本集概述
Demis Hassabis 是 Google DeepMind 的 CEO，也是诺贝尔奖获得者，因利用 AI 预测蛋白质结构的开创性工作而荣获殊荣。这是他第二次做客 Lex Fridman 播客，带来了一场关于 AI 未来、现实模拟、物理学与电子游戏的深度对话。
本集的核心主题是 Demis 在诺贝尔奖演讲中提出的一个大胆猜想：自然界中可生成或发现的任何模式，都可以被经典学习算法高效发现和建模。这一观点贯穿了整场对话，从蛋白质折叠到视频生成中的物理模拟，从 P vs NP 问题到 AGI 的路径，都围绕着"可学习性"这一根本问题展开。
为什么值得收听？这集不仅仅讨论 AI 技术，更触及了宇宙的本质结构——Demis 提出信息是宇宙最基本单位，将计算复杂性问题重新框定为物理学问题。对话还探讨了视频生成模型 Veo 3 如何通过被动观察理解物理世界、AI 游戏的未来形态，以及人类在 AGI 时代的位置。如果你对 AI 与科学、哲学的交叉点感兴趣，这集不容错过。
主要话题
1. 可学习性猜想与自然模式
Demis 在诺贝尔奖演讲中提出了一个引人深思的猜想：任何在自然界中可以生成或发现的模式，都可以被经典学习算法高效发现和建模。这一观点源于他对 AlphaGo 和 AlphaFold 项目的反思——这些系统解决的问题（围棋搜索空间约 10^170，蛋白质结构约 10^300）看似不可逾越，但通过建模系统结构而非暴力枚举，都找到了高效解法。
为什么这在自然界中是可能的？Demis 认为，自然系统因为经历了演化过程而具有结构。无论是生命体、山脉形状还是行星轨道，都经历了漫长的"筛选"过程，留下了可学习的模式。他将其称为"稳定者的生存"（survival of the stablest）——能够存活下来的必然存在某种可识别的结构。这与随机或人为构造的系统（如大数分解）不同，后者如果没有潜在模式，就真的只能暴力求解。
这一猜想暗示了一个惊人的结论：任何可以被演化的东西，都可以被高效建模。如果这是真的，那么神经网络的潜力远未触达。Demis 甚至提出可以定义一个新的复杂度类别 LNS（Learnable Natural Systems）——那些存在结构、可以被经典系统高效建模的自然系统。
2. P vs NP 与信息宇宙论
对话深入探讨了计算复杂性与物理学的根本联系。Demis 长期着迷于 P vs NP 问题，但他的视角独特：他视宇宙为一个信息系统，信息比能量和物质更根本。从这个角度出发，P vs NP 不再是纯粹的数学问题，而是一个物理学问题——它关乎宇宙的本质结构是否可被经典系统理解。
Demis 指出，传统上许多问题被认为需要量子计算机才能解决（如蛋白质折叠），但 AlphaFold 证明了经典系统（神经网络运行在图灵机上）的能力远超预期。这引出了一个核心问题：神经网络的边界在哪里？如果 AGI 能够建立在经典计算之上，那将是对"经典系统局限性"假设的终极挑战。
他提到正在与同事探讨是否应该定义一个新的问题类别——那些可以通过神经网络建模来求解的问题类别。如果这种类别存在，并且映射到物理世界中具有结构的系统，那么我们对计算复杂性的理解可能需要重新校准。这也解释了为什么他相信 AGI 可以成为科学家的强大工具，帮助我们回答像 P vs NP 这样的根本问题。
3. Veo 3 与物理世界理解
Veo 3 是 Google 的视频生成模型，它最令人惊叹的方面不是喜剧表演或写实的人像，而是对物理世界的理解。Demis 举例说明：用户生成的视频中，透明液体通过液压机被挤压，这种场景对传统游戏开发者来说是噩梦——需要精心编写物理引擎和图形引擎才能实现。但 Veo 3 仅仅通过观看 YouTube 视频，就"逆向工程"出了物理规律。
这引出了一个深刻的哲学问题：生成这种视频是否需要"理解"？ 如果采取愤世嫉俗的观点，扩散模型只是模式匹配，没有任何理解。但 Demis 认为这说不通——能够以连贯方式预测下一帧，本身就是一种理解形式，虽然不是人类那种深度哲学层面的理解，但至少是"直觉物理"层面的理解。
更令人惊讶的是，Veo 3 挑战了"行动感知"理论——这个理论认为需要通过与世界互动（如机器人）才能真正理解世界。Veo 3 证明，被动观察也可能理解物理世界。Demis 认为这暗示了现实本质的某种根本性结构——也许是某种低维流形，如果完全理解了底层机制，就可以被学习。下一阶段是让这些视频变得可交互，允许用户走进并移动，那将真正接近"世界模型"的概念。
4. 电子游戏的未来
