近期，「诺奖得主、DeepMind CEO 斯坦福演讲：00 后可能是人类历史上最后一批需要找工作的人」 这个消息击中了许多人的焦虑，但也带来了诸多偏离原意的误读。
本文将还原这场在斯坦福大学引发轰动的“ 炉边谈话”：这场对谈的真正主角，没有在兜售焦虑，而是在极其清醒地向大众揭示未来十年的技术红利与商业底牌。
这场访谈为什么值得一看？
这场访谈的主角戴密斯· 哈萨比斯 （Demis Hassabis） 是 Google DeepMind 的联合创始人兼 CEO，也是 2024 年诺贝尔化学奖得主。他不仅是一名出色的科学家，还曾是国际象棋神童和千万级销量的电子游戏开发者，他带领团队研发了击败世界冠军的 AlphaGo 与破解生物学 50 年难题的 AlphaFold。
这场长达万字的访谈之所以被科技商业圈奉为圭臬，主要体现在两个维度：
最顶尖的 AI 从业者给出的时代洞察
作为身处研发最前沿的掌舵者，Hassabis 给出了明确的 AGI（通用人工智能） 时间表：“距离真正实现 AGI 大概只有几年的时间了，大约在 2030 年前后误差一两年。”
面对逼近的奇点，他表现出了强烈的紧迫感：“ 我认为社会迫切需要听到这个声音，因为留给我们为这场深远变革做准备的时间已经不多了。”
他深刻意识到，这股技术浪潮的破坏力远超以往：“ 我们要面对的是十倍于工业革命的冲击。如果我们真的迈入了一个非零和的‘ 后稀缺世界’，过去建立在资源稀缺和零和博弈基础上的传统经济系统将彻底失效。我们需要当代像凯恩斯那样的经济学巨匠来构建全新的经济学模型。”
基于此，他大声疾呼打破纯技术视角的局限：“ 我们必须齐聚社会的各个部分来深思熟虑地讨论它，而不仅仅是让技术人员参与。我们需要经济学家、社会科学家和人文学科专家来共同规划未来。”
在行业监管与科技伦理上，他同样直击要害。他直言传统的滞后监管已经失效：“ 监管必须由那些身处‘ 采煤工作面’ 的领先实验室提供实时信息，才能在促成有益突破的同时精准防范风险。”
而对于 AI 发展的伦理底线，他提出，智能 （Intelligence） 与意识 （Consciousness） 是可以解耦的，当前他最不希望仓促触碰的领域就是“ 意识”。
他本人极具复用价值的顶级“ 心智模型”
除了技术前瞻，此次访谈还展现出了 Hassabis 极具可复制性的个人成长思路。
比如在谈及为何将价值连城的 AlphaFold 技术免费开放给全球 300 万研究人员时，他表示：“ 如果我们将这项技术保持专有，它无疑具有无法估量的巨大商业价值。但如果我们只靠自己单干，大概只能触及这些结构所能产生的下游影响的皮毛。”
这种放弃短期垄断利润、通过开放基础设施来确立生态优势的思维，只是访谈中展露的冰山一角。
访谈背后的隐藏密码：能力悬垂
如果说宏观推演决定了时代的走向，那么访谈后半段透露出的信息，则是真正关乎普通人命运的实操指南。Hassabis 在提及当前 AI 研发状态时指出，前沿实验室正忙着制造工具，以至于根本没时间挖掘它们的全部潜力。
这就是目前硅谷最高频的战略词汇—— 能力悬垂 （Capability Overhang）。
它指的是：AI 模型实际已经具备的强大能力，与人类目前实际应用它的水平之间，存在着一道巨大的鸿沟。
为什么它值得所有人高度注意？ 因为这道鸿沟，就是未来十年最大的技术套利空间。
Hassabis 对此给出了极高的预期：“ 在接下来的 10 年里，如果你以正确的方式使用 AI，你几乎会拥有超能力，个人的创造力和能完成的项目规模将呈现指数级增长。这可能会改变工作的性质，或许会出现更多小型的创业项目而非庞大的公司体系。”
底座大模型的战役属于巨头，但应用层的广阔旷野正等待着创业者。普通人破局的抓手非常具体：“ 只要你找到方法将 AI 与你的专业领域融合，并嵌入你的工作流中，你的创造力和生产力将提升百倍。”
除了 Hassabis，业界其他顶级机构早已对“ 能力悬垂” 达成了残酷的共识：
OpenAI 今年出局过一份算力代差报告，数据显示，排名前 5% 的“ 超级用户” 所调用的 AI 思考算力是普通人的 7 倍。随着模型能力的进化，懂 AI 的人与不懂的人之间的鸿沟正在呈指数级拉大。
硅谷风投圈目前也流传着一句名言：“ 昨天的模型，就已经能实现你明天所能梦想的一切。”
