近期，「諾獎得主、DeepMind CEO斯坦福演講：00后可能是人類歷史上最后一批需要找工作的人」這個消息擊中了許多人的焦慮，但也帶來了諸多偏離原意的誤讀。

本文將還原這場在斯坦福大學引發轟動的“爐邊談話”：這場對談的真正主角，沒有在兜售焦慮，而是在極其清醒地向大眾揭示未來十年的技術紅利與商業底牌。

這場訪談為什么值得一看？

這場訪談的主角戴密斯·哈薩比斯（Demis Hassabis）是 Google DeepMind 的聯合創始人兼 CEO，也是 2024 年諾貝爾化學獎得主。他不僅是一名出色的科學家，還曾是國際象棋神童和千萬級銷量的電子游戲開發者，他帶領團隊研發了擊敗世界冠軍的 AlphaGo 與破解生物學 50 年難題的 AlphaFold。

這場長達萬字的訪談之所以被科技商業圈奉為圭臬，主要體現在兩個維度：

最頂尖的 AI 從業者給出的時代洞察

作為身處研發最前沿的掌舵者，Hassabis 給出了明確的 AGI（通用人工智能）時間表：“距離真正實現 AGI 大概只有幾年的時間了，大約在 2030 年前后誤差一兩年。”

面對逼近的奇點，他表現出了強烈的緊迫感：“我認為社會迫切需要聽到這個聲音，因為留給我們為這場深遠變革做準備的時間已經不多了。”

他深刻意識到，這股技術浪潮的破壞力遠超以往：“我們要面對的是十倍于工業革命的沖擊。如果我們真的邁入了一個非零和的‘后稀缺世界’，過去建立在資源稀缺和零和博弈基礎上的傳統經濟系統將徹底失效。我們需要當代像凱恩斯那樣的經濟學巨匠來構建全新的經濟學模型。”

基于此，他大聲疾呼打破純技術視角的局限：“我們必須齊聚社會的各個部分來深思熟慮地討論它，而不僅僅是讓技術人員參與。我們需要經濟學家、社會科學家和人文學科專家來共同規劃未來。”

在行業監管與科技倫理上，他同樣直擊要害。他直言傳統的滯后監管已經失效：“監管必須由那些身處‘采煤工作面’的領先實驗室提供實時信息，才能在促成有益突破的同時精準防范風險。”

而對于 AI 發展的倫理底線，他提出，智能（Intelligence）與意識（Consciousness）是可以解耦的，當前他最不希望倉促觸碰的領域就是“意識”。

他本人極具復用價值的頂級“心智模型”

除了技術前瞻，此次訪談還展現出了 Hassabis 極具可復制性的個人成長思路。

比如在談及為何將價值連城的 AlphaFold 技術免費開放給全球 300 萬研究人員時，他表示：“如果我們將這項技術保持專有，它無疑具有無法估量的巨大商業價值。但如果我們只靠自己單干，大概只能觸及這些結構所能產生的下游影響的皮毛。”

這種放棄短期壟斷利潤、通過開放基礎設施來確立生態優勢的思維，只是訪談中展露的冰山一角。

訪談背后的隱藏密碼：能力懸垂

如果說宏觀推演決定了時代的走向，那么訪談后半段透露出的信息，則是真正關乎普通人命運的實操指南。Hassabis 在提及當前 AI 研發狀態時指出，前沿實驗室正忙著制造工具，以至于根本沒時間挖掘它們的全部潛力。

這就是目前硅谷最高頻的戰略詞匯——能力懸垂（Capability Overhang）。

它指的是：AI 模型實際已經具備的強大能力，與人類目前實際應用它的水平之間，存在著一道巨大的鴻溝。

為什么它值得所有人高度注意？ 因為這道鴻溝，就是未來十年最大的技術套利空間。

Hassabis 對此給出了極高的預期：“在接下來的 10 年里，如果你以正確的方式使用 AI，你幾乎會擁有超能力，個人的創造力和能完成的項目規模將呈現指數級增長。這可能會改變工作的性質，或許會出現更多小型的創業項目而非龐大的公司體系。”

底座大模型的戰役屬于巨頭，但應用層的廣闊曠野正等待著創業者。普通人破局的抓手非常具體：“只要你找到方法將 AI 與你的專業領域融合，并嵌入你的工作流中，你的創造力和生產力將提升百倍。”

除了 Hassabis，業界其他頂級機構早已對“能力懸垂”達成了殘酷的共識：

OpenAI 今年出局過一份算力代差報告，數據顯示，排名前 5% 的“超級用戶”所調用的 AI 思考算力是普通人的 7 倍。隨著模型能力的進化，懂 AI 的人與不懂的人之間的鴻溝正在呈指數級拉大。

