Phỏng vấn Sequoia với Hassabis: Thông tin là bản chất của vũ trụ và AI sẽ mở ra một nhánh khoa học mới

Sắp xếp văn bản gốc: Gua Ge AI News

Nội dung bài viết này được tổng hợp từ Demis HassabistrongBài phỏng vấn độc quyền của Sequoia Capital Channel được xuất bản vào ngày 29 tháng 4 năm 2026.

Tóm tắt: Cuộc phỏng vấn của Demis Hassabis tại Sequoia Capital AI Ascent 2026

• Nguồn gốc của AI và trò chơi: Trò chơi là nơi thử nghiệm tuyệt vời cho trí tuệ nhân tạo. Bằng cách sử dụng AI làm lối chơi cốt lõi, nó không chỉ có thể xác minh hiệu quả các ý tưởng thuật toán mà còn cung cấp hỗ trợ sức mạnh tính toán sớm cho nghiên cứu và phát triển công nghệ.
• "Lý thuyết tính thời gian" của tinh thần kinh doanh: Tinh thần khởi nghiệp phải "đi trước thời đại 5 năm, chứ không phải 50 năm." Cần quán triệt sâu sắc điểm cân bằng giữa đột phá công nghệ và nhu cầu thực hiện thực tế. Thường khó thành công nếu bạn tiến quá sớm.
• Con đường phát triển của AGI: Nhiệm vụ của DeepMind rất rõ ràng và chắc chắn - bước đầu tiên là xây dựng trí tuệ nhân tạo nói chung (AGI); bước thứ hai là sử dụng AGI để giải quyết mọi vấn đề phức tạp bao gồm cả khoa học và y học.
• Giá trị cốt lõi của "AI cho Khoa học": AI là ngôn ngữ hoàn hảo để mô tả sinh học và các hệ thống tự nhiên phức tạp. Với sự trợ giúp của mô phỏng AI, chu kỳ nghiên cứu và phát triển thuốc mới dự kiến ​​sẽ giảm mạnh từ vài năm đến vài tuần và thậm chí có thể đạt được y học thực sự cá nhân hóa.
• Sự ra đời của các ngành khoa học mới: Sự phức tạp của bản thân hệ thống AI sẽ làm phát sinh các ngành khoa học kỹ thuật mới như "khả năng giải thích cơ chế". Đồng thời, công nghệ mô phỏng dựa trên AI sẽ cho phép con người tiến hành các thí nghiệm có kiểm soát trên các hệ thống xã hội phức tạp như kinh tế, mở ra một ngành khoa học hoàn toàn mới.
• Thông tin là bản chất của vũ trụ: Vật chất, năng lượng và thông tin có thể chuyển hóa lẫn nhau. Bản chất của vũ trụ có thể là một hệ thống xử lý thông tin vĩ đại, mang lại cho AI tầm quan trọng sâu rộng trong việc tìm hiểu các quy luật vận hành cơ bản của vũ trụ.
• Ranh giới tính toán của máy Turing: Các hệ thống AI hiện đại như mạng thần kinh đã chứng minh rằng máy Turing cổ điển đủ để mô phỏng các vấn đề (chẳng hạn như gấp protein) mà từng được cho là chỉ có thể giải quyết được bằng điện toán lượng tử. Bộ não con người có lẽ là một loại máy Turing có độ gần đúng cao.
• Tư duy triết học về ý thức: Ý thức có thể bao gồm các thành phần như khả năng tự nhận thức và tính liên tục của thời gian. Trên hành trình hướng tới AGI, trước tiên chúng ta nên coi nó như một công cụ mạnh mẽ và khám phá mệnh đề triết học vĩ đại về “ý thức” với sự trợ giúp của công cụ này.

Giới thiệu nội dung

Đồng sáng lập và CEO của Google DeepMind, người đoạt giải Nobel Hóa học năm 2024 cho AlphaFoldDemis Hassabis, đối tác tại Sequoia Capital Konstantine Buhler đã tổ chức một cuộc đối thoại rất rộng và chuyên sâu tại Hội nghị thượng đỉnh AI Ascent 2026, thảo luận về con đường đến với AGI và bức tranh tương lai sau AGI.

