# 哈萨比斯再谈AGI：模拟能力才是终极智能，文本模型只是起点
本来不想发这期，但是发现有一些切片取决了哈萨比斯的原意，所以还是发一个比较完整的版本。
这是Semafor科技主编Reed Albergotti与Google DeepMind CEO Demis Hassabis（哈萨比斯）在2026年6月法国戛纳国际创意节的一场对话。访谈正值Hassabis经历一周内两位核心研究员出走的风波：Transformer论文共同作者、Gemini技术联合负责人Noam Shazeer去了OpenAI，与Hassabis共享2024年诺贝尔化学奖的AlphaFold共同创造者John Jumper去了Anthropic。Alphabet股价在当周一度下跌约7%。
不过就像我下午的一个微博中所谈，我绝对不会低估哈萨比斯，也绝对不会低估DeepMind，因为这是一个对AGI有决心的Founder和组织。在这个访谈中，哈萨比斯也回应了：“各顶级实验室之间有大量的人才流动，我们赢得了应有的份额。但我要说的是，我们拥有所有领先实验室中迄今最大、最广的研究团队。”
## 一、从海马体到AlphaGo：模拟才是智能的底层机制
1、**海马体不是录像带，是场景构建器**
Hassabis读博的第一个月就注意到，关于记忆的两派观点中，一派认为记忆像录像带，只是把经历原样回放，这明显不对；另一派认为记忆是从零件重新组装的重建过程，这更合理。如果记忆是重建过程，那想象力应该用同一套脑机制，只是目标不同：记忆试图重建一个感觉熟悉的场景，想象试图用同样的零件拼出一个感觉新鲜的场景。
他在英国找到了所有已知的纯海马体损伤患者。有一种罕见的疾病只攻击海马体，不影响大脑其他区域。对这些患者的测试证实了他的猜想：失去记忆能力的人同时也失去了想象能力。这是学界第一次测试失忆症患者的想象力，而不仅仅是记忆力。
2、**“场景构建理论”如何塑造了DeepMind的技术方向**
这项研究的启示是：大脑的记忆系统本质上是一台模拟引擎。记忆、想象、未来规划、导航，底层都是同一个操作：在脑中构建一个连贯的空间场景。Hassabis说他做神经科学不是为了复制大脑结构，而是为了提取大脑使用的“原理和算法”，然后把这些启发注入AI模型的设计方向。他明确说，AI视频模型和大脑在系统层面有相似之处，但具体实现方式并不一一对应，“从来都没打算复制大脑”。
他自己做游戏时就在用这种能力：在代码写出来之前，先在脑中模拟一个小孩坐在屏幕前玩游戏的完整场景，包括界面操作、卡关的地方、觉得好玩的瞬间。他说每个人每天都在用这种能力，比如准备一场重要的商务晚宴时，会下意识地在脑中模拟座次安排、开场白、对方的反应。
3、**AlphaGo也是一台模拟器**
AlphaGo选择下一步棋的方式，本质就是模拟：蒙特卡洛搜索是一种通过大量随机采样来逼近最优解的方法，AlphaGo用它模拟数万种走法，用围棋模型约束搜索空间只保留有意义的路径，然后评估20到30步之后哪个终局位置最有希望，再据此决定当前最优一步。这和AI领域头五六十年的做法完全不同。Hassabis拿IBM的Deep Blue做对比：那台下棋机器走的每一步都是人类工程师提前硬编码好的规则，而AlphaGo是自己从数据中学会了下棋。
Hassabis把这个逻辑推广到了更多领域。他用经济学举例：现在的做法是调半个百分点的利率，然后看“会不会引发衰退？”如果能模拟数十万条经济轨迹，在虚拟环境中测试不同政策杠杆的统计结果，经济决策就能变得接近自然科学的严谨程度。问题在于，自然科学可以在实验室里重复实验上百次，社会科学不行。模拟技术就是为了填补这个空缺。
4、**爱因斯坦测试：真正的AI创造力该怎么定义**