硅谷風投圈目前也流傳著一句名言：“昨天的模型，就已經能實現你明天所能夢想的一切。”

應用落地的最大瓶頸，早已不是底層技術不夠聰明，而是普通人缺乏將其業務化、工程化的想象力。大多數人的思維依然停留在“將 AI 當作高級搜索工具”的淺層交互上，一遇到錯誤就全盤否定，缺乏打通 API、構建標準化工作流的系統工程能力。

在一切皆可被智能代勞的未來，斯坦福大學在訪談開場時提到的“承重摩擦”顯得尤為珍貴：艱難的思考與學習新事物的挑戰不是低效，而是構筑人類心智主體性的基石。

不要害怕 AI 會搶走工作，時代的天平永遠傾斜于那些主動跨越鴻溝的人。正如 Hassabis 最后留給年輕一代的箴言：

“未來依然充滿著巨大的不確定性。這種未知本身令人擔憂，但這也意味著一切都還未成定局。很多事情的走向取決于我們在未來幾年采取的行動，以及在座的年輕一代——你們作為第一代‘AI原生代（AI native）’，將如何掌握并運用這些技術。”

附： 斯坦福大學Demis Hassabis&John Levin爐邊談話全譯文

訪談原視頻：https://www.youtube.com/watch?v=DsewHeVbL-0

開場致辭

[主持人] 很高興看到大家齊聚一堂，參與這場與戴密斯·哈薩比斯（Demis Hassabis）的對話。今天我們非常榮幸能邀請到約翰·萊文（John Levin）校長來主持這場“爐邊談話”（fireside chat，隱喻非正式、親切的公開訪談）。

斯坦福大學最與眾不同的特點之一在于，許多最重要的思想并非誕生于單一的學院或學科，而是涌現于不同領域的交叉點。隨著人工智能（AI）開始重塑社會的幾乎每一個領域，這種跨校園合作精神在當下顯得尤為重要。

在所有領域中，這在醫學界的影響最為深遠。我個人通過商學院與斯坦福醫學院的緊密合作深切感受到了這一點。醫學院正付出一項非凡的努力：通過匯聚社會科學家、科學家、臨床醫生、工程師和創新者，重塑癌癥領域的創新與護理，從而徹底改變患者從預防到康復的整個旅程。這一愿景極其宏大，需要一所偉大大學的全部力量通力合作。斯坦福的優勢不僅在于各學科內部的卓越表現，更在于我們連接各個領域的能力——我們讓AI研究人員與醫生合作，讓組織領導者與科學家攜手，讓企業家與深切關注人類福祉的人們并肩作戰。這也是今天這場對話顯得如此重要的原因。

戴密斯·哈薩比斯是一位人工智能研究員、企業家，也是諾貝爾獎得主，他的工作正處于這些領域的交叉點上。他是全球領先的AI研究公司之一 Google DeepMind 的聯合創始人兼CEO。DeepMind成立于2010年，并于2014年被谷歌收購。目前，該公司是谷歌AI工作的核心，并產出了該領域一些具有決定性意義的突破。其中包括首個在圍棋比賽中擊敗世界冠軍的程序 AlphaGo，以及通過準確預測蛋白質三維形狀、解決長達50年科學挑戰的 AlphaFold。AlphaFold的突破對疾病理解和藥物發現有著深遠的影響。憑借這項工作，戴密斯與約翰·江珀（John Jumper）和戴維·貝克（David Baker）共同榮獲2024年諾貝爾化學獎。

他同時也是英國皇家學會和皇家工程院的院士，并在2024年因對人工智能領域的貢獻被授予爵位。此外，他還多次（包括2017年和2025年）入選《時代》雜志全球最具影響力100人榜單。

但讓此刻在斯坦福的探討顯得尤為引人注目的是，我們在這里關于AI的對話從來就不只關乎能力（capability），它同樣關乎人類的繁榮（human flourishing）。

幾年前，李飛飛教授和珍妮弗·阿克（Jennifer Aaker）教授開始在斯坦福教授一門名為“AI與人類繁榮”的課程，圍繞一系列深刻的問題展開：作為人類意味著什么？繁榮是什么樣子的？技術何時能幫助推進這些目標，又在何時會破壞它們？這項工作中的一個洞見讓我銘記在心，那就是：某些形式的摩擦實際上是“承重的”（load-bearing，隱喻困難和阻力是支撐事物發展的核心要素）。努力尋找合適的詞匯、艱難對話中的不適感、學習新事物的挑戰，這些都不是需要被消除的“低效”，相反，它們正是成長、能動性（agency）、韌性和意義借以涌現的真實體驗。這也是為什么我們今天的討論如此重要。

