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"（Rubion，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）