作为前游戏开发者，Demis 对 AI 与游戏的结合充满热情。他梦想如果 90 年代就有今天的 AI 系统，能创造多么惊人的游戏。他最喜欢的游戏类型是开放世界游戏——有模拟、有 AI 角色、玩家与模拟互动、模拟适应玩家玩法。他参与开发的《主题公园》就是这样，每个玩家的体验都是独特的，因为玩家在共同创造游戏体验。
但传统上，开放世界游戏非常难开发，因为必须为玩家选择的任何方向都创造有吸引力的内容。过去用元胞自动机等经典系统创造一些涌现行为，但总是脆弱且有限。现在，AI 可能在未来 5-10 年内真正围绕玩家的想象力创造内容，动态改变故事和叙事，无论玩家选择什么都能保持戏剧性。
这将是"终极的选择你自己的冒险"游戏。如果想象一个交互式版本的 Veo，并向前推进 5-10 年，其质量可能令人难以置信。Demis 提到他正通过 Twitter/X 与社区互动，当有人问"什么时候能玩用 Veo 视频做的游戏？"时，他回复"那会是什么样呢？"——暗示这可能不仅是幻想。
5. AGI 的路径与竞争
对话中讨论了 AGI 的路径和行业竞争。Demis 认为，AGI 将建立在神经网络系统之上的神经网络系统之上，运行在经典计算机上，这将是对"经典系统能做什么"的终极表达。他对 Google 在 AGI 竞赛中的位置保持乐观，认为 DeepMind 的研究方法（专注于长期根本问题）和 Google 的工程能力结合具有优势。
关于竞争和人才争夺，Demis 承认人才稀缺，但认为真正对 AI 研究有热情的人会被最重要的问题吸引，而不仅仅是薪资。他提到与 OpenAI 的竞争是健康的，推动了整个领域前进。
关于编程的未来，Demis 认为 AI 会改变编程的方式，但不会消除对程序员的需求。他认为 AI 可能处理更多重复性工作，而人类程序员专注于更高层次的架构和创造性工作。他引用 John von Neumann 的话，认为真正的突破来自于不同领域的交叉。
6. 存在风险与人类价值
对话不可避免地触及了 AI 的存在风险（p(doom)）。Demis 对此保持谨慎乐观，认为 AI 有巨大的潜力帮助解决人类面临的重大问题（如疾病、气候变化、资源分配），但必须认真对待安全和对齐问题。他认为关键是在追求能力的同时，确保 AI 的目标与人类价值观一致。
关于人类在 AGI 时代的价值，Demis 认为人类的创造力、直觉和情感理解仍然是独特的。AI 可能超越我们在计算和某些认知任务上的能力，但人类的某些特质可能难以复制。他提到 David Foster Wallace 的作品，认为人类的艺术和哲学探索具有独特价值。
关于意识，Demis 认为这是一个开放性问题。他不排除量子计算与意识有关���可能性，但目前这只是推测。他认为即使 AI 达到人类水平的能力，也不一定意味着具有意识。
金句与核心观点
-
"任何在自然界中可生成或发现的模式，都可以被经典学习算法高效发现和建模。" —— 这是 Demis 在诺贝尔奖演讲中提出的核心猜想，暗示神经网络的潜力远未触达。
-
"稳定者的生存" —— 自然系统因为经历了演化筛选过程而具有可学习的结构，能够存活下来的必然存在某种可识别的模式。
-
"信息是宇宙最基本单位" —— Demis 视宇宙为信息系统，这使得 P vs NP 从数学问题转变为物理学问题，关乎宇宙结构的可理解性。
-
"生成连贯的视频预测本身就是一种理解形式" —— Veo 3 证明被动观察也可能理解物理世界，挑战了"行动感知"理论。
-
"终极的选择你自己的冒险游戏" —— AI 可能在未来 5-10 年创造真正动态的开放世界游戏，围绕玩家想象力生成内容。
-
"AGI 将是经典系统能力的终极表达" —— 如果 AGI 能建立在经典计算之上，将彻底改变我们对计算复杂性的理解。
适合谁听
这集适合以下读者/听众：
对 AI 与科学交叉点感兴趣的深度思考者——如果你不仅关注 AI 技术本身，更想理解 AI 如何揭示宇宙的本质、如何改变我们对计算、物理学和复杂性的理解，这集会给你带来全新的视角。
游戏开发者和交互媒体创作者——Demis 对 AI 与游戏融合的愿景非常具体，5-10 年内可能出现的技术突破将彻底改变游戏创作和体验方式，这对行业从业者极具启发性。
关注 AGI 哲学和安全问题的人——对话深入讨论了存在风险、意识、人类价值等根本问题，既不过度乐观也不散布恐惧，提供了平衡的视角。
最值得深入了解的部分是 Demis 对"可学习性"的论述——这个看似简单的观点实际上重新框定了我们对 AI 潜力的理解，可能会让你重新思考许多之前被认为"不可能"的问题。