愛因斯坦摸魚想出的相對論，為什么今天的萬億參數大模型依然搞不懂？

編譯 | 王啟隆

出品丨AI 科技大本營（ID：rgznai100）

本周一，谷歌的股價跌了將近 7%。華爾街開始感到焦慮，因為谷歌最核心的兩個技術大腦——AlphaFold 的功臣、諾貝爾獎得主 John Jumper，以及大模型傳奇人物、Transformer 作者之一 Noam Shazeer，剛剛被競爭對手挖走了。

大家都想知道，谷歌是不是在失血，是不是快守不住大模型這一局了？但在這幾天戛納創意節的舞臺上，DeepMind 創始人哈薩比斯（Demis Hassabis）卻顯得挺無所謂。面對主持人的當場質問，他輕描淡寫地回了一句：“我們在人才市場上贏下了該贏的部分，而且 DeepMind 依然擁有行業里最寬廣的研究板凳席。”

哈薩比斯說這話確實是有底氣的。今天硅谷的各大實驗室在萬億估值下瘋狂搶人，但他還記得 2010 年剛創立 DeepMind 的日子。那時候工業界根本沒人搭理 AI，哪怕在學術界，去研究神經網絡也基本等同于“職業生涯自殺”。大家都覺得這玩意兒在 90 年代就被 MIT 證明是個死胡同。哈薩比斯和一小群腦科學家不信邪，硬是靠著強化學習和神經網絡一路撐了過來，才有了后來的 AlphaGo 和 Transformer 爆發。

在這場與 Semafor 編輯 Reed Albergotti 的對話中，哈薩比斯把話題從人才戰拉回到了他真正關心的技術本身。他不太相信只靠純文本寫代碼的自省模型（比如 Mythos）能通往 AGI。在他眼里，智能必須理解物理世界，這也是為什么 DeepMind 要花大力氣做 Veo 和 Omni 這樣的視頻模型。

哈薩比斯甚至把這跟他 2007 年關于腦科學海馬體的研究結合了起來，指出人類的想象力其實就是一個“物理模擬器”。這就像他 2003 年在 Pentium 處理器上寫過的那個因太超前而失敗的模擬游戲《共和國》一樣，今天他終于可以用數十萬張 GPU 去重新模擬細胞、天氣甚至是整個經濟體的運行。以下是這次談話里，他聊到的幾個非常有意思的行業直覺：

• 別被高管被挖的新聞嚇退，科技行業本就該這么卷。2010 年做神經網絡是學術界的“職業自殺”，現在成了人人眼紅的香餑餑。頂尖人才的跨實驗室流動其實是常態，而谷歌作為孕育了 Transformer、AlphaGo 的策源地，其龐大的研究深度和廣度依然是對手無法比擬的。

• 只靠寫代碼和文本自我迭代，成就不了 AGI。智能必須能感知并理解物理世界，這也是為什么大模型需要看懂視頻、看懂 YouTube。只有打通了對現實物理世界的感知，智能眼鏡、具身機器人這些硬件場景才有可能真正落地。

• AI 生成的音視頻必須強制打上不可逆的水印。隨著 Veo 這類視頻模型越來越逼近真人，深偽（Deepfakes）和造假已經防不勝防。谷歌早已在所有的生成內容里內嵌了隱形水印 SynthID，并開源給了 OpenAI 和英偉達。哈薩比斯認為，這在未來應當變成像汽車安全帶一樣的強制性法規。

• 真正的 AI 創意應當通過“愛因斯坦測試”。真正的創造力不是去鸚鵡學舌地拼接數據，而是在有限的信息里推導出全新的真理。就像愛因斯坦當年在瑞士專利局里“白日夢”模擬光速列車、并以此推導出相對論一樣，AI 同樣需要通過“海馬體”機制，在虛擬世界里運行無數次模擬來尋找最優解，這也是它解決生命科學、預測天氣和推演經濟的底層邏輯。

領取地址：https://s.csdn.cn/4nPsOp

“生物與核能風險其實離我們很近，網絡安全只是個預警哨”

采訪者：Demis，現在所有人都在為 AI 緊張不已。華盛頓那邊甚至開始封禁一些 AI 模型。不過，很多擔憂主要集中在這類基于文本的模型上：它們可以編寫軟件、發現計算機漏洞。我想問的是，你是否也像很多人一樣認為，通向 AGI 的路徑會經過像 Mythos 這種可能很快具備某種自我改進能力的模型？還是你認為，真正實現 AGI 仍然需要一種多模態的方法，就像你們在 Gemini 上所做的那樣？