在斯坦福，AI的進步絕非抽象的概念，它們已經在重塑我們對發現、診斷、領導力、學習以及人類潛能本身的思考方式。AI的進步也迫使我們去努力應對關于判斷力、倫理、制度，以及我們最終希望技術幫助我們建立何種生活的更宏大問題。感謝大家的到來，請和我一起歡迎約翰·萊文校長和戴密斯·哈薩比斯登場。

跨界經歷與創業初心

[約翰·萊文] 戴密斯，很高興你能來到斯坦福。

[戴密斯·哈薩比斯] 很高興來到這里，謝謝大家的到來。

[約翰·萊文] 非常感謝你能參加這個活動。最近有很多關于你的報道、電影和書籍，很多人都了解了你的成長軌跡，這確實非常了不起：國際象棋神童、電子游戲開發者、科學家、科技企業家和領袖、諾貝爾獎得主。而這僅僅是你職業生涯的前半段。如果你能在這看似不同的經歷中畫出一條貫穿始終的主線（through line），那會是什么？

[戴密斯·哈薩比斯] 我認為這些看似毫不相干的學科中，實際上有幾條主線。

首先，我一直非常享受在創造力與技術的交叉點上工作。

早在90年代，也就是我職業生涯初期的視頻游戲產業，是所有結合尖端技術與藝術設計的行業中最具創造力的領域之一，它創造了一種全新的娛樂媒介。那真是一段不可思議的時光，可以說我職業生涯中最有趣的日子就是在90年代初期度過的。

我下過的國際象棋、做過的神經科學研究，以及我嘗試去做的所有事情，都源于我從小就有的一個堅定信念：研究AI和AGI（通用人工智能）是一個人能投入整個職業生涯的最重要、最有趣的事情。青少年時期，我可能讀了太多科幻小說、像《哥德爾、埃舍爾、巴赫》這類書，以及圖靈、費曼等科學英雄的傳記。這些作品啟發了我，讓我渴望以一種極其深刻的方式去理解周圍的世界。而構建AI，為科學打造終極工具，就是我踐行這一使命的方式。

因為人生苦短，我試圖將我過去的每一次經歷都重新利用并調整（repurpose），以服務于這個我堅持了30多年的宏大“北極星使命”（North Star mission，隱喻指引方向的終極長期目標）。

例如，國際象棋的訓練塑造了我對商業、組織管理和規劃的思考方式，讓我學會如何將極其宏大的計劃分解為易于管理的小步驟。而制作游戲則讓我學會了如何管理規模化的工程項目、運營初創公司，并將創造力與工程技術相融合。

實際上，這正是我們今天在AI領域所做的事情：它是一門工程科學，需要將創造性工作、科學工作與極度硬核的尖端工程學結合在一起。

最后，正如大家所知，在DeepMind早期，我們將游戲作為測試算法理念的完美“試驗場”（proving ground），最著名的成果就是AlphaGo。我們剛剛迎來了它的十周年紀念，現在回過頭來看，那可能真正標志著現代AI時代的開端。

[約翰·萊文] 當你在2010年左右正式進入AI領域創立DeepMind時，你有一個非常宏大的愿景：打算先解決智能問題，然后再去解決其他所有問題。進展如何？哪些是按計劃進行的，哪些又偏離了計劃？

[戴密斯·哈薩比斯] 大方向上基本實現了，甚至可以說是好得出乎意料。想想看，2010年我們創辦DeepMind的時候，我們去找英國的VC——當時英國的風投并不多——然后告訴他們我們的商業計劃：第一步，解決智能；第二步，用它解決一切。人們聽了都很困惑。但我們是真的這么想的。實際上，我們可能還會重新用回這個使命宣言，因為“解決智能”意味著構建AGI；最好在構建AGI的過程中也能理解智能的本質，或許還能反過來用AGI幫助我們理解自己的大腦和心智，比如意識的本質、創造力的來源、夢境的產生等這些關于心智的深層奧秘。

我當年學習神經科學的原因之一，就是試圖從我們對大腦的理解中尋找算法理念的靈感。我們腦海中一直預想著如今已經發生的情況：AI毫無疑問是一項通用技術（general purpose technology），也許是最核心的那項通用技術。只要構建得當，讓它成為一個極其通用的學習系統，它的應用領域就沒有極限，它可以應用于幾乎任何事物。我認為這正是如今被證實的情況。

至于第二步的“解決其他一切問題”，我特別想到的是推進科學和醫學，我指的是科學中的所有重大問題。我對它們都很著迷，比如時間的本質、現實的本質，這或許是最基礎的問題。我在學校時最喜歡物理，如果你去追求那些終極的大問題，你大概率最終會去研究物理學。但我后來意識到，有趣的大問題實在太多了，一個人怎么可能在有生之年解決所有這些問題呢？這就意味著，我必須去構建新工具，來幫助世界上最優秀的科學家和專家，在他們各自研究的重大領域中取得更快的進展。