应用落地的最大瓶颈，早已不是底层技术不够聪明，而是普通人缺乏将其业务化、工程化的想象力。大多数人的思维依然停留在“ 将 AI 当作高级搜索工具” 的浅层交互上，一遇到错误就全盘否定，缺乏打通 API、构建标准化工作流的系统工程能力。
在一切皆可被智能代劳的未来，斯坦福大学在访谈开场时提到的“ 承重摩擦” 显得尤为珍贵：艰难的思考与学习新事物的挑战不是低效，而是构筑人类心智主体性的基石。
不要害怕 AI 会抢走工作，时代的天平永远倾斜于那些主动跨越鸿沟的人。正如 Hassabis 最后留给年轻一代的箴言：
“ 未来依然充满着巨大的不确定性。这种未知本身令人担忧，但这也意味着一切都还未成定局。很多事情的走向取决于我们在未来几年采取的行动，以及在座的年轻一代—— 你们作为第一代‘AI 原生代 （AI native）’，将如何掌握并运用这些技术。”
附： 斯坦福大学 Demis Hassabis&John Levin 炉边谈话全译文
访谈原视频：https://www.youtube.com/watch?v=DsewHeVbL-0
开场致辞
[主持人] 很高兴看到大家齐聚一堂，参与这场与戴密斯· 哈萨比斯 （Demis Hassabis） 的对话。今天我们非常荣幸能邀请到约翰· 莱文 （John Levin） 校长来主持这场“ 炉边谈话”（fireside chat，隐喻非正式、亲切的公开访谈）。
斯坦福大学最与众不同的特点之一在于，许多最重要的思想并非诞生于单一的学院或学科，而是涌现于不同领域的交叉点。随着人工智能 （AI） 开始重塑社会的几乎每一个领域，这种跨校园合作精神在当下显得尤为重要。
在所有领域中，这在医学界的影响最为深远。我个人通过商学院与斯坦福医学院的紧密合作深切感受到了这一点。医学院正付出一项非凡的努力：通过汇聚社会科学家、科学家、临床医生、工程师和创新者，重塑癌症领域的创新与护理，从而彻底改变患者从预防到康复的整个旅程。这一愿景极其宏大，需要一所伟大大学的全部力量通力合作。斯坦福的优势不仅在于各学科内部的卓越表现，更在于我们连接各个领域的能力—— 我们让 AI 研究人员与医生合作，让组织领导者与科学家携手，让企业家与深切关注人类福祉的人们并肩作战。这也是今天这场对话显得如此重要的原因。
戴密斯· 哈萨比斯是一位人工智能研究员、企业家，也是诺贝尔奖得主，他的工作正处于这些领域的交叉点上。他是全球领先的 AI 研究公司之一 Google DeepMind 的联合创始人兼 CEO。DeepMind 成立于 2010 年，并于 2014 年被谷歌收购。目前，该公司是谷歌 AI 工作的核心，并产出了该领域一些具有决定性意义的突破。其中包括首个在围棋比赛中击败世界冠军的程序 AlphaGo，以及通过准确预测蛋白质三维形状、解决长达 50 年科学挑战的 AlphaFold。AlphaFold 的突破对疾病理解和药物发现有着深远的影响。凭借这项工作，戴密斯与约翰· 江珀 （John Jumper） 和戴维· 贝克 （David Baker） 共同荣获 2024 年诺贝尔化学奖。
他同时也是英国皇家学会和皇家工程院的院士，并在 2024 年因对人工智能领域的贡献被授予爵位。此外，他还多次 （包括 2017 年和 2025 年） 入选 《时代》 杂志全球最具影响力 100 人榜单。
但让此刻在斯坦福的探讨显得尤为引人注目的是，我们在这里关于 AI 的对话从来就不只关乎能力 （capability），它同样关乎人类的繁荣 （human flourishing）。
几年前，李飞飞教授和珍妮弗· 阿克 （Jennifer Aaker） 教授开始在斯坦福教授一门名为“AI 与人类繁荣” 的课程，围绕一系列深刻的问题展开：作为人类意味着什么？繁荣是什么样子的？技术何时能帮助推进这些目标，又在何时会破坏它们？这项工作中的一个洞见让我铭记在心，那就是：某些形式的摩擦实际上是“ 承重的”（load-bearing，隐喻困难和阻力是支撑事物发展的核心要素）。努力寻找合适的词汇、艰难对话中的不适感、学习新事物的挑战，这些都不是需要被消除的“ 低效”，相反，它们正是成长、能动性 （agency）、韧性和意义借以涌现的真实体验。这也是为什么我们今天的讨论如此重要。