Demis：這個第一個問題里，其實就已經有很多層內容值得拆開來說了。首先，關于我們現在在網絡安全和 Mythos 上看到的情況，我已經公開講了很久：隨著我們越來越接近 AGI——而我認為我們現在已經到了那個門檻邊緣；我之前也說過，類似“我們已經走到了奇點前的山麓地帶”——我們需要用一種更系統化的方法來應對這一切。

當然，前方有非常驚人的機會，正如你開場時提到的那些：治愈所有疾病、找到新的能源來源。這些正是我整個職業生涯都在研究 AI 的原因。但與此同時，也存在風險，網絡安全就是其中之一。事實上，未來還會出現更嚴重的問題。這其實是給全人類的一次預警，我希望我們能認真對待。

接下來還會有生物、核能以及其他類型的風險，可能就在未來幾年內出現，我們必須提前做好準備。我認為，我們需要一種更系統的方法來處理這些問題，或許還需要某種標準制定機構，最好是國際性的，來幫助測試最前沿的系統，確保它們足夠穩健，防護欄也足夠完善。

這是你剛才提到問題的一方面。至于 AGI 的技術路徑，我認為我們一直擁有最廣泛、也可以說最深厚的研究梯隊。過去十年里，支撐現代 AI 產業的大量關鍵突破——我覺得可能有 90% 甚至更多——都來自 Google Brain 或 DeepMind：從當年我們還是兩個獨立研究機構，到現在合并成 Google DeepMind。無論是支撐所有大語言模型的 Transformer，還是 AlphaGo，以及我們當年在強化學習領域做出的那些開創性工作，都出自這里。

所以，我認為我們的做法一直都是：在多條路線上同時下注，并且把每一條都盡可能往前推進。顯然，我們在做擴展性研究，也有自己的多模態基礎模型 Gemini。我們在代碼能力上投入很大，同時也在推進像 Omni、Veo 這樣的多模態生成媒體模型。我們認為，這些模型對于讓系統理解我們周圍的世界、理解我們所處的上下文，是非常重要的。

我覺得，歸根結底，如果你想要一個完整的 AGI系統，它還必須能夠理解你周圍的物理世界。而像機器人真正走向現實，以及智能眼鏡上的助理這類應用，我認為都明確需要這種能力，這兩者都是非常有意思的應用方向。

采訪者：那我就把你的回答理解成“不是”。謝謝。

“2010年，在行業里做 AI 幾乎等同于職業自殺”

采訪者：那么，當你創辦 DeepMind 的時候，你處在絕對的最前沿；后來加入 Google 時，感覺幾乎所有 AI 領域的核心人才都匯聚在 DeepMind 和 Google 這一家公司旗下。可現在，至少已經有三家同樣站在前沿的主要競爭對手，都在爭奪最頂尖的人才。我想問的是，你覺得今天的 DeepMind 仍然擁有贏下 AGI 競賽所需要的人才嗎？

Demis：是的，我認為頂尖實驗室之間的人才流動確實很多，而我們也吸引到了相當一部分頂級人才。但我要說的是，在所有領先實驗室中，我們依然擁有迄今為止最大、也最廣泛的研究梯隊。

我們仍然持續產出絕對前沿的成果，無論是在基礎模型上，還是在那些最終會反哺基礎模型的其他模型上，比如我們的 Omni 和 Veo 模型。不過，現在的市場競爭確實異常激烈——很可能是科技行業有史以來競爭最兇猛的時期。

我覺得這其實是不可避免的。回頭看，我們是在 2010 年開始做這件事的。那時我創辦 DeepMind，幾乎沒有人在做 AI，尤其是在工業界肯定沒有，哪怕在學術界，做 AI 基本也被視為職業自殺。大家普遍的看法是：“AI 當然不行。我們 90 年代在 MIT 之類的地方試過了，結果走進了死胡同。”這就是當時的主流觀點。

但我們這一小群人相信，實際上只要有正確的思路，使用學習系統、強化學習，并押注神經網絡，就能取得大量快速進展。最終我們證明自己是對的。但這也意味著，在過去幾年里，全世界都開始意識到 AI 的潛力，世界上每一家重要公司都會參與進來。