此外，AI本身也是一個極其迷人的造物（artifact），本身就值得作為一門科學對象去研究，它幾乎是一個全新的領域。對我來說，這是一個人一生中最迷人、最值得投入的事業。哪怕它沒有成功，我也一定會在學術界或其他任何地方，以某種方式繼續做這件事。當然，現在“用AI解決其他一切問題”的范圍已經遠超科學和醫學，盡管那是我個人投入最多的領域，但顯然，AI將對生產力以及整個世界產生驚人的影響。

游戲與早期突破的挑戰

[約翰·萊文] 在DeepMind構建這些不同的模型時，你從游戲開始，然后進入了科學領域。有沒有特定的時刻讓你覺得：“這真的能行得通？”比如AlphaGo下出第三步棋的時候？

[戴密斯·哈薩比斯] 實際上，反而有很多時刻讓我覺得這可能行不通。我記得非常清楚，我們從游戲開始，是因為它們是自洽的（self-contained）系統。游戲是由人類設計的，對于玩家來說充滿挑戰或樂趣。我熱愛游戲，它們通常是許多現實世界場景的縮影（microcosms）。如果你想想圍棋、撲克或國際象棋，我經常認為商學院或MBA課程中應該設立一個“游戲模塊”，去研究那些博弈游戲和《外交》等桌面游戲。它們具備現實生活中頂級策略博弈的特征，而且你顯然可以在安全的環境中進行無數次試錯。這就是游戲最大的價值。

這同樣適用于訓練AI系統。游戲環境純粹且充滿挑戰，并且有清晰的目標函數（objective functions），這對于我們早期測試強化學習至關重要。當時幾乎沒有人將強化學習用于解決任何規模化（scaled-up）的問題，它基本只是一門停留在“玩具問題”（toy problems，如簡單的網格游戲）上的學術學科，沒人知道它能否擴展到重大問題上。

因此，我們選擇了70年代風靡全球的最經典、最基礎的游戲——雅達利（Atari）游戲，并從其中最簡單的《Pong》（乒乓球）開始。這游戲只有兩個球拍和一個球，它帶有一個內置程序來控制對手的球拍，該程序可以直接讀取球的速度、位置等底層代碼信息。而我們的目標是：AI能僅僅通過屏幕上的像素來玩《Pong》嗎？

我們沒有給我們的DQN系統提供任何程序的內部特權信息，它只能獲取屏幕上的2萬個原始像素。2萬個像素現在看起來微不足道，但在2010年，那是一個巨大的輸入數據量，尤其還要乘以大量的幀數，以前從未有人處理過這么復雜的視覺輸入。在長達幾個月的時間里，我們的系統在《Pong》里一分都贏不了，只能讓球拍抽搐著亂動。它完全不懂游戲規則，一直以0比21慘敗給內置AI。

當時我們的“資金跑道”（runway，創業隱喻，指公司耗盡現金前的時間）幾乎見底，僅剩的幾百萬美元在今天甚至不夠付一個實習生的工資（這對在座的學生來說倒是件好事）。我們在幾乎不拿工資的情況下苦苦支撐，錢眼看就要花光了。我當時絕望地想：“也許結果證明我們還是早了10年，甚至早了20年。”

然而奇跡般地，它拿到了一分。我們當時還以為只是運氣好。緊接著，它開始大量得分，并最終贏得了比賽。那一刻我們的感覺是：“好的，我們現在起飛了（liftoff，隱喻項目取得重大實質性進展）。”

從事機器學習工作的人都知道，一旦你站穩腳跟（foothold），通常就能通過“爬山算法（hill climb，隱喻通過局部持續優化來擺脫困境）”不斷突破。這也是整個AI發展史的縮影。一旦某個方向走通了，總能找到進一步優化的方法。這就是我們的第一個重大成果，我們在《自然》雜志上發表的第一篇論文，展示了首個規模化部署的深度強化學習模型：利用深度學習處理復雜的視覺感知輸入并尋找模式，再利用強化學習進行決策和規劃。

當然，這一切在 AlphaGo 項目中達到了頂峰，這也是我們一直以來的目標。AlphaGo的負責人戴夫·西爾弗（Dave Silver）是我在劍橋讀本科時的好朋友，我們在90年代中期上大學時就一直在討論這件事。當年深藍（Deep Blue）對戰卡斯帕羅夫（Kasparov）的世紀大戰發生在我們讀大學期間。盡管深藍令人矚目，但我反而對卡斯帕羅夫的大腦印象更深。他憑借不可思議的心智，能在一個平等的立場（equal footing）上與旁邊那臺執行暴力破解（brute force）搜索的超級計算機抗衡。而且他的大腦還能做別的事情：說五種語言、參與政治、開車以及所有人類能做的事。對我來說，這才更不可思議。