在斯坦福，AI 的进步绝非抽象的概念，它们已经在重塑我们对发现、诊断、领导力、学习以及人类潜能本身的思考方式。AI 的进步也迫使我们去努力应对关于判断力、伦理、制度，以及我们最终希望技术帮助我们建立何种生活的更宏大问题。感谢大家的到来，请和我一起欢迎约翰· 莱文校长和戴密斯· 哈萨比斯登场。
跨界经历与创业初心
[约翰· 莱文] 戴密斯，很高兴你能来到斯坦福。
[戴密斯· 哈萨比斯] 很高兴来到这里，谢谢大家的到来。
[约翰· 莱文] 非常感谢你能参加这个活动。最近有很多关于你的报道、电影和书籍，很多人都了解了你的成长轨迹，这确实非常了不起：国际象棋神童、电子游戏开发者、科学家、科技企业家和领袖、诺贝尔奖得主。而这仅仅是你职业生涯的前半段。如果你能在这看似不同的经历中画出一条贯穿始终的主线 （through line），那会是什么？
[戴密斯· 哈萨比斯] 我认为这些看似毫不相干的学科中，实际上有几条主线。
首先，我一直非常享受在创造力与技术的交叉点上工作。
早在 90 年代，也就是我职业生涯初期的视频游戏产业，是所有结合尖端技术与艺术设计的行业中最具创造力的领域之一，它创造了一种全新的娱乐媒介。那真是一段不可思议的时光，可以说我职业生涯中最有趣的日子就是在 90 年代初期度过的。
我下过的国际象棋、做过的神经科学研究，以及我尝试去做的所有事情，都源于我从小就有的一个坚定信念：研究 AI 和 AGI（通用人工智能） 是一个人能投入整个职业生涯的最重要、最有趣的事情。青少年时期，我可能读了太多科幻小说、像 《哥德尔、埃舍尔、巴赫》 这类书，以及图灵、费曼等科学英雄的传记。这些作品启发了我，让我渴望以一种极其深刻的方式去理解周围的世界。而构建 AI，为科学打造终极工具，就是我践行这一使命的方式。
因为人生苦短，我试图将我过去的每一次经历都重新利用并调整 （repurpose），以服务于这个我坚持了 30 多年的宏大“ 北极星使命”（North Star mission，隐喻指引方向的终极长期目标）。
例如，国际象棋的训练塑造了我对商业、组织管理和规划的思考方式，让我学会如何将极其宏大的计划分解为易于管理的小步骤。而制作游戏则让我学会了如何管理规模化的工程项目、运营初创公司，并将创造力与工程技术相融合。
实际上，这正是我们今天在 AI 领域所做的事情：它是一门工程科学，需要将创造性工作、科学工作与极度硬核的尖端工程学结合在一起。
最后，正如大家所知，在 DeepMind 早期，我们将游戏作为测试算法理念的完美“ 试验场”（proving ground），最著名的成果就是 AlphaGo。我们刚刚迎来了它的十周年纪念，现在回过头来看，那可能真正标志着现代 AI 时代的开端。
[约翰· 莱文] 当你在 2010 年左右正式进入 AI 领域创立 DeepMind 时，你有一个非常宏大的愿景：打算先解决智能问题，然后再去解决其他所有问题。进展如何？哪些是按计划进行的，哪些又偏离了计划？
[戴密斯· 哈萨比斯] 大方向上基本实现了，甚至可以说是好得出乎意料。想想看，2010 年我们创办 DeepMind 的时候，我们去找英国的 VC—— 当时英国的风投并不多—— 然后告诉他们我们的商业计划：第一步，解决智能；第二步，用它解决一切。人们听了都很困惑。但我们是真的这么想的。实际上，我们可能还会重新用回这个使命宣言，因为“ 解决智能” 意味着构建 AGI；最好在构建 AGI 的过程中也能理解智能的本质，或许还能反过来用 AGI 帮助我们理解自己的大脑和心智，比如意识的本质、创造力的来源、梦境的产生等这些关于心智的深层奥秘。
我当年学习神经科学的原因之一，就是试图从我们对大脑的理解中寻找算法理念的灵感。我们脑海中一直预想着如今已经发生的情况：AI 毫无疑问是一项通用技术 （general purpose technology），也许是最核心的那项通用技术。只要构建得当，让它成为一个极其通用的学习系统，它的应用领域就没有极限，它可以应用于几乎任何事物。我认为这正是如今被证实的情况。
至于第二步的“ 解决其他一切问题”，我特别想到的是推进科学和医学，我指的是科学中的所有重大问题。我对它们都很着迷，比如时间的本质、现实的本质，这或许是最基础的问题。我在学校时最喜欢物理，如果你去追求那些终极的大问题，你大概率最终会去研究物理学。但我后来意识到，有趣的大问题实在太多了，一个人怎么可能在有生之年解决所有这些问题呢？这就意味着，我必须去构建新工具，来帮助世界上最优秀的科学家和专家，在他们各自研究的重大领域中取得更快的进展。