Hassabis给“真正的创造力”设了一个检验标准：把1905年之前人类已有的所有数据喂给AI，看它能不能独立推导出狭义相对论，就像爱因斯坦在那一年做到的那样。关键是这个理论在当时并非对已知事实的外推，它是对现实的一个全新假说。
他补充了一个细节：爱因斯坦本人在瑞士专利局当职员时，靠的是白日梦和思想实验：如果坐在以光速行驶的火车上，看到的世界会是什么样子？这是视觉想象力在先，数学证明在后。纯文本模型也许能从海量文字中发现某些隐藏的交叉关联，但如果要提出新实验、执行新实验来验证假说，就必须理解原子构成的物理世界，而不仅仅是比特和逻辑构成的文本世界。
## 二、通往AGI的路必须穿过物理世界
1、**文本模型不够，DeepMind的多模态押注**
被问到AGI是否会从纯文本模型中产生时，Hassabis给了一个委婉的否定。他说DeepMind一直同时推进多条路线：Gemini基础模型的规模化训练、代码能力，以及多模态生成媒体模型（Omni和Veo）。在他看来，后者对AGI同样关键，因为它们让模型获得对周围物理世界的理解。
要实现真正的通用智能系统，你需要理解物理世界。机器人要变成现实需要这个，智能眼镜上的助手也需要这个。这是他在访谈中明确点出的两个应用方向。
2、**同一种能力可以同时分析YouTube视频和蛋白质结构**
Hassabis强调了一个容易被忽视的事实：很多AI能力是通用的。你为了分析YouTube视频而开发的视觉理解能力，和你分析细胞图像、蛋白质结构、小分子结合方式所需要的能力，在底层是同一种东西。为一个应用场景开发的技术，实际上是通向另一个应用场景的阶梯。
他用DeepMind自己的历史说明这一点：头五六七年专注于游戏AI（围棋、Atari），选择游戏不是因为游戏本身是目标，而是因为游戏提供了“难度恰好在当时AI系统能力边界上”的可量化挑战。“它们从来都是手段，不是目的。”这条研究阶梯最终通向了AlphaFold和药物发现，而Hassabis说AI for Science一直是他投身AI领域的核心动力。
3、**虚拟细胞：视频模型和药物发现的交叉点**
采访者提到了一个具体场景：Hassabis创办的AI制药公司Isomorphic Labs正在尝试构建“虚拟细胞”，也就是在计算环境中实时模拟一个完整细胞的运作过程，这在今天还做不到。而另一边，DeepMind正在开发的视频生成模型，也许有一天能分析这个虚拟细胞的视觉输出，帮助发现新疗法。Hassabis回应说，这正是AGI概念的核心所在：一个通用智能系统能从几乎任何输入中学习，发现有用的模式，然后以几乎任何方式输出。科学分析和视频生成，看起来是两个不相关的方向，底层所需的能力却是同一套。
4、**神经科学家正在用AI模型解码人类的梦境**
Hassabis提到了一个前沿进展：他的神经科学教授朋友们正在做的实验：用特定提示词让AI模型生成图像，同时让被试躺在fMRI脑成像扫描仪中想象或做梦，然后用AI模型重建被试脑中的视觉场景，再问被试“你想的是这个吗？”答案是肯定的。他认为这类“科幻级设备”在未来几年内就会出现。
## 三、AI创意工具的变与不变
这段对话发生在戛纳国际创意节，台下坐的是广告和创意行业从业者。
1、**过去一年最大的变化：细粒度控制**
一年前，用户对生成式模型的输出如果只喜欢一部分，就得重新生成整个内容。现在，用户可以用自然语言描述“保留这部分，把那部分改成别的”，然后迭代数百次直到拿到满意的最终版本。这种像对设计师说话一样的精细控制能力，是过去一年的核心进步。Hassabis提到的具体产品包括Omni模型和一个图像生成模型（速记中记录为“Nano Banana”，疑为语音识别偏差）。
2、**创意普惠是把双刃剑**
更多人可以尝试创意，门槛降低了，守门人减少了，全球各地的新创作者能通过这些工具找到入行路径。但另一面是大量缺乏创意价值的内容也被生产出来了。