深藍系統顯然缺少了一些東西。它采用的是專家系統技術：手動編寫啟發式規則（heuristics），然后在頂層使用暴力搜索（這也是今天許多傳統國際象棋程序的工作方式）。這在國際象棋里管用，但在圍棋上絕對行不通。圍棋太深奧（esoteric）了，它沒有具體的棋子價值差異，每一枚棋子的價值都是一樣的，下圍棋全憑模式識別和直覺，連頂級職業棋手也是如此。

我們意識到，如果有人能在圍棋上達到世界冠軍的水平，那絕不僅僅是贏了一盤棋那么簡單。這意味著你所采用的算法方法一定非常有趣，并且有望泛化（generalize）到其他領域。AlphaGo最終證明了這一點。它隨后的表現甚至超出了我們最瘋狂的夢想：在2016年戰勝李世石的比賽中，它創造了人類2000多年圍棋史上從未見過的新策略。

對我來說這就像是個“雙重震撼”（double whammy，俚語，指兩件令人震撼的事情同時發生）。我一直在等待的那個時刻終于到來了：AI展現出了真正新穎的創造力。這也是我將其轉向科學應用的重要信號。所以，從首爾比賽回來的那一刻起，我們就立刻啟動了 AlphaFold 項目。

從AlphaGo到AlphaFold：AI賦能科學

[約翰·萊文] 接著你轉向了科學領域，去解決蛋白質折疊這個問題。你再次選擇了一個有數據支撐、且具備明確目標函數的挑戰，并且你成功了。這顯然是一項具有諾貝爾獎級別的科學突破，商業價值巨大，但你卻選擇直接免費開放它。你當時是如何做出這個決定的？為什么選擇免費？

[戴密斯·哈薩比斯] 我們在劍橋讀本科時，我就已經盯上了蛋白質折疊問題。我有幾個癡迷于此的生物學朋友，他們后來也都成了結構生物學家。每次我們在酒吧打桌上足球時，他們總會癡迷地談論這是生物學中最重要的難題。

我認為這是一個“根節點問題”（root node problem，隱喻核心基礎問題）——只要你解開它、掌握了蛋白質的結構，就能解鎖大量全新的研究途徑，包括藥物發現、基礎生物學以及對疾病機制的理解。它將帶來巨大的下游影響，值得我們投入大量時間。

對我來說，這也是一個令人著迷的終極3D謎題：氨基酸序列（或者說基因序列）是如何折疊成三維結構的？隨著對蛋白質研究的深入，我對生物學的敬畏也與日俱增。這些不可思議的微型生物納米機器構成了生命的基礎，理解了它們的結構，就理解了它們的功能。

從物理學角度看，蛋白質折疊的目標很明確：最小化系統中的自由能。在人體內，蛋白質能在幾毫秒內折疊，每秒發生數十億次。自然界的物理規律不知怎么地就解決了這個問題。所以我推測，一定存在某種“拓撲結構（topology）”，可以利用深度學習系統來引導搜索。就像我們在圍棋中從比宇宙原子還多的可能性中找到一步好棋一樣，蛋白質的搜索空間甚至更大，但通過深度學習模型總結出的啟發式方法，能夠大幅縮小搜索范圍，讓這個問題變得易于處理（tractable）。這感覺就像是在科學領域中，遇到了一個與我們在圍棋中解決過的極其類似的問題。我們將同樣的方法論和理論平移了過來。

此外，全球偉大的實驗室和科研人員經過50年極其艱苦的結構生物學工作，在PDB數據庫中積累了約15萬個蛋白質結構。然而，自然界中總共有2億個蛋白質。對于機器學習而言，15萬是一個非常小的數據量，所以當時大多數人認為，要在算法和數據上解決這個問題，至少還需要10到20年。但我們覺得，只要用上我們掌握的每一種技術，就能取得突破，而事實也確實如此。

當我們考慮如何讓這項突破產生最大影響時，我毫不猶豫地認為我們應該折疊所有的蛋白質。AlphaFold不僅準確，而且速度極快，幾秒鐘就能折疊一個蛋白質。我們決定與托管著全球最大生物數據庫的歐洲生物信息學研究所（位于劍橋）合作，將這2億個蛋白質結構免費托管在他們的數據庫中。全球科學家只要像用谷歌搜索一樣，就能查詢到所需的蛋白質結構，并且系統還會附帶機器學習對結構各個部分的信心區間（confidence intervals）。