此外，AI 本身也是一个极其迷人的造物 （artifact），本身就值得作为一门科学对象去研究，它几乎是一个全新的领域。对我来说，这是一个人一生中最迷人、最值得投入的事业。哪怕它没有成功，我也一定会在学术界或其他任何地方，以某种方式继续做这件事。当然，现在“ 用 AI 解决其他一切问题” 的范围已经远超科学和医学，尽管那是我个人投入最多的领域，但显然，AI 将对生产力以及整个世界产生惊人的影响。
游戏与早期突破的挑战
[约翰· 莱文] 在 DeepMind 构建这些不同的模型时，你从游戏开始，然后进入了科学领域。有没有特定的时刻让你觉得：“ 这真的能行得通？” 比如 AlphaGo 下出第三步棋的时候？
[戴密斯· 哈萨比斯] 实际上，反而有很多时刻让我觉得这可能行不通。我记得非常清楚，我们从游戏开始，是因为它们是自洽的 （self-contained） 系统。游戏是由人类设计的，对于玩家来说充满挑战或乐趣。我热爱游戏，它们通常是许多现实世界场景的缩影 （microcosms）。如果你想想围棋、扑克或国际象棋，我经常认为商学院或 MBA 课程中应该设立一个“ 游戏模块”，去研究那些博弈游戏和 《外交》 等桌面游戏。它们具备现实生活中顶级策略博弈的特征，而且你显然可以在安全的环境中进行无数次试错。这就是游戏最大的价值。
这同样适用于训练 AI 系统。游戏环境纯粹且充满挑战，并且有清晰的目标函数 （objective functions），这对于我们早期测试强化学习至关重要。当时几乎没有人将强化学习用于解决任何规模化 （scaled-up） 的问题，它基本只是一门停留在“ 玩具问题”（toy problems，如简单的网格游戏） 上的学术学科，没人知道它能否扩展到重大问题上。
因此，我们选择了 70 年代风靡全球的最经典、最基础的游戏—— 雅达利 （Atari） 游戏，并从其中最简单的 《Pong》（乒乓球） 开始。这游戏只有两个球拍和一个球，它带有一个内置程序来控制对手的球拍，该程序可以直接读取球的速度、位置等底层代码信息。而我们的目标是：AI 能仅仅通过屏幕上的像素来玩 《Pong》 吗？
我们没有给我们的 DQN 系统提供任何程序的内部特权信息，它只能获取屏幕上的 2 万个原始像素。2 万个像素现在看起来微不足道，但在 2010 年，那是一个巨大的输入数据量，尤其还要乘以大量的帧数，以前从未有人处理过这么复杂的视觉输入。在长达几个月的时间里，我们的系统在 《Pong》 里一分都赢不了，只能让球拍抽搐着乱动。它完全不懂游戏规则，一直以 0 比 21 惨败给内置 AI。
当时我们的“ 资金跑道”（runway，创业隐喻，指公司耗尽现金前的时间） 几乎见底，仅剩的几百万美元在今天甚至不够付一个实习生的工资 （这对在座的学生来说倒是件好事）。我们在几乎不拿工资的情况下苦苦支撑，钱眼看就要花光了。我当时绝望地想：“ 也许结果证明我们还是早了 10 年，甚至早了 20 年。”
然而奇迹般地，它拿到了一分。我们当时还以为只是运气好。紧接着，它开始大量得分，并最终赢得了比赛。那一刻我们的感觉是：“ 好的，我们现在起飞了 （liftoff，隐喻项目取得重大实质性进展）。”
从事机器学习工作的人都知道，一旦你站稳脚跟 （foothold），通常就能通过“ 爬山算法 （hill climb，隐喻通过局部持续优化来摆脱困境）” 不断突破。这也是整个 AI 发展史的缩影。一旦某个方向走通了，总能找到进一步优化的方法。这就是我们的第一个重大成果，我们在 《自然》 杂志上发表的第一篇论文，展示了首个规模化部署的深度强化学习模型：利用深度学习处理复杂的视觉感知输入并寻找模式，再利用强化学习进行决策和规划。
当然，这一切在 AlphaGo 项目中达到了顶峰，这也是我们一直以来的目标。AlphaGo 的负责人戴夫· 西尔弗 （Dave Silver） 是我在剑桥读本科时的好朋友，我们在 90 年代中期上大学时就一直在讨论这件事。当年深蓝 （Deep Blue） 对战卡斯帕罗夫 （Kasparov） 的世纪大战发生在我们读大学期间。尽管深蓝令人瞩目，但我反而对卡斯帕罗夫的大脑印象更深。他凭借不可思议的心智，能在一个平等的立场 （equal footing） 上与旁边那台执行暴力破解 （brute force） 搜索的超级计算机抗衡。而且他的大脑还能做别的事情：说五种语言、参与政治、开车以及所有人类能做的事。对我来说，这才更不可思议。
