。他认为，如果我们理解了物理是如何做到这一点的，并能为这一过程建模，那么在经典系统上就应该能够实现。他说，这基本上就是这个猜想的内容。

“蛋白质确实会折叠。”

莱克斯·弗里德曼把这一论证延伸到高度非线性的动力系统，尤其是任何涉及流体的系统。他提到最近与陶哲轩的一次对话，陶哲轩研究的是带有奇点、会让数学失效的系统。弗里德曼指出，人类很难对这类系统做出清晰的预测。他认为，即便对于流体，经典学习系统能做到什么，我们仍可能会非常惊讶。

哈萨比斯表示赞同。他指出，流体动力学和纳维-斯托克斯方程传统上被视为非常困难的问题，经典系统难以处理。这类问题需要海量算力，天气预报系统也依赖于它们。他举出的反例是谷歌的视频生成模型 Veo。他说它对液体的建模“出人意料地好”，对材料和镜面光照的建模也是如此。他特别提到用户生成的视频，内容是透明液体被液压机挤压。他还结合了自己的背景：他在游戏生涯早期编写过物理引擎和图形引擎，深知这类程序的构建有多么艰辛。然而，用他的话说，这些系统是在“仅仅通过观看 YouTube 视频”来逆向推导出这种行为。

他对自己的解读持谨慎态度。他说，模型大概是在提取这些材料行为方式背后的某种底层结构。他补充说，现实中的大部分事物可能都是如此。

所以，如果我们真正完全理解了其内部的运作机制，也许存在某种可以被学习的低维流形。

弗里德曼说，Veo 3 最吸引他的是它的物理表现。他列举了其他人往往会强调的特点：喜剧内容、对人类的超逼真刻画，以及原生音频。尽管如此，他认为物理表现才是最引人入胜的部分。他承认它“并不完美，但真的相当好”，并问模型必须对世界有怎样的理解才能做到这一点。他提到一种对扩散模型的犬儒看法，即它们什么都无法理解，并对此予以否定。他不认为在没有理解的情况下能生成那样的视频。他说，这让我们自身关于“理解”的哲学概念浮出了水面。

哈萨比斯给出了一个有所保留的回答。他说，以连贯的方式预测接下来的帧是一种理解，但他明确限定了这一说法。他说，这些系统已经对足够多的动态进行了建模，能够生成大约八秒的连贯视频。在这些画面中，问题很难被发现，“至少用肉眼、乍看之下”是如此。

不是拟人化意义上的那种理解，不是对正在发生的事情的某种深刻的哲学性理解，我不认为这些系统具备那种理解

他指出了进步的速度。考虑到这项技术相比一两年前的早期版本已经进步了这么多，他请听众想象再过两三年会出现怎样的成果。和弗里德曼一样，他说那些单口喜剧视频很好地捕捉到了大量人类动态和肢体语言。不过，最让他印象深刻的是物理表现：光照、材料和液体。他将此视为证据，说明模型至少具备某种直觉物理概念，即对事物应当如何运作的一种感知。

也许就像人类孩童理解物理的那种方式，对吧，而不是像一个博士生那样真正能把所有方程都拆解清楚。

弗里德曼称直觉物理是基础层，也就是人们有时所说的常识。他说这让很多人感到意外，包括他自己：他原本不认为在没有理解的情况下能达到这种程度的真实感。他将其与另一种观点进行对比：系统只有通过具身化，即作为机器人与物理世界互动，才能理解物理世界。他说 Veo 3 给人的感觉像是在直接挑战这种观点。

哈萨比斯说，被动观察的效果改变了他对直觉物理如何被学习的看法。五年或十年前，他认为获得这种理解可能需要具身智能、机器人技术，或者至少是模拟的行动。他举的例子是：知道一个被推下桌子的玻璃杯可能会摔碎，洒出里面的液体。他介绍了一些神经科学理论，包括“感知中的行动”（action in perception），这些理论认为，你需要在世界中行动，才能以深层的方式真正感知它。他还提到另一些理论，认为这需要具身智能、机器人技术，或者至少是模拟的行动。

但看起来你可以通过被动观察来理解它，这让我相当惊讶。

他将其意义表述为个人观点：这暗示了现实本质背后的某种东西，而不仅仅关乎视频本身。他以假设的方式描述了可能的下一阶段。视频可能会变得可交互，人们可以走进视频里四处走动；他说，考虑到他的游戏背景，这将真正令人震撼。他说，这开始接近他所说的世界模型：一个关于世界如何运作的模型，包括其中的机制、物理规律以及其中的事物。他称这正是一个真正的 AGI 系统所需要的。

受 X 上一次互动的启发，弗里德曼将话题转向电子游戏。一位名为 Jimmy Apples 的用户发推说：“赶紧让我把我的 Veo 3 视频当电子游戏玩吧。谷歌这次做得太绝了。可玩的世界模型啥时候来？”哈萨比斯回复道：“那岂不是很了不起？”弗里德曼问，用 AI 构建游戏世界有多难，以及五到十年后游戏可能会是什么样子。

哈萨比斯称游戏是他的初恋。他说，为游戏做 AI 是他的第一份职业工作，那时他还是十几岁的少年，其中包括他构建的首批重要 AI 系统。他说他想有朝一日回归这一领域，并认为自己会的。他还设想，如果九十年代就拥有今天的 AI 系统，他会做出什么，并相信那些成果可能会是“绝对令人震撼的游戏”。

他说，他做过的所有游戏都是开放世界游戏：带有 AI 角色的模拟，这些角色会根据玩家的玩法做出调整。他以《主题公园》为例。在这款游戏中，每位玩家的体验都是独一无二的，因为玩家与模拟系统共同创造了游戏，而设计者负责设定参数和初始条件。他坦率地谈到了这种方法的局限。开放世界游戏非常难编程，因为无论玩家朝哪个方向走，内容都必须引人入胜。元胞自动机等经典技术确实产生了涌现行为，但他说这些技术总是“有点脆弱，有点受限”。

他的预测有所保留。他说，我们“也许正处于”这样一个时刻的边缘：未来几年内会出现能够真正围绕玩家的想象进行创造的 AI 系统，他把时间定在五到十年。这样的系统可以动态改变故事，并且无论玩家作何选择，都能让叙事保持戏剧性。他将此与 Veo 的交互版本联系起来，设想把时间快进五到十年。

所以这就像是终极版的“选择你自己的冒险”那类游戏。