采訪者：是的。我們現在在戛納，參加的是一個廣告行業大會。雖然這里有許多極具創意的人，我相信他們中的很多人，甚至包括現場觀眾，也都在使用你們的視頻生成工具來制作廣告，或者做其他創意相關的事情。

現在這些工具能夠做到哪些一年前還做不到的事？

Demis：這些工具以及背后的模型，幾乎每個月都在大幅進步。一年前，我覺得我們這些工具最大的變化——比如新的 Omni 模型，還有像 Nano Banana 這樣的圖像工具——就是它們開始具備一種“實時編輯”生成結果的能力。

我認為，這對創作者來說已經變得極其有用。創作過程的一部分，當然是先生成第一個想法、第一版概念，但你會喜歡其中一部分，不喜歡另一部分。你不想每次都把整個內容重新生成，而一年前我們基本只能這么做。你希望能夠用自然語言來描述——最好就像你對設計師說話那樣——比如：“好，這一部分保持不變，把那一部分改成別的。”然后你可以這樣迭代，也許反復上百次，直到得到你想要的最終精修版本。

所以我覺得，過去一年最大的變化之一，就是這種細粒度控制能力；除此之外，整體質量也在持續、頑強地提升。

“當生成的視頻越來越逼真，數字水印應該像安全帶一樣變成強制法規”

采訪者：是的。廣告行業內部其實也有很多爭議。人們在試圖弄清楚：這里到底有沒有用 AI？這是不是 100% 由人創作的？是否應該披露？等等。你覺得，這種討論只是暫時性的——因為我們還沒有適應 AI 將如何改變創造力——還是說這種討論會長期存在，以后也會一直有？

Demis：我覺得這里面其實有兩個不同層面。首先，毫無疑問，我們必須處理錯誤信息和深度偽造的問題。早在三四年前，我們剛開始構建這些生成模型的時候，就已經意識到了這一點。我們當時就預見到，未來這些系統會變得非常強大——顯然，這原本就是我們的目標——并且最終會接近照片級真實。

所以我們需要一種數字水印系統。我們開發了這樣一個系統，叫 SynthID。它足夠穩健，基本上很難被破解，而且會以肉眼不可察覺的方式嵌入圖像中，這樣任何人——普通公民、記者，或者政府機構——都可以檢測出這張圖像是否由 AI 生成。

我們所有能夠生成內容的模型——從音樂、圖像到視頻——都內置了 SynthID。同時，我們還把它開源出來，提供給整個行業使用。所以現在很多同行都已經采用了這一標準——包括 OpenAI、Nvidia，以及許多其他大型公司。

所以我希望，最終這幾乎應該成為一種監管要求：如果你在創作生成式媒體內容，那它就應當帶有來源檢測機制。顯然，這也會幫助處理版權持有者和知識產權相關的問題。這樣一來，這些事情就都能被串聯起來。

至于說，如果你在創作過程中使用了 AI，是否就必須披露，我并不確定。我覺得，這可能只是我們當前所處的一個階段。以前我們用 Photoshop 或其他工具，現在只是有了一個更先進的工具，但歸根歸底它仍然只是服務于你個人創造力的工具。我不確定這是否需要按你說的那種方式去披露；唯一真正需要明確的是，最終輸出是否是合成生成的。

“工具拉低了門檻，但也產生了大批沒有創意的垃圾”

采訪者：如果回看你的職業生涯，“創造力”是一條非常清晰的主線。你最開始是做電子游戲的；后來你作為神經科學家研究大腦中的創造力本質。甚至 AlphaFold，我覺得也可以說是一種非常有創造性的科學方法，對吧？

現在我們有了這么多工具。有人會說，這會讓我們變得沒那么有創造力。我們現在只是讓模型去做你過去職業生涯中花了很多年辛苦完成的事。那你怎么看？它會怎樣改變創造力？

Demis：它肯定會改變創造力。但我看到的是一種雙重變化。

第一，它正在讓一些創意工具民主化，讓更多人能夠比較快、比較容易地去嘗試自己的想法。當然，這也是一把雙刃劍，因為它同樣會產生大量未必真正具有創意價值的內容。但另一方面，這也意味著更多人可以進入這些行業。我覺得進入門檻降低了，把關的人變少了。因此，這很可能會讓新的創作者、專業創作者，無論身處世界哪個角落，都能借助這些工具找到自己的路徑。