深蓝系统显然缺少了一些东西。它采用的是专家系统技术：手动编写启发式规则 （heuristics），然后在顶层使用暴力搜索 （这也是今天许多传统国际象棋程序的工作方式）。这在国际象棋里管用，但在围棋上绝对行不通。围棋太深奥 （esoteric） 了，它没有具体的棋子价值差异，每一枚棋子的价值都是一样的，下围棋全凭模式识别和直觉，连顶级职业棋手也是如此。
我们意识到，如果有人能在围棋上达到世界冠军的水平，那绝不仅仅是赢了一盘棋那么简单。这意味着你所采用的算法方法一定非常有趣，并且有望泛化 （generalize） 到其他领域。AlphaGo 最终证明了这一点。它随后的表现甚至超出了我们最疯狂的梦想：在 2016 年战胜李世石的比赛中，它创造了人类 2000 多年围棋史上从未见过的新策略。
对我来说这就像是个“ 双重震撼”（double whammy，俚语，指两件令人震撼的事情同时发生）。我一直在等待的那个时刻终于到来了：AI 展现出了真正新颖的创造力。这也是我将其转向科学应用的重要信号。所以，从首尔比赛回来的那一刻起，我们就立刻启动了 AlphaFold 项目。
从 AlphaGo 到 AlphaFold：AI 赋能科学
[约翰· 莱文] 接着你转向了科学领域，去解决蛋白质折叠这个问题。你再次选择了一个有数据支撑、且具备明确目标函数的挑战，并且你成功了。这显然是一项具有诺贝尔奖级别的科学突破，商业价值巨大，但你却选择直接免费开放它。你当时是如何做出这个决定的？为什么选择免费？
[戴密斯· 哈萨比斯] 我们在剑桥读本科时，我就已经盯上了蛋白质折叠问题。我有几个痴迷于此的生物学朋友，他们后来也都成了结构生物学家。每次我们在酒吧打桌上足球时，他们总会痴迷地谈论这是生物学中最重要的难题。
我认为这是一个“ 根节点问题”（root node problem，隐喻核心基础问题）—— 只要你解开它、掌握了蛋白质的结构，就能解锁大量全新的研究途径，包括药物发现、基础生物学以及对疾病机制的理解。它将带来巨大的下游影响，值得我们投入大量时间。
对我来说，这也是一个令人着迷的终极 3D 谜题：氨基酸序列 （或者说基因序列） 是如何折叠成三维结构的？随着对蛋白质研究的深入，我对生物学的敬畏也与日俱增。这些不可思议的微型生物纳米机器构成了生命的基础，理解了它们的结构，就理解了它们的功能。
从物理学角度看，蛋白质折叠的目标很明确：最小化系统中的自由能。在人体内，蛋白质能在几毫秒内折叠，每秒发生数十亿次。自然界的物理规律不知怎么地就解决了这个问题。所以我推测，一定存在某种“ 拓扑结构 （topology）”，可以利用深度学习系统来引导搜索。就像我们在围棋中从比宇宙原子还多的可能性中找到一步好棋一样，蛋白质的搜索空间甚至更大，但通过深度学习模型总结出的启发式方法，能够大幅缩小搜索范围，让这个问题变得易于处理 （tractable）。这感觉就像是在科学领域中，遇到了一个与我们在围棋中解决过的极其类似的问题。我们将同样的方法论和理论平移了过来。
此外，全球伟大的实验室和科研人员经过 50 年极其艰苦的结构生物学工作，在 PDB 数据库中积累了约 15 万个蛋白质结构。然而，自然界中总共有 2 亿个蛋白质。对于机器学习而言，15 万是一个非常小的数据量，所以当时大多数人认为，要在算法和数据上解决这个问题，至少还需要 10 到 20 年。但我们觉得，只要用上我们掌握的每一种技术，就能取得突破，而事实也确实如此。
当我们考虑如何让这项突破产生最大影响时，我毫不犹豫地认为我们应该折叠所有的蛋白质。AlphaFold 不仅准确，而且速度极快，几秒钟就能折叠一个蛋白质。我们决定与托管着全球最大生物数据库的欧洲生物信息学研究所 （位于剑桥） 合作，将这 2 亿个蛋白质结构免费托管在他们的数据库中。全球科学家只要像用谷歌搜索一样，就能查询到所需的蛋白质结构，并且系统还会附带机器学习对结构各个部分的信心区间 （confidence intervals）。