Trong cuộc trò chuyện, anh ấy giải thích lý do tại sao anh ấy tin chắc rằng AGI dự kiến ​​sẽ được hiện thực hóa vào năm 2030, tại sao chu kỳ dài phát triển loại thuốc mới có thể sụp đổ từ mười năm xuống chỉ còn vài ngày và tại sao chúng ta nên coi "thông tin" thay vì vật chất hay năng lượng là cốt lõi và bản chất cơ bản nhất của vũ trụ. Ngoài ra, ông cũng thảo luận về việc Einstein sẽ đánh giá những hạn chế của các mô hình AI ngày nay như thế nào nếu ông vẫn còn sống và tại sao một hoặc hai năm tới sẽ là nút then chốt quyết định số phận của nhân loại.

Phỏng vấn đầy đủ

Người điều hành: Demis, cảm ơn bạn rất nhiều vì đã đến.

Demis Hassabis: Tôi rất vui khi được ở đây. Cảm ơn tất cả các bạn đã đến, thật tuyệt khi được ở đây nói chuyện với tất cả các bạn.

Người điều hành: Thật vinh dự khi được mời bạn đến nhà máy sô cô la của chúng tôi.

Demis Hassabis: Tôi vừa nghe về điều này. Mong sớm được thử sô cô la.

Người điều hành: Tuyệt vời. Demis, hãy đi thẳng vào vấn đề. Hôm nay, chúng tôi đã mời một cựu chiến binh thực sự trong ngành (OG): anh ấy là một nhà tư tưởng, người sáng lập, người có tầm nhìn xa trông rộng và nhiều danh tính khác, đồng thời là người tiên phong trong tất cả các lĩnh vực AI. Demis là một tín đồ thuần túy và một nhà khoa học thuần túy.

Ý định ban đầu và dòng chính bên trong của Demis

Cuộc trò chuyện của chúng ta hôm nay sẽ đến từ DeepMind. Nó bắt đầu từ những ngày đầu thành lập, sau đó đi sâu hơn vào khoa học và công nghệ, kết thúc bằng phần hỏi đáp từ khán giả. Sau đó hãy bắt đầu.

Demis, bạn là thần đồng cờ vua, người sáng lập công ty trò chơi và nhà khoa học thần kinh. Bạn là người sáng lập DeepMind và hiện đang lãnh đạo một công ty lớn và quan trọng. Những danh tính này có vẻ không liên quan, nhưng bạn đã nói rằng có một sợi dây bên trong xuyên suốt chúng. Bạn có thể chia sẻ nó với chúng tôi?

lý luận cụ thể). Nhưng từ lâu tôi đã mong muốn được làm việc trong lĩnh vực AI. Tôi đã sớm quyết định rằng đây là nghề nghiệp quan trọng và thú vị nhất mà tôi có thể theo đuổi trong đời. Kể từ khi 15 hoặc 16 tuổi, mọi hướng học tập mà tôi đã chọn và mọi việc tôi đã làm là để một ngày nào đó xây dựng được một công ty như DeepMind.

Trò chơi: Nơi đào tạo trí tuệ nhân tạo

Tôi gia nhập ngành trò chơi bằng cách "tiết kiệm" đất nước" bởi vì trong những năm 1990, những công nghệ tiên tiến nhất đã được nuôi dưỡng ở đó. Không chỉ AI, mà cả công nghệ kết xuất đồ họa và phần cứng. GPU mà tất cả chúng ta sử dụng ngày nay ban đầu được thiết kế cho công cụ đồ họa và tôi đang sử dụng một trong những GPU sớm nhất vào cuối những năm 1990. Tất cả các trò chơi mà tôi đã tạo ra, cho dù cho Bullfrog hay công ty riêng của tôi Elixir Studios, đều sử dụng AI làm cơ chế chơi trò chơi cốt lõi.

Công trình nổi tiếng nhất của tôi là Công viên giải trí, được tôi phát triển khi tôi khoảng 17 tuổi. Đây là một trò chơi mô phỏng công viên giải trí, nơi hàng nghìn người nhỏ đổ xô đến công viên, chơi đùa với các thiết bị và quyết định mua gì trong cửa hàng. Dưới bề mặt của trò chơi là một mô hình AI kinh tế hoàn chỉnh đang vận hành. Giống như "SimCity" (SimCity), đây là công ty tiên phong trong loại hình này. Khi tôi thấy nó bán được hơn 10 triệu bản và tận mắt chứng kiến ​​người chơi cảm thấy thú vị như thế nào khi tương tác với AI, điều đó càng củng cố quyết tâm cống hiến cả đời của tôi cho AI.