第二，是我在專業領域看到的變化——我們和很多專業導演以及非常出色的合作伙伴一起工作，我們也會和他們交流，以便設計出真正能夠增強和賦能他們創作流程的工具。我認為，這會非常驚人。他們能做的事情會比以前多 10 倍，能夠嘗試更多想法，并且更快地迭代這些想法。

他們擁有的想法，遠遠多于他們一生中真正能做出來的作品。所以，這些工具讓他們能夠以相對低成本、相對快速的方式去試驗。對于專業創作者來說，我認為他們將能夠更快地通過迭代，走向更酷、更精彩的作品。

但就像任何新工具一樣——互聯網是這樣，計算機也是這樣——如果你用錯了方式，如果你用得很懶，它確實會削弱創作過程；但如果你用得足夠創新，它就會增強創作過程。

我認為，創意產業還需要一段時間，才能摸索出使用這些工具的最佳方式。我也經常和游戲行業里的游戲設計師朋友聊天。他們對這些工具都很興奮，但我想說，至少在游戲行業——這是我最熟悉的創意行業——我們仍然還沒有真正找到那些更深層、更本質的使用方法。

現在還非常早期。游戲行業正在把它用于一些顯而易見的事情，比如制作素材、圖形之類的內容。但它是否能改變游戲的本質，是否能催生全新的游戲類型？我覺得這是可能的。就像 90 年代我剛進入游戲行業時，圖形技術和 AI 第一次進入電腦游戲領域，它們讓我們創造出了全新的游戲類型。我希望這些新工具也能點燃類似的變化。

采訪者：你怎么看這樣一種批評：這些模型畢竟是用人類創作的輸出訓練出來的，對吧？那是否應該有某種可審計機制，讓人們能夠知道：“哦，這個輸出部分借用了我的作品，我應該因此獲得補償。”你覺得這應該實現嗎？

Demis：我覺得，也許確實需要一種新的經濟模式，而且我認為科技行業和創意行業需要共同合作。音樂行業在流媒體時代就經歷過這樣的事，像 YouTube、Content ID，尤其是 YouTube，以及 Spotify 等公司，都發展出了新的、非常穩健的商業模式。

所以我認為，這種模式大概率也是需要的。但問題在于，正如所有創意行業的人都知道的那樣，要具體歸因說“這里面有 1% 來自這個、5% 來自那個、10% 來自另一個”，是非常困難的。要客觀地就這種比例達成一致，會很難。

而且即便是我們作為人類創作者，我們創作出來的東西，本身也是我們所有經歷、所學到的東西、接觸過的內容……共同作用的結果，然后我們再把這些和自己的創造力重新混合，生成新的東西。從某種意義上說，這一直就是創作過程本來的樣子。不過，未來會怎樣，我們還得繼續看。也許最終確實需要新的商業模式。

“寫圍棋和街機算法不是不務正業，它是走向 AlphaFold 的研究階梯”

采訪者：我經常聽人這么說：如果 AI 被用來做科學研究、治愈疾病，比如你們在 Isomorphic Labs 做的那些事情，我是可以接受的。

Demis：對。

采訪者：但我不喜歡它去再造音樂，或者再造某位電影導演可能完成的作品，或者甚至廣告公司的工作。不過我在想，這里是不是有一個關于“跨學科能力”的問題，尤其是在 AI 領域。

一方面，你可能在 Isomorphic 做虛擬細胞——這是我們今天還做不到的，但也許有一天，我們真的能夠實時看到一個細胞是如何運作的。另一方面，你又在構建這些世界級的視頻模型，而它們未來也許能夠分析那個虛擬細胞，甚至幫助治愈疾病、創造新療法。你是否認為，這種事情未來會發生？幫我們理解一下。

Demis：是的。AGI 這個概念背后的整個核心命題，以及我們最初創辦 DeepMind 時的目標，就是創造一種通用智能系統：它幾乎可以從任何輸入中學習，然后生成有用的洞見，或者發現有價值的模式，并且還能以幾乎任何方式輸出這些結果。

這顯然也是人類心智運作的方式。看看我們用自己這顆原本屬于狩獵采集時代的大腦，創造出了現代文明。認真想想這一切是怎么發生的，會覺得非常不可思議。而這，正是我們所說的通用智能。