當然，如果我們將這項技術保持專有（proprietary），它無疑具有無法估量的巨大商業價值。但如果我們只靠自己單干，大概只能觸及這些結構所能產生的下游影響的皮毛。現在，全球190個國家的近300萬研究人員幾乎每天都在使用AlphaFold。沒有任何一家單一的組織能夠做到這一點。

此外，我們早期訓練AlphaFold也依賴了公共數據，所以將這份被AI極大地放大了的資源回饋給結構生物學社區，是我們義不容辭的責任。幸運的是，谷歌的高管們也深愛科學，完全理解并支持這個決定，我對此給予他們極大的贊賞（kudos），換作其他公司可能做不到這么順利。目前，我們通過Alphabet分拆出來的衍生公司 Isomorphic Labs，試圖在下游繼續推動這一進程，把多個類似AlphaFold級別的突破結合起來，徹底加速藥物發現的過程，將過去耗時數年的研發縮短到幾個月，甚至幾天。

奇點山麓與社會影響

[約翰·萊文] 本周你在一個谷歌的大型活動上說，我們正處于“奇點的山麓（foothills of the singularity）”，這句話登上了新聞頭條并引發了廣泛關注。聽說谷歌的公關團隊可能對此并不太高興。既然你公開這么說了，你到底想表達什么意思？

[戴密斯·哈薩比斯] 那句話確實引發了很大反響。我當時的原話是：當我們站在10年后的未來回顧當下時，我們會意識到現在正站在“奇點的山麓”。

我之所以用這個詞，是因為我們所說的AGI（通用人工智能）這項技術，距離真正實現大概只有幾年的時間了，大約在2030年前后誤差一兩年，想想都覺得震撼。這將是一項重塑時代的巨大變革，實際上會開創一個新的人類時代，科幻作家們常將AGI到來的這個時期稱為“奇點”。

就在今年，隨著各種智能體（agents）的出現和工具使用的成熟，AI已經開始在人們的工作流中發揮切實的作用。盡管這仍處于早期階段，但我們——包括所有領先的實驗室——已經清楚地看到了還需要完善哪些部分。所以我說我們還處于“山麓（foothills，隱喻重大階段的前期）”，這僅僅是個開始，仍有很多工作要做。這不是由任何單一技術促成的，而是多種技術、眾多用例，以及一些我本以為還很遙遠的事情突然在此時匯聚到了一起，讓我深刻地感受到了這一點。

我認為社會迫切需要聽到這個聲音，因為留給我們為這場深遠變革做準備的時間已經不多了。未來仍未成定局，但接下來的幾年將是決定AI走向以及我們人類集體希望將其塑造成何種面貌的關鍵時期。

[約翰·萊文] 目前的調查顯示，公眾對AI的看法非常負面，尤其是在美國，可能比在其他國家更甚。這源于對隱私、監控、科技巨頭壟斷以及失業的擔憂。作為前沿實驗室的負責人，你怎么看待公眾的這些擔憂？

[戴密斯·哈薩比斯] 我認為公眾的擔憂完全是有道理的。AI是一項雙重用途（dual purpose）的深遠技術，我有時會這樣量化它：它的影響是工業革命的10倍，而且發生的速度比工業革命快10倍。也就是說，一場本該耗時一個世紀的變革將在十年內完成，它帶來的沖擊力至少是工業革命的100倍，老實說這可能還是個保守估計。

當然，其中蘊藏著巨大的機遇。我們正試圖用AI來治愈所有的疾病，并且我確信應對氣候變化、能源危機等全球性挑戰都離不開AI的幫助。事實上，如果目前沒有AI這項技術正在路上，我反而會對這些人類面臨的挑戰感到更加擔憂。

但它帶來的變化和顛覆將是全方位的，橫跨技術、經濟和哲學等層面。我們必須齊聚社會的各個部分來深思熟慮地討論它，而不僅僅是讓技術人員參與。我們需要經濟學家、社會科學家和人文學科專家來共同規劃未來。

公眾態度負面的部分原因在于，這種情緒在不同國家差異巨大。比如我們剛去印度參加峰會，AI在印度年輕人中極其受歡迎。因為世界各地的年輕人只需數月的極短延遲，就能用上硅谷前沿實驗室開發的工具，他們看到了技術民主化帶來的巨大機遇。

另一方面，我在業內的一些同行在對外溝通時不夠謹慎。他們在做出某些聲明時顯得過于絕對和篤定，而實際上，未來依然充滿著巨大的不確定性。這種未知本身令人擔憂，但這也意味著一切都還未成定局。很多事情的走向取決于我們在未來幾年采取的行動，以及在座的年輕一代——你們作為第一代“AI原生代（AI native）”，將如何掌握并運用這些技術。