对专业创作者来说，效果更清晰：他们脑子里的想法永远比一辈子能做出来的多得多，AI工具让他们能以相对低成本和高速度试验更多方案，“做到以前10倍的产出”。Hassabis与多位专业导演和创作者合作设计工具，他从中看到的模式是：好的使用方式让创意过程加速，懒的使用方式会削弱创意过程。就像互联网和电脑一样，工具本身是中性的。
3、**游戏行业还没找到AI的深层用法**
Hassabis说游戏行业是他最熟悉的创意产业。目前游戏公司主要用AI做资产生成、图形制作这类“显而易见的事”。但真正让他期待的问题是：AI能不能改变游戏的本质，催生全新的游戏类型？他拿1990年代做类比，当年图形技术和AI技术第一次进入电脑游戏，催生了一批全新的游戏门类。
4、**SynthID：从开源工具到监管标准**
DeepMind三四年前开始构建生成式模型时，就预见到这些系统迟早会达到照片级真实度，因此同步开发了SynthID数字水印系统。这套系统把不可感知的水印嵌入图像的像素中，任何人（公民、记者、政府）都能用它检测一张图是否由AI生成。目前SynthID覆盖音乐、图像、视频，已经开源并被OpenAI、NVIDIA等公司采用。
Hassabis的主张更进一步：他认为这应该成为监管要求。“如果你在创建生成式媒体，就应该附带来源检测。”他补充说这也能帮助解决版权方和知识产权的问题。
5、**用AI创作是否需要披露？Hassabis的回答是：不一定**
广告行业内部有一场争论：如果一个作品部分使用了AI，是否应该向观众披露？Hassabis把这个问题拆成了两层。第一层是AI生成的内容本身应该附带来源标记，SynthID解决的就是这件事。第二层是创作者在工作过程中使用了AI作为工具，是否需要告诉别人。对第二层，他的态度是“不确定是否有必要”。他的类比是：以前大家用Photoshop，也没人要求披露，现在AI只是一个更先进的工具。他认为这可能只是一个过渡期的焦虑，“你应该知道最终输出是否由AI合成生成，但我不确定你需要披露自己在工作中用了AI。”
6、**版权问题需要新的商业模型**
Hassabis拿流媒体做类比：音乐行业经历了YouTube Content ID和Spotify等平台的洗礼，最终摸索出了新的商业模型。AI创意领域可能也需要类似的过程。但他指出了核心难点：要客观地判定一个AI输出中有1%来自这个创作者、5%来自那个创作者，几乎不可能。即便是人类创作者，作品也是所有经历、所学、所接触过的其他艺术形式和创作者作品的混合产物，“这一直是创作过程的本质。”
## 四、人才战争与“人类的预警弹”
1、**一周失去两位顶级研究员后的回应**
访谈背景是Google在一周内接连失去两位标志性人物。Transformer论文共同作者、Gemini技术联合负责人Noam Shazeer去了OpenAI。AlphaFold共同创造者、与Hassabis共享2024年诺贝尔化学奖的John Jumper去了Anthropic。Alphabet股价当周一度跌约7%。
Hassabis的回应是承认竞争烈度，同时强调规模优势：“各顶级实验室之间有大量的人才流动，我们赢得了应有的份额。但我要说的是，我们拥有所有领先实验室中迄今最大、最广的研究团队。”他用了一个词，“ferociously competitive”（极其凶猛的竞争），并说这可能是“科技行业有史以来竞争最激烈的时期”。
2、**2010年创办DeepMind时，AI在学术界都被视为“职业自杀”**
Hassabis回忆说2010年创办DeepMind时，几乎没有人在做AI，工业界没有，学术界里做AI也被认为是断送前程。主流看法是“AI在1990年代就在MIT这些地方试过了，是死胡同”。只有“一小群人”相信，用学习系统、强化学习和神经网络的正确思路，可以取得快速进展。“我们最终被证明是对的。”但这也意味着现在全世界都意识到了AI的潜力，每一家重要公司都在涌入这个领域。