Sau đó, tôi chuyển sang khoa học thần kinh, hy vọng lấy được cảm hứng từ cơ chế hoạt động của não và suy ra các ý tưởng thuật toán khác nhau. Cuối cùng, khi thời điểm bắt đầu DeepMind đã đến, tập hợp tất cả sự tích lũy này lại với nhau, tất cả giống như một quá trình phát triển tự nhiên. Đương nhiên, sau này chúng tôi cũng sử dụng trò chơi làm nơi đào tạo ban đầu để xác thực các ý tưởng AI.

Kinh nghiệm kinh doanh của Elixir Studios

Người điều hành: Hôm nay có rất nhiều doanh nhân ngồi ở đây. Bạn phải có tiếng vang sâu sắc, bởi vì bạn không chỉ thành lập một công ty mà còn thành lập hai công ty. Hãy quay lại dự án kinh doanh đầu tiên của bạn, đó là Elixir Studios. Trải nghiệm đó như thế nào? Mặc dù đó không phải là công ty mà bạn biết đến nhiều nhất nhưng bạn đã đạt được thành công lớn với nó. Bạn đã lãnh đạo công ty đó như thế nào? Kinh nghiệm này đã dạy bạn điều gì về cách xây dựng một công ty?

Demis Hassabis: Tôi thành lập Elixir Studios ngay sau khi tốt nghiệp đại học. Tôi đã may mắn được làm việc tại Bullfrog Productions trước đây. Ai am hiểu về game đều biết rằng đó là một studio huyền thoại trong những ngày đầu của ngành và có lẽ là studio game hàng đầu ở Anh và thậm chí cả Châu Âu vào thời điểm đó.

Tôi muốn làm điều gì đó có thể mở rộng ranh giới của AI. Trên thực tế, vào thời điểm đó, tôi đã tài trợ cho việc nghiên cứu và phát triển AI bằng cách phát triển các trò chơi cứu nước, không ngừng thách thức sự vượt trội của công nghệ và kết hợp nó với khả năng sáng tạo cực độ. Tôi nghĩ khái niệm này vẫn được áp dụng cho nghiên cứu khám phá (Nghiên cứu bầu trời xanh) mà chúng tôi thực hiện ngày nay.

Có lẽ bài học sâu sắc nhất tôi học được là: bạn phải đi trước thời đại 5 năm chứ không phải 50 năm. Khi còn ở Elixir Studios, chúng tôi đã cố gắng phát triển một trò chơi có tên Republic nhằm mô phỏng cả một quốc gia. Bối cảnh của trò chơi là người chơi có thể lật đổ những kẻ độc tài cai trị đất nước bằng nhiều cách khác nhau và chúng tôi đã mô phỏng chân thực các thành phố sống động, mang hơi thở trong trò chơi.

Bạn biết đấy, đó là vào cuối những năm 1990 và máy tính vẫn sử dụng bộ xử lý Pentium. Chúng tôi đã phải chạy qua tất cả quá trình kết xuất đồ họa và logic AI của hàng triệu người trên máy tính gia đình vào thời điểm đó. Điều này đơn giản là quá tham vọng—thậm chí hơi quá tham vọng—và đặt ra một loạt câu hỏi.

Tôi đã ghi nhớ bài học này: Bạn phải đi trước thời đại, nhưng nếu bạn đi trước thời đại 50 năm, Năm, bạn sẽ làm được nhiều nhất có khả năng thất bại hoàn toàn. Tất nhiên, vào thời điểm mọi người đều thấy rõ ý tưởng thì đã quá muộn để tham gia. Vì vậy, điều quan trọng là tìm ra sự cân bằng tinh tế đó.

Thành lập DeepMind vào năm 2009

Người điều hành: Được rồi, nói không đi trước thời đại quá, đã đến Năm 2009, bạn chắc chắn rằng trí tuệ nhân tạo nói chung (AGI) sẽ được hiện thực hóa. Lúc đó, có lẽ chỉ đi trước thời đại 10 năm còn hơn là đi trước thời đại 50 năm. Hãy cùng trò chuyện về năm 2009 với các doanh nhân đồng nghiệp của chúng ta tại đây. Làm thế nào bạn thuyết phục được tài năng hàng đầu ban đầu? Bởi vì bạn đã tuyển dụng được một nhóm nhân viên có năng lực cực kỳ cao và những thành viên đầu tiên trong nhóm. Vào thời điểm đó, AGI nghe có vẻ giống khoa học viễn tưởng. Bạn đã thuyết phục họ tin vào điều đó như thế nào?