在接下來的10年里，如果你以正確的方式使用AI，你幾乎會擁有超能力，個人的創造力和能完成的項目規模將呈現指數級增長。這可能會改變工作的性質，或許會出現更多小型的創業項目而非龐大的公司體系。

我們必須認真應對這種指數級增長。如果我們即將進入一個“后稀缺（post-scarcity）世界”，我們必須確保不能只有少數人、少數公司或少數國家從這項技術中受益，它的紅利必須廣泛地惠及全人類。但具體該如何實現？我們現在迫切需要答案和具體的行動方案。我本人也會在這個領域盡我所能，運用科學的嚴謹態度來對待歷史上的這一關鍵時刻。

最后，我認為AI行業有責任向公眾展示無可爭議的切實益處。僅僅談論治愈癌癥的假設是不夠的，我們必須像推出AlphaFold一樣，拿出20個這樣實打實的突破去切實地治愈疾病。我們必須向公眾證明：為什么我們對AI如此興奮？我們打算如何具體地減輕風險？這是社會迫切需要的答案。

競爭格局與AI監管

[約翰·萊文] 你多年來一直呼吁前沿實驗室需要進行自我監管，比如暫緩發布某些可能構成安全威脅的技術。但現在的局面是，各大實驗室都在進行一場不顧一切的極速競爭。你現在依然認為實驗室應該自我監管嗎？政府是否應該介入監管？你怎么看當前的競爭動態？

[戴密斯·哈薩比斯] 現在的環境遠非理想狀態。AI技術的發展遠超我20年前的想象，但它所誕生的環境卻令人擔憂。早在10到15年前，我就預見并擔憂隨著科技領袖們意識到這項技術的重要性，必然會引發這種瘋狂的競賽動態。

如果我有一根魔杖（magic wand），我更希望AGI這種具有巨大影響力的通用技術，是在一個類似 CERN（歐洲核子研究中心）那樣的非商業研究設施中被構建出來的。匯聚全球最聰明的大腦，在極其嚴謹的科學方法和測試下互相印證。那樣的話，AGI可能會晚10年到來，但這并不妨礙我們利用這期間的階段性成果，開發出像AlphaFold這樣專注解決具體問題的專門系統來造福社會。AlphaFold就是一個專門的混合系統，它借鑒了通用系統的理念，但專注于蛋白質折疊。

然而，大語言模型和聊天機器人的爆發改變了這一切。Transformer模型在語言處理上的驚人效果，讓AI變成了一項可以通過資金和工程無限規模化放大的、極具商業價值的技術。這直接導致了目前科技史上最激烈的競爭環境。再疊加中美等地緣政治的復雜性，我們面臨的是一場公司之間與國家之間的“雙層疊加競賽”。

這就導致我們陷入了經典的“囚徒困境（prisoner's dilemma，博弈論隱喻，指注重安全的參與者反而可能處于劣勢）”：如果你花更多時間去確保系統安全再發布，你就會處于劣勢，而那些魯莽的背叛者反而會占據先機。為了打破這種“向底線賽跑（race to the bottom）”的死局，政府的介入是必然且迫切的。

但難點在于，傳統的監管方式太慢了。AI技術每周都在迭代，用兩年前的標準來監管今天的技術無異于刻舟求劍。我們需要的是一種極其敏捷的“動態智能監管（smart regulation）”。它必須能迅速適應最新的技術發展，瞄準實際風險而非陳舊的假想風險。由于AI科學遠未定論，發展速度甚至超過了我們對其底層原理的理解，這種監管必須由那些身處“采煤工作面”（coalface，英式俚語，隱喻處于實際研發的最前線）的領先實驗室提供實時信息，才能在促成有益突破的同時精準防范風險。

現場學生問答

[Arin，商學院二年級學生] 您如何平衡推動AI前沿發展與確保這些健康和科學的紅利，能在基礎設施匱乏的非洲和全球南方地區得到公平分配？

[戴密斯·哈薩比斯] 我們經常思考這個問題。將AlphaFold數據庫免費開放給全球190個國家的近300萬研究人員就是一個很好的例子。我們與設在瑞士的“被忽視疾病藥物研發倡議”（DNDi）合作，針對瘧疾、寨卡病毒等大藥廠因為無利可圖而忽視的區域性疾病進行研究。過去，當地研究人員需要做極其艱苦的結構生物學工作，現在他們可以直接調取結構開始藥物研發，大規模加速了流程。我們也在與珍妮弗·杜德納（Jennifer Doudna）等人合作，將這項技術應用于受氣候變化影響的農作物韌性研究上。