這就是 DeepMind 從一開始想聚焦的方向，也是現在整個 AI 領域聚焦的方向：構建那些具有通用性、能夠學習的系統，而不是把答案硬編碼、硬編程進去。現在回頭看會覺得有點可笑，但在 AI 作為一個領域最初的 50、60 年里，大家的確就是這么做的，比如 Deep Blue 這樣的國際象棋程序等等。

這意味著，有些能力其實是不可分割的。如果你想要一個真正通用的系統，它既能理解你周圍的世界，又能分析科學論文或科學數據，包括諸如細胞、蛋白質、甚至微小分子的圖像數據——當然這取決于成像設備的分辨率——那么，它所需要的能力類型，本質上和分析 YouTube 視頻，或者分析攝像頭看到的一般視覺信息，是同一種能力。

所以，這其中很多能力本身都是通用的。你可能為了某一件事去開發它們，但實際上，那只是為了另一件更終極的目標所采取的手段。

你可以從 DeepMind 最初五六七年的工作中看到這一點。那時我們在做游戲，讓 AI 擅長玩圍棋、雅達利游戲。顯然，我選擇游戲的一個原因是我熱愛游戲、我做過游戲、我一直都和游戲行業有關系。但真正的原因是：在當時，那些任務的挑戰難度正好適合 AI 系統所能達到的水平。

所以，游戲從來都不是目的本身。它只是一個手段，一個幫助我們設定可量化、可實現的中間目標的手段：這些目標足夠令人驚艷，也足夠難，但又大致還處在可能實現的范圍之內。我們相信，這會成為一架研究階梯，幫助我們一步步走到今天——也就是擁有這些系統，并最終讓它們能夠在現實世界中做真正驚人的事情，去解決現實問題，比如 AlphaFold 所做的蛋白質折疊問題，以及現在的藥物發現。

對我個人而言，我投入時間使用這些 AI 系統，主要就是為了“AI for Science”，也就是用 AI 做科學研究。這一直是我最大的熱情所在，也是我構建這些 AI 工具最核心的原因。當然，同一套底層平臺還可以用于許多其他同樣不可思議的事情，包括幫助創意工作的生成媒體模型，以及像大語言模型這樣的生產力工具。

“人類和機器的想象力，本質上都是一種腦內的‘物理模擬器’”

采訪者：這真是太有意思了，所有這些居然都是連在一起的。我也想起了你作為神經科學家的第一篇論文，那篇 2007 年的論文現在已經很有名了。它把大腦中的海馬體和創造力聯系在一起。那是關于失憶患者的一項研究，發現那些海馬體受損、無法記憶的人，同樣也無法在腦海中“看見”事物、無法想象未來。而創造力中的這種視覺維度，是非常重要的。

甚至對先天失明者做的 fMRI 研究也發現，他們同樣會調動大腦中的視覺區域。所以我想問的是：當你嘗試在 AI 中重新創造某種“機器海馬體”，也就是讓 AI 能夠具備創造力的機制時，你是否認為，這件事真的可以僅僅通過用創意產業的數據來訓練這些模型而實現？

Demis：是的。正如你提到的，這條主線是這樣的：首先，在我職業生涯早期，我運用自己的視覺創造力去設計和編寫電子游戲。后來，當我進入神經科學領域攻讀博士時，我非常著迷于試圖揭示：到底是什么樣的大腦機制，讓我們能夠做到這一點——而且是我們每個人時時刻刻都在使用的能力。

至少我當年做游戲時的創作方式，是先把最終目標在腦中可視化，非常強烈地想象一個玩家、一個孩子，在玩這個游戲、操作這個界面；甚至在它還沒有真正被編程實現之前，我就會提前思考：這里會出現什么問題？他們會怎么覺得有趣？諸如此類。某種程度上說，我是在腦中做了一次模擬。

我們每天在做計劃的時候也都會這樣。比如，晚些時候要去參加一場重要的商務晚宴，我們往往會非常具體地想象：大家會坐在哪里？我該怎么開啟對話？別人會有什么感受？所以，我們一直都在使用這種想象性的、或者說面向未來思考的腦內能力。