当然，如果我们将这项技术保持专有 （proprietary），它无疑具有无法估量的巨大商业价值。但如果我们只靠自己单干，大概只能触及这些结构所能产生的下游影响的皮毛。现在，全球 190 个国家的近 300 万研究人员几乎每天都在使用 AlphaFold。没有任何一家单一的组织能够做到这一点。
此外，我们早期训练 AlphaFold 也依赖了公共数据，所以将这份被 AI 极大地放大了的资源回馈给结构生物学社区，是我们义不容辞的责任。幸运的是，谷歌的高管们也深爱科学，完全理解并支持这个决定，我对此给予他们极大的赞赏 （kudos），换作其他公司可能做不到这么顺利。目前，我们通过 Alphabet 分拆出来的衍生公司 Isomorphic Labs，试图在下游继续推动这一进程，把多个类似 AlphaFold 级别的突破结合起来，彻底加速药物发现的过程，将过去耗时数年的研发缩短到几个月，甚至几天。
奇点山麓与社会影响
[约翰· 莱文] 本周你在一个谷歌的大型活动上说，我们正处于“ 奇点的山麓 （foothills of the singularity）”，这句话登上了新闻头条并引发了广泛关注。听说谷歌的公关团队可能对此并不太高兴。既然你公开这么说了，你到底想表达什么意思？
[戴密斯· 哈萨比斯] 那句话确实引发了很大反响。我当时的原话是：当我们站在 10 年后的未来回顾当下时，我们会意识到现在正站在“ 奇点的山麓”。
我之所以用这个词，是因为我们所说的 AGI（通用人工智能） 这项技术，距离真正实现大概只有几年的时间了，大约在 2030 年前后误差一两年，想想都觉得震撼。这将是一项重塑时代的巨大变革，实际上会开创一个新的人类时代，科幻作家们常将 AGI 到来的这个时期称为“ 奇点”。
就在今年，随着各种智能体 （agents） 的出现和工具使用的成熟，AI 已经开始在人们的工作流中发挥切实的作用。尽管这仍处于早期阶段，但我们—— 包括所有领先的实验室—— 已经清楚地看到了还需要完善哪些部分。所以我说我们还处于“ 山麓 （foothills，隐喻重大阶段的前期）”，这仅仅是个开始，仍有很多工作要做。这不是由任何单一技术促成的，而是多种技术、众多用例，以及一些我本以为还很遥远的事情突然在此时汇聚到了一起，让我深刻地感受到了这一点。
我认为社会迫切需要听到这个声音，因为留给我们为这场深远变革做准备的时间已经不多了。未来仍未成定局，但接下来的几年将是决定 AI 走向以及我们人类集体希望将其塑造成何种面貌的关键时期。
[约翰· 莱文] 目前的调查显示，公众对 AI 的看法非常负面，尤其是在美国，可能比在其他国家更甚。这源于对隐私、监控、科技巨头垄断以及失业的担忧。作为前沿实验室的负责人，你怎么看待公众的这些担忧？
[戴密斯· 哈萨比斯] 我认为公众的担忧完全是有道理的。AI 是一项双重用途 （dual purpose） 的深远技术，我有时会这样量化它：它的影响是工业革命的 10 倍，而且发生的速度比工业革命快 10 倍。也就是说，一场本该耗时一个世纪的变革将在十年内完成，它带来的冲击力至少是工业革命的 100 倍，老实说这可能还是个保守估计。
当然，其中蕴藏着巨大的机遇。我们正试图用 AI 来治愈所有的疾病，并且我确信应对气候变化、能源危机等全球性挑战都离不开 AI 的帮助。事实上，如果目前没有 AI 这项技术正在路上，我反而会对这些人类面临的挑战感到更加担忧。
但它带来的变化和颠覆将是全方位的，横跨技术、经济和哲学等层面。我们必须齐聚社会的各个部分来深思熟虑地讨论它，而不仅仅是让技术人员参与。我们需要经济学家、社会科学家和人文学科专家来共同规划未来。
公众态度负面的部分原因在于，这种情绪在不同国家差异巨大。比如我们刚去印度参加峰会，AI 在印度年轻人中极其受欢迎。因为世界各地的年轻人只需数月的极短延迟，就能用上硅谷前沿实验室开发的工具，他们看到了技术民主化带来的巨大机遇。
另一方面，我在业内的一些同行在对外沟通时不够谨慎。他们在做出某些声明时显得过于绝对和笃定，而实际上，未来依然充满着巨大的不确定性。这种未知本身令人担忧，但这也意味着一切都还未成定局。很多事情的走向取决于我们在未来几年采取的行动，以及在座的年轻一代—— 你们作为第一代“AI 原生代 （AI native）”，将如何掌握并运用这些技术。
在接下来的 10 年里，如果你以正确的方式使用 AI，你几乎会拥有超能力，个人的创造力和能完成的项目规模将呈现指数级增长。这可能会改变工作的性质，或许会出现更多小型的创业项目而非庞大的公司体系。