Demis Hassabis: Vào thời điểm đó, chúng tôi đã nhạy bén nắm bắt được một số manh mối thú vị. Chúng tôi nghĩ mình chỉ đi trước 5 năm, nhưng có lẽ chúng tôi đã đi trước 10 năm. Deep Learning mới được Jeff Hinton và các đồng nghiệp học thuật của ông phát minh ra nhưng ít người nhận ra tầm quan trọng của nó. Chúng tôi có nhiều kinh nghiệm trong lĩnh vực học tăng cường và chúng tôi cảm thấy rằng nếu kết hợp hai công nghệ này, chúng tôi sẽ đạt được tiến bộ đột phá. Trước đó, chúng gần như chưa bao giờ được sử dụng cùng nhau - nếu có thì nó chỉ giới hạn ở những “vấn đề về đồ chơi” trong học viện. Trong lĩnh vực AI, chúng là những hòn đảo hoàn toàn riêng biệt.

Ngoài ra, chúng tôi thấy triển vọng về sức mạnh tính toán (Tính toán); GPU lúc đó sẽ tỏa sáng. Tất nhiên, hiện nay chúng ta đang sử dụng TPU, nhưng vào thời điểm đó, ngành điện toán tăng tốc sẽ là một lực đẩy rất lớn. Đồng thời, khi kết thúc sự nghiệp tiến sĩ và sau tiến sĩ của mình, nhờ một số đối tác mà tôi tập hợp được là Hei,sans-serif;">Các nhà khoa học thần kinh tính toán, nên chúng tôi đã rút ra đủ ý tưởng và quy tắc có giá trị từ cơ chế não bộ, bao gồm cả niềm tin cốt lõi: Hei,sans-serif;">Học tăng cường cuối cùng có thể dẫn đến AGI thông qua việc mở rộng quy mô.

Chúng tôi cảm thấy rằng chúng tôi đã tập hợp được những yếu tố cốt lõi này. Chúng tôi thậm chí còn cảm thấy mình như những người bảo vệ một bí mật gây sốc nào đó, bởi vì không ai trong giới học thuật hay ngành công nghiệp tin rằng AI có thể đạt được bất kỳ bước đột phá lớn nào. Trên thực tế, khi chúng tôi đề xuất nghiên cứu AGI—hay “AI mạnh”, như đôi khi nó được gọi vào thời điểm đó—nhiều học giả sẽ trừng mắt nhìn chúng tôi một cách không khách sáo. Theo quan điểm của họ, đây rõ ràng là một ngõ cụt; xét cho cùng, mọi người đều đã thử nó vào những năm 1990 và thành công.

Tôi là nghiên cứu sinh sau tiến sĩ tại Viện Công nghệ Massachusetts (MIT), trung tâm của Hệ thống chuyên gia và Hệ thống ngôn ngữ logic bậc nhất. Bây giờ nhìn lại tôi thấy thật khó tin, nhưng lúc đó tôi đã nghĩ phương pháp đó đã quá lỗi thời. Tuy nhiên, dù ở Cambridge, Vương quốc Anh hay tại MIT, cơ sở nghiên cứu AI truyền thống, mọi người vẫn đang sử dụng các phương pháp cũ. Điều này càng khiến tôi tin chắc rằng chúng tôi đang đi đúng hướng. Ít nhất, nếu chúng ta phải thất bại, chúng ta sẽ có một thái độ hoàn toàn mới, thay vì lặp lại sai lầm của những người đã thất bại trong việc phát triển AGI vào những năm 1990. Điều này khiến tôi nghĩ dù sao thì nó cũng đáng để thử; ngay cả khi đây chỉ là một phần nghiên cứu với một tương lai không chắc chắn,thậm chí nếu cuối cùng chúng tôi đã thất bại, thì ít nhất chúng tôi đã thất bại theo cách ban đầu.

Sứ mệnh của DeepMind và đặt cược vào AGI

Người điều hành: Bạn có gặp phải bất kỳ sự phản kháng chung nào đối với niềm tin ban đầu của mình không? Có điều gì bạn cần phải chứng minh với bản thân hoặc với những người theo dõi ban đầu của mình để thu hút họ tham gia không?

Demis Hassabis: Bất kể tình huống thế nào, tôi sẽ cống hiến cả đời mình cho trí tuệ nhân tạo. Hóa ra nó còn tốt hơn nhiều so với những mong đợi lạc quan nhất của chúng tôi. Tuy nhiên, đây vẫn nằm trong phạm vi dự báo của chúng tôi trong năm 2010 - khi chúng tôi coi đây là chặng đường 20 năm.