我剛開始讀博士的時候，就有這樣的懷疑。按原本安排，我應該研究的是記憶，而記憶這個問題已經被研究了很長時間，并且眾上周知依賴海馬體。有一些罕見患者，不幸患上了一種只攻擊海馬體、但保留其余大腦完整的疾病。英國有少數這樣的病例。我們去采訪了其中的每一個人。

在我博士第一月閱讀大量記憶文獻時，我發現大致有兩種學派。一種認為記憶像錄像帶一樣，你只是把發生在自己身上的一切記錄下來。這顯然讓我覺得不對。另一種學派認為，記憶是一個重建過程：也就是說，當你回憶某件事時，你其實是在主動地把它從各個組成部分中重新構建出來。這個觀點在我看來明顯更合理。

但如果這一點成立，那么想象力就應該使用同樣的大腦機制。區別只是在于目標不同。你不再是試圖重建一個你熟悉的東西，而是試圖用這些組成部分創造出一個新的東西，一個在你大腦中感覺新穎的東西。事實上，這正是我們后來發現的。令人驚訝的是，我們是第一批去測試這些患者“想象能力”而不僅僅是“記憶能力”的研究者。

采訪者：你覺得，現在這些視頻模型根據提示詞去重建世界，它們內部發生的機制，和大腦中發生的事情之間，有相似之處嗎？

Demis：我覺得，在系統層面上，肯定是有的。我并不認為兩者在具體實現上是一一對應的，而這也從來不是我做神經科學研究的目的。我的目標不是復制大腦，而是去理解大腦可能在使用什么樣的原理、算法，以及什么樣的表征方式，然后把這些啟發提煉出來，嘗試朝著我們的 AI 模型方向構建進去。

所以我認為，我們新的 Omni 模型和 Veo 模型在生成世界的方式上，確實和大腦存在一些相似性。而且關于這種系統究竟是如何運作的，肯定還有很多值得學習的地方。

我有不少做神經科學教授的朋友，他們實際上正在把最新模型的能力——比如在某個提示詞下能做出什么——和人類在 fMRI 機器里的反應，以及他們可能生成的腦中圖像進行比較。他們在做各種瘋狂而驚人的事，比如解碼一個人正在想象或者正在夢到的圖像，然后再用這些模型把那個視覺內容重建出來，接著問掃描儀里的受試者：“這是不是你剛才想象的東西？”結果還真是。

所以我想，未來幾年里，我們會擁有一些非常驚人的、簡直像科幻作品里的設備。

采訪者：太有意思了。你談過一個“愛因斯坦測試”。我特別喜歡這個想法：你可以把愛因斯坦當年擁有的全部數據都給一個 AI，但一點都不多給。換句話說，知識截止日期設在比如 1901 年。然后看看這個 AI 模型能不能做到愛因斯坦做到的事——提出相對論，以及我們今天仍在使用的那些其他物理學突破。

不過，當你這么說的時候，人們很容易想到文本模型，但你真正設想的其實更像是一種視覺化過程，對嗎？

Demis：首先，這就是我定義“真正創造力”的方式。那就是我設計出來的測試，因為人們總會問：你怎么定義它？也就是說，創造力不是對已知事物做外推，而是你真的提出了一個新的假設，一個關于現實某一部分的、真正新穎的科學假設，就像愛因斯坦在 1905 年通過一系列驚人的實驗與論文最著名地做到的那樣。

所以這很有意思。也許語言本身就已經足夠豐富，足以讓你從所有文本中提煉出某個新的理論——某種隱藏其中、彼此交叉關聯的東西——前提是你能把所有內容都讀完，并同時保存在腦中。

但愛因斯坦本人在瑞士做專利局職員的時候……會想象那些思想實驗……所以他其實是在使用自己的視覺想象裝置來提出這些新理論，然后再用數學把它們證明出來。

但我認為，你終究還是需要接觸、并至少理解原子構成的那個世界；而且如果你還要提出新的實驗，或者必須做新的實驗來檢驗并進一步發展你的假設，使它不只是停留在理論層面——那我認為，你就需要理解“原子的世界”，而不只是“比特的世界”或者“邏輯的世界”。

采訪者：是的。回到你做電子游戲的時代，你在自己創辦的公司 Elixir 做過一款叫Republic: The Revolution的游戲。那款游戲其實算是失敗了，但它背后的想法非常宏大。它太有野心了。你當時試圖重建一個前蘇聯共和國，并在某種意義上模擬整個世界，對吧？