我们必须认真应对这种指数级增长。如果我们即将进入一个“ 后稀缺 （post-scarcity） 世界”，我们必须确保不能只有少数人、少数公司或少数国家从这项技术中受益，它的红利必须广泛地惠及全人类。但具体该如何实现？我们现在迫切需要答案和具体的行动方案。我本人也会在这个领域尽我所能，运用科学的严谨态度来对待历史上的这一关键时刻。
最后，我认为 AI 行业有责任向公众展示无可争议的切实益处。仅仅谈论治愈癌症的假设是不够的，我们必须像推出 AlphaFold 一样，拿出 20 个这样实打实的突破去切实地治愈疾病。我们必须向公众证明：为什么我们对 AI 如此兴奋？我们打算如何具体地减轻风险？这是社会迫切需要的答案。
竞争格局与 AI 监管
[约翰· 莱文] 你多年来一直呼吁前沿实验室需要进行自我监管，比如暂缓发布某些可能构成安全威胁的技术。但现在的局面是，各大实验室都在进行一场不顾一切的极速竞争。你现在依然认为实验室应该自我监管吗？政府是否应该介入监管？你怎么看当前的竞争动态？
[戴密斯· 哈萨比斯] 现在的环境远非理想状态。AI 技术的发展远超我 20 年前的想象，但它所诞生的环境却令人担忧。早在 10 到 15 年前，我就预见并担忧随着科技领袖们意识到这项技术的重要性，必然会引发这种疯狂的竞赛动态。
如果我有一根魔杖 （magic wand），我更希望 AGI 这种具有巨大影响力的通用技术，是在一个类似 CERN（欧洲核子研究中心） 那样的非商业研究设施中被构建出来的。汇聚全球最聪明的大脑，在极其严谨的科学方法和测试下互相印证。那样的话，AGI 可能会晚 10 年到来，但这并不妨碍我们利用这期间的阶段性成果，开发出像 AlphaFold 这样专注解决具体问题的专门系统来造福社会。AlphaFold 就是一个专门的混合系统，它借鉴了通用系统的理念，但专注于蛋白质折叠。
然而，大语言模型和聊天机器人的爆发改变了这一切。Transformer 模型在语言处理上的惊人效果，让 AI 变成了一项可以通过资金和工程无限规模化放大的、极具商业价值的技术。这直接导致了目前科技史上最激烈的竞争环境。再叠加中美等地缘政治的复杂性，我们面临的是一场公司之间与国家之间的“ 双层叠加竞赛”。
这就导致我们陷入了经典的“ 囚徒困境（prisoner's dilemma，博弈论隐喻，指注重安全的参与者反而可能处于劣势）”：如果你花更多时间去确保系统安全再发布，你就会处于劣势，而那些鲁莽的背叛者反而会占据先机。为了打破这种“ 向底线赛跑 （race to the bottom）” 的死局，政府的介入是必然且迫切的。
但难点在于，传统的监管方式太慢了。AI 技术每周都在迭代，用两年前的标准来监管今天的技术无异于刻舟求剑。我们需要的是一种极其敏捷的“ 动态智能监管 （smart regulation）”。它必须能迅速适应最新的技术发展，瞄准实际风险而非陈旧的假想风险。由于 AI 科学远未定论，发展速度甚至超过了我们对其底层原理的理解，这种监管必须由那些身处“ 采煤工作面”（coalface，英式俚语，隐喻处于实际研发的最前线） 的领先实验室提供实时信息，才能在促成有益突破的同时精准防范风险。
现场学生问答
[Arin，商学院二年级学生] 您如何平衡推动 AI 前沿发展与确保这些健康和科学的红利，能在基础设施匮乏的非洲和全球南方地区得到公平分配？
[戴密斯· 哈萨比斯] 我们经常思考这个问题。将 AlphaFold 数据库免费开放给全球 190 个国家的近 300 万研究人员就是一个很好的例子。我们与设在瑞士的“ 被忽视疾病药物研发倡议”（DNDi） 合作，针对疟疾、寨卡病毒等大药厂因为无利可图而忽视的区域性疾病进行研究。过去，当地研究人员需要做极其艰苦的结构生物学工作，现在他们可以直接调取结构开始药物研发，大规模加速了流程。我们也在与珍妮弗· 杜德纳 （Jennifer Doudna） 等人合作，将这项技术应用于受气候变化影响的农作物韧性研究上。
我的梦想是，当我们旗下专注于 AI 制药的 Isomorphic Labs 将药物发现的时间从几年缩短到几个月，成本从几十亿美元降至几百万美元时，资本主义引擎就可以发挥正面作用：我们可以通过治疗富裕国家的疾病赚取利润，为研发提供燃料；同时利用这种极低成本和极快速度的优势，纯粹出于慈善目的去攻克世界上其他地区的疾病，无需索要任何回报。