Tôi nghĩ rằng với tư cách là thành viên của lĩnh vực này, tiến bộ của chúng tôi hoàn toàn phù hợp với mong đợi và rõ ràng chúng tôi đã đóng đúng vai trò của mình trong đó.

Lùi lại một bước, ngay cả khi mọi thứ không phát triển như thế này, AI vẫn là một chủ đề thích hợp. Tôi vẫn sẽ đi theo con đường này vì nó là công nghệ quan trọng nhất trong trái tim tôi từ trước đến nay. Mục tiêu của tôi rất rõ ràng. Tuyên bố sứ mệnh ban đầu của DeepMind là:Bước đầu tiên là khám phá trí thông minh, tức là xây dựng trí tuệ nhân tạo nói chung (AGI); bước thứ hai là sử dụng nó để giải quyết tất cả các vấn đề khác. Tôi luôn tin rằng đây là công nghệ quan trọng và hấp dẫn nhất mà con người có thể phát minh ra.

Nó không chỉ là một công cụ để khám phá khoa học mà bản thân nó còn là một sự sáng tạo hấp dẫn. Đó cũng là một trong những cách tốt nhất để chúng ta hiểu được tâm trí con người (chẳng hạn như bản chất của ý thức, ước mơ và sự sáng tạo). Là một nhà khoa học thần kinh, tôi thường cảm thấy thiếu một công cụ phân tích như AI khi nghĩ về những câu hỏi này. Nó cung cấp một cơ chế so sánh cho phép chúng tôi tiến hành nghiên cứu chuyên sâu và so sánh hai hệ thống khác nhau giống như một thử nghiệm được kiểm soát.

Văn hóa "AI hỗ trợ khoa học"

Người điều hành: So sánh các hệ thống khác nhau. Hãy nói về AI cho Khoa học. Bạn đã tham gia vào lĩnh vực này từ rất sớm, là một người có niềm tin vững chắc và là một người theo chủ nghĩa lý tưởng thuần túy. Đây là sứ mệnh cốt lõi thúc đẩy bạn. Làm thế nào mà mô hình và văn hóa mà bạn thiết lập khi thành lập DeepMind giúp nó luôn dẫn đầu trong "khoa học do AI hỗ trợ"?

Demis Hassabis: Đây là mục tiêu cuối cùng của chúng tôi. Đối với cá nhân tôi, động lực cơ bản là xây dựng AI để thúc đẩy khoa học, y học và sự hiểu biết của chúng ta về thế giới. Đây là cách tôi hoàn thành sứ mệnh của mình - thông qua "Meta Way", trước tiên xây dựng công cụ tối ưu, sau đó sử dụng nó để đạt được những đột phá khoa học khi nó trưởng thành. Chúng tôi đã đạt được những thứ như AlphaFold và tôi chắc chắn rằng sẽ còn nhiều hơn thế nữa.

DeepMind luôn đặt mục tiêu này lên ưu tiên hàng đầu. Trên thực tế, chúng tôi có một bộ phận “Khoa học hỗ trợ AI” do Pushmeet Kohli đứng đầu đã tồn tại được gần một thập kỷ. Chúng tôi bắt đầu thực hiện việc này gần như ngay lập tức sau khi trở về sau chuyến chơi AlphaGo ở Seoul, đúng mười năm sau.

Trước đây tôi đã không hoạt động, chờ đợi thuật toán trở nên đủ mạnh và khái niệm trở nên đủ tổng quát. Đối với tôi, đánh bại cờ vây là một bước ngoặt lịch sử; thời điểm chúng tôi nhận ra rằng đã đến lúc áp dụng những ý tưởng này vào các vấn đề quan trọng của thế giới thực, bắt đầu từ những thách thức khoa học lớn này.

Chúng tôi luôn tin rằng đây là điểm đến may mắn nhất cho AI. Điều gì có thể tốt hơn việc sử dụng nó để chữa bệnh, kéo dài sức khỏe và tuổi thọ của con người cũng như hỗ trợ chăm sóc y tế? Các lĩnh vực chính như khoa học vật liệu, môi trường và năng lượng chắc chắn sẽ theo sau. Tôi tin rằng AI sẽ tỏa sáng trong những lĩnh vực này trong vài năm tới.