Demis：對。

采訪者：這很驚人，因為我覺得在 2003 年、在奔騰電腦上做這件事，可能確實有點太超前了。

Demis：對。當時的條件完全不夠——我那時真的是超前了很多年。

采訪者：對。可現在，你手邊已經可以調用成千上萬、甚至數十萬塊 GPU，你又一次在構建這些虛擬世界。這很有意思，感覺像是兜了一圈又回到了原點。

但你會不會設想：真正的突破會發生在這些虛擬世界內部？當然，這些世界顯然會對機器人有幫助，比如訓練它們如何上樓梯之類的——但你知道，我說的是：一個虛擬的愛因斯坦，在虛擬世界里游走于專利局、進行白日夢般的思考，這會不會就是突破發生的地方？

Demis：原因是這樣的。你看，當年我們做Republic的時候，試圖模擬的是一個完整國家：有 10 萬個活生生的人，他們有自己的日常生活、也有整個政治體系，而玩家的目標是發動一場革命。所以那是一個非常雄心勃勃的游戲，而且所有這些都得靠我們手工去寫。很驚人的是，它花了我們好幾年時間；而今天更驚人的是，我們也許已經接近這樣一種可能：用我們現在的一些系統，直接把類似的世界“生成”出來。

我覺得我們現在還沒到那一步，但再過兩三年，接近那種能力的東西也許就會成為可能。到那時，我們也許就能真正實現我當年設想的完整愿景。

但這一切為什么重要、為什么彼此相關，原因就在于：我認為模擬和 AI 都是基礎性的東西，而且它們關系極其緊密。模擬會非常有用。歸根結底，想象力本身就是一種模擬。

模擬之所以有用，是因為它讓你能夠先在理論上嘗試很多種可能，然后選出最優路徑，對吧？AlphaGo 就是這樣做的：它在當前棋局中要選擇下一步最優落子時，會模擬成千上萬步后續走法。在那個場景里，它用的是蒙特卡洛搜索，同時利用圍棋模型把搜索限制在那些真正有價值的路徑上。然后，它會在 20 步、30 步之后，對那些終局位置進行評估，看哪一種局面最有前景。這就指導了它的下一步，也讓它能夠擊敗世界冠軍。

而在這個世界的很多領域——機器人和智能助理只是其中兩個，科學研究也包括在內——在我看來，我們都非常希望能夠把同一個問題“重新跑很多遍”。

我舉個例子：經濟學。如果經濟學能更像自然科學，那就太好了。現在的做法是，我們把利率上調或下調 0.5%，然后再看：這會不會導致衰退？哦，糟糕，也許我們不該這么做。但如果我們能夠從當前狀態出發，模擬幾十萬條經濟運行軌跡，看看調動這些重大杠桿后會發生什么，再從這些精確模擬中得到某種統計意義上的聚合結果，然后據此快速做出一個信息更充分、科學性更強的決策，那顯然會好得多。

在很多社會科學領域，這件事做不到，因為你沒法像自然科學那樣，在受控條件下把同一個實驗重復幾百次。

所以我認為，那些“學會了的模擬”會非常關鍵。而 AI 與它的關聯就在于：如果你對底層系統理解得足夠清楚，你當然可以手工寫出一個模擬器。但大多數時候，我們想要模擬的東西——無論是天氣模型，我們已經擁有世界上最好的天氣模型之一；還是經濟模型——我們其實都還不夠理解這個系統在數學層面上到底是如何運作的。那么這時，AI 系統就可以從數據中學會這個模擬。

所以，如果你愿意這么說的話，這就是我真正想做的那個更大的目標。

采訪者：我很喜歡你把 AI 的創造力維度和科學維度連接起來的方式。我相信，你今天也給現場很多人帶來了工作上的靈感。非常感謝你，Demis。和你聊天很愉快。

AI 產品正在從概念演示走向業務現場，真正的競爭也從“誰更會講故事”轉向“誰更能落地”。

7 月 17-18 日，2026 奇點智能產品大會將在北京金隅喜來登酒店舉辦，圍繞 Agent 智能體、企業級 AI、AI 原生組織、具身智能、軟件生產力、多模態產品、人機協同與行業應用落地等核心議題，邀請 40+ 一線產業實踐者，共同拆解 AI 產品從 0 到 1、從 Demo 到規模化應用的真實路徑。