[Miki，可持续发展学院大四学生] 在看到 AGI 展现出强大生产力的同时，您是如何思考它带来的社会影响的？特别是它将如何重新定义人类，以及解决由此产生的下游挑战？
[戴密斯· 哈萨比斯] 这正是我认为当下最迫切的问题。现在的局面就像是吹响了“ 战斗动员令”（call to arms，隐喻号召人们采取紧急行动），我们需要所有人来认真思考这些次要结果 （第二阶影响）。
我是一个谨慎的乐观主义者，我相信当关键时刻到来 （chips are down，扑克隐喻，指面临危机时刻） 时，人类总能发挥独创性找到出路。但在我们技术人员努力把技术搞对的同时，社会的其他部分必须跟上。
我经常惊讶于经济学家对 AI 爆发的怀疑态度，他们总是问“ 这会在 GDP 的哪里体现”。我们要面对的是十倍于工业革命的冲击！如果我们真的迈入了一个非零和 （non-zero-sum） 的“ 后稀缺 （post-scarcity） 世界”，过去建立在资源稀缺和零和博弈基础上的传统经济系统将彻底失效。我们需要当代像凯恩斯那样的经济学巨匠来构建全新的经济学模型。
在那之后，更艰难的是哲学问题：在那样的新世界里，什么是美德？什么是人类的意义和目的？这需要伟大的哲学家来解答。对于人文学科的学生来说，这是一个绝佳的时代，只要你们发自内心地理解并投入到 （lean into） 这场变革之中。
[Janai，MBA 二年级学生] 在您的有生之年，您最不希望 AI 触碰什么领域？
[戴密斯· 哈萨比斯] 这是一个极好的问题。在科学领域，AI 就像是一台图灵机 （Turing machine），能计算宇宙中几乎所有非量子的可计算事物。但在这个过程中，我最不希望我们仓促触碰的领域是“ 意识（consciousness）”。
我强烈建议，我们构建的第一代 AGI 系统应该严格限定为“ 智能的工具”。这本身已经是极大的挑战了。我认为智能和意识是可以分离的 （dissociable），你不需要制造意识就能获得强大的智能。
目前关于意识在神经科学和哲学上还没有一个严谨的定义。我们应该先利用 AI 这个强大的工具去深入研究大脑，给出意识的严格科学定义。在那之后，社会再集体决定我们是否要跨越第二条“ 卢比孔河”（Rubicon，隐喻不可挽回的危险决定），去创造看起来具有意识的实体。绝不能把制造智能和制造意识这两步混为一谈。
[约翰· 莱文] 对于在座的学生们，关于他们应该学什么、如何规划职业生涯，你有什么建议？
[戴密斯· 哈萨比斯] 如果我现在回到大学，我会感到无比兴奋。对于学习 STEM（科学、技术、工程、数学） 的学生，请继续深耕，理解底层原理能让你们更好地利用这些工具，这在未来十年绝对是核心竞争力。
同时，每个人都应该主动拥抱变革。精灵 （genie，俚语，指释放出且无法收回的强大力量） 已经出了瓶子。即使是目前已有的 AI 工具，也存在着巨大的“ 能力悬垂”（capability overhang，AI 术语，指模型拥有但尚未被完全开发利用的潜能）。前沿实验室忙着造工具，以至于根本没时间挖掘它们的全部潜力。
不要恐惧。无论你是不懂代码的商科和人文学科学生，还是专业的程序员，只要你找到方法将 AI 与你的专业领域融合，并嵌入你的工作流中，你的创造力和生产力将提升百倍。
唯一确定的是，未来十年一切都会改变，甚至超出想象。但在巨变时期，也必然伴随着巨大的机遇。世界是你们的牡蛎 （the world's your oyster，俚语，隐喻世界充满机遇，任你驰骋）。我很嫉妒你们能成为第一代“AI 原生代 （AI native）”。
最重要的是，在这场变革中一定要成倍强化你们自身的能动性（agency）。未来依然有待书写，千万别听信任何人说一切已成定局的话。
[约翰· 莱文] 正如我们昨晚聊到的，在这样一个你无法完全预知未来、但必须保持极强适应能力和广泛知识面的巨变时期，这将是通识教育 （liberal education） 的黄金时代。戴密斯，谢谢你加入我们，这是一场非常棒的对话！ （本文首发钛媒体 APP，作者 | 硅谷 Tech_news，编辑 | 林深）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App