Những đột phá trong sinh học và phòng thí nghiệm đẳng cấu

Người điều hành: AI đã đạt được những bước đột phá trong lĩnh vực sinh học như thế nào? Bạn quan tâm sâu sắc đến Isomorphic Labs, một lĩnh vực mà bạn đam mê. Ngay từ đầu, bạn đã là người có niềm tin vững chắc vào tiềm năng chữa bệnh của AI. Khi nào chúng ta sẽ có một khoảnh khắc quan trọng trong sinh học như chúng ta đã làm trong ngôn ngữ và lập trình?

Demis Hassabis: Tôi nghĩ, AlphaFold Sự ra đời của khoa học và công nghệ đã đưa chúng ta đến "thời điểm nổi bật" của sinh học. Sự gấp nếp của protein và cấu trúc ba chiều của nó là một câu đố khoa học đã 50 năm tuổi. Khắc phục vấn đề này là rất quan trọng nếu bạn muốn thiết kế thuốc hoặc giải mã mã cơ bản của sinh học. Tất nhiên, đây chỉ là một phần của quá trình khám phá thuốc và nó cực kỳ quan trọng, nhưng nó chỉ là một phần.

Công ty phụ mới nhất của chúng tôi, Isomorphic Labs (mà tôi cũng thích điều hành), đang nỗ lực xây dựng các công nghệ cốt lõi phù hợp trong lĩnh vực hóa sinh và hóa học. Những kỹ thuật này có thể tự động thiết kế các hợp chất phù hợp hoàn hảo với các phần cụ thể của protein. Bây giờ chúng ta đã nắm vững được hình dạng của protein và cấu trúc bề mặt của nó, chúng ta đã khóa được mục tiêu. Tiếp theo, chúng ta phải tạo ra các hợp chất có khả năng liên kết mạnh với mục tiêu, đồng thời tránh mọi phản ứng ngoài mục tiêu có thể gây ra tác dụng phụ độc hại.

Ước mơ cuối cùng của chúng tôi là chuyển toàn bộ quá trình thăm dò chiếm 99% khối lượng công việc và thời gian nghiên cứu và phát triển hiện tại sang mô phỏng trên máy tính (Ở Silico), chỉ để lại thí nghiệm ướt vật lý (Wet Lab) cho giai đoạn xác minh cuối cùng. Nếu chúng ta có thể làm được điều này - và tôi tin chắc rằng điều đó sẽ xảy ra trong vài năm tới - chúng ta có thể rút ngắn chu kỳ phát triển thuốc trung bình 10 năm xuống còn vài tháng, vài tuần và thậm chí là vài ngày trong tương lai.

Tôi tin rằng một khi vượt qua được điểm tới hạn này, việc chinh phục mọi bệnh tật sẽ trở nên trong tầm tay. Các khái niệm như y học cá nhân hóa, chẳng hạn như các biến thể thuốc phù hợp với từng bệnh nhân, cũng sẽ trở thành hiện thực. Tôi nghĩ toàn bộ bối cảnh phát triển y tế và dược phẩm sẽ được định hình lại hoàn toàn trong vài năm tới.

Khoa học mới được tạo ra bởi trình mô phỏng

Người điều hành: Thật thú vị. Bạn đã đề cập đến “khoa học hỗ trợ AI” nhiều lần. Bạn có nghĩ rằng vào một thời điểm nào đó trong tương lai, AI sẽ khai sinh ra một hệ thống khoa học mới không? Cũng giống như cuộc cách mạng công nghiệp đã sinh ra nhiệt động lực học. Liệu về cơ bản các môn học mới có xuất hiện trong hệ thống giáo dục của chúng ta không? Nếu vậy, nó sẽ trông như thế nào?

Demis Hassabis: Về vấn đề này, tôi nghĩ những điều sau đây sẽ xảy ra.

Trước hết, sự hiểu biết và phân tích về hệ thống AI sẽ phát triển thành một môn học hoàn chỉnh—một ngành khoa học kỹ thuật. Những sáng tạo mà chúng tôi đang xây dựng vô cùng hấp dẫn và vô cùng phức tạp. Cuối cùng, sự phức tạp của chúng sẽ sánh ngang với trí óc và bộ não con người. Vì vậy, chúng ta phải nghiên cứu sâu về chúng để hiểu đầy đủ cách thức hoạt động của các hệ thống này, điều này vượt xa tầm hiểu biết hiện tại của chúng ta. Tôi tin rằng chắc chắn sẽ có một lĩnh vực mới; Khả năng diễn giải cơ học chỉ là phần nổi của tảng