我的夢想是，當我們旗下專注于AI制藥的 Isomorphic Labs 將藥物發現的時間從幾年縮短到幾個月，成本從幾十億美元降至幾百萬美元時，資本主義引擎就可以發揮正面作用：我們可以通過治療富裕國家的疾病賺取利潤，為研發提供燃料；同時利用這種極低成本和極快速度的優勢，純粹出于慈善目的去攻克世界上其他地區的疾病，無需索要任何回報。

[Miki，可持續發展學院大四學生] 在看到AGI展現出強大生產力的同時，您是如何思考它帶來的社會影響的？特別是它將如何重新定義人類，以及解決由此產生的下游挑戰？

[戴密斯·哈薩比斯] 這正是我認為當下最迫切的問題。現在的局面就像是吹響了“戰斗動員令”（call to arms，隱喻號召人們采取緊急行動），我們需要所有人來認真思考這些次要結果（第二階影響）。

我是一個謹慎的樂觀主義者，我相信當關鍵時刻到來（chips are down，撲克隱喻，指面臨危機時刻）時，人類總能發揮獨創性找到出路。但在我們技術人員努力把技術搞對的同時，社會的其他部分必須跟上。

我經常驚訝于經濟學家對AI爆發的懷疑態度，他們總是問“這會在GDP的哪里體現”。我們要面對的是十倍于工業革命的沖擊！如果我們真的邁入了一個非零和（non-zero-sum）的“后稀缺（post-scarcity）世界”，過去建立在資源稀缺和零和博弈基礎上的傳統經濟系統將徹底失效。我們需要當代像凱恩斯那樣的經濟學巨匠來構建全新的經濟學模型。

在那之后，更艱難的是哲學問題：在那樣的新世界里，什么是美德？什么是人類的意義和目的？這需要偉大的哲學家來解答。對于人文學科的學生來說，這是一個絕佳的時代，只要你們發自內心地理解并投入到（lean into）這場變革之中。

[Janai，MBA二年級學生] 在您的有生之年，您最不希望AI觸碰什么領域？

[戴密斯·哈薩比斯] 這是一個極好的問題。在科學領域，AI就像是一臺圖靈機（Turing machine），能計算宇宙中幾乎所有非量子的可計算事物。但在這個過程中，我最不希望我們倉促觸碰的領域是“意識（consciousness）”。

我強烈建議，我們構建的第一代AGI系統應該嚴格限定為“智能的工具”。這本身已經是極大的挑戰了。我認為智能和意識是可以分離的（dissociable），你不需要制造意識就能獲得強大的智能。

目前關于意識在神經科學和哲學上還沒有一個嚴謹的定義。我們應該先利用AI這個強大的工具去深入研究大腦，給出意識的嚴格科學定義。在那之后，社會再集體決定我們是否要跨越第二條“盧比孔河”（Rubicon，隱喻不可挽回的危險決定），去創造看起來具有意識的實體。絕不能把制造智能和制造意識這兩步混為一談。

[約翰·萊文] 對于在座的學生們，關于他們應該學什么、如何規劃職業生涯，你有什么建議？

[戴密斯·哈薩比斯] 如果我現在回到大學，我會感到無比興奮。對于學習STEM（科學、技術、工程、數學）的學生，請繼續深耕，理解底層原理能讓你們更好地利用這些工具，這在未來十年絕對是核心競爭力。

同時，每個人都應該主動擁抱變革。精靈（genie，俚語，指釋放出且無法收回的強大力量）已經出了瓶子。即使是目前已有的AI工具，也存在著巨大的“能力懸垂”（capability overhang，AI術語，指模型擁有但尚未被完全開發利用的潛能）。前沿實驗室忙著造工具，以至于根本沒時間挖掘它們的全部潛力。

不要恐懼。無論你是不懂代碼的商科和人文學科學生，還是專業的程序員，只要你找到方法將AI與你的專業領域融合，并嵌入你的工作流中，你的創造力和生產力將提升百倍。

唯一確定的是，未來十年一切都會改變，甚至超出想象。但在巨變時期，也必然伴隨著巨大的機遇。世界是你們的牡蠣（the world's your oyster，俚語，隱喻世界充滿機遇，任你馳騁）。我很嫉妒你們能成為第一代“AI原生代（AI native）”。

最重要的是，在這場變革中一定要成倍強化你們自身的能動性（agency）。未來依然有待書寫，千萬別聽信任何人說一切已成定局的話。

[約翰·萊文] 正如我們昨晚聊到的，在這樣一個你無法完全預知未來、但必須保持極強適應能力和廣泛知識面的巨變時期，這將是通識教育（liberal education）的黃金時代。戴密斯，謝謝你加入我們，這是一場非常棒的對話！ （本文首發鈦媒體APP，作者 | 硅谷Tech_news，編輯 | 林深）