3、**网络安全威胁只是“预警弹”，生物和核风险更严重**
Hassabis说他长期以来一直公开表示，随着AI接近AGI（他认为“我们现在就在这个临界点上”，用了一个比喻“我们在奇点的山脚下”），需要更系统化的应对方式。网络安全风险（AI发现软件漏洞等）只是“对人类的预警弹”。更严重的生物风险和核风险可能在未来两三年内出现。
他提出的方案是建立一个最好是国际化的标准机构，负责测试最新的前沿系统，确认其防护措施是否充分。同时他强调，AI带来的机遇同样巨大，治愈所有疾病、找到新能源，这些是他投身AI事业一辈子的原因。
4、**DeepMind的研究产出记录**
Hassabis给出了一个数据点：过去十年，“可能90%以上”支撑现代AI产业的重大突破来自Google Brain或DeepMind（当时是独立研究实体，现合并为Google DeepMind）。他特别提到了Transformer架构和AlphaGo/强化学习的先驱工作。
## 五、从一款失败的游戏到模拟整个世界
1、**Republic： The Revolution：2003年用一台奔腾电脑试图模拟10万人的国家**
Hassabis在1998年创办Elixir Studios后开发的第一款游戏，试图在一个虚构的前苏联国家中模拟10万个有自己生活轨迹的居民，玩家的目标是发动一场Revolution。这款游戏2003年发售后评价不佳。Hassabis自己也承认“太超前了一些”，硬件算力根本撑不住这个野心。（这个游戏比较疯狂）
2、**两三年内AI可能做到当年做不到的事**
Hassabis说，Republic当年花了几年时间手工编写才做出来的东西，现在也许再过两三年，就可以用AI系统直接生成。他还不认为当前技术已经就绪，但“接近那个可能性的东西也许是可以实现的”。如果这成为现实，他当年的完整愿景也许终于能被实现。
3、**模拟和AI密不可分**
在Hassabis的框架里，模拟和AI是一体两面。模拟的价值在于：你可以在理论层面尝试大量方案，然后选出最优路径。问题是大多数我们想要模拟的系统（天气、经济、社会运行）人类还没有在数学层面上充分理解其运作方式，无法手工编写精确的模拟程序。这时候AI的角色就是从数据中学习出那个模拟模型。他提到DeepMind已经拥有“世界上最好的天气模型”作为一个现有案例。
## 核心归纳
**Q1： Hassabis认为AGI一定需要多模态能力吗？**
是的。他的核心论点是，理解物理世界是通用智能的必要条件。分析YouTube视频和分析蛋白质结构在底层需要同一种视觉理解能力。DeepMind同时推进Gemini基础模型、代码能力和多模态生成模型（Omni、Veo），这看似分散精力，实际上是通向AGI的必经路径。
**Q2： 面对一周内两位核心研究员出走，Hassabis的真实应对策略是什么？**
他的公开回应强调的是规模优势和研究广度，即“所有实验室中最大最广的研究团队”。访谈之外的背景是，Google拥有其他实验室难以匹配的自研芯片TPU集群、数据生态和全栈整合能力，这些结构性优势是招募和留住顶级研究者的核心吸引力。
**Q3： “爱因斯坦测试”为什么是一个比benchmark更有意义的AI评估标准？**
因为它衡量的是真正的创造力，即提出关于现实的全新假说，而不是对已知事实的外推或组合。现有的benchmark测试的是模型在人类已经设定好答案的任务上的表现；爱因斯坦测试要求模型做到人类当时还没做到的事。Hassabis自己也承认这可能需要视觉想象力和物理世界理解力，不仅仅是文本处理能力。
发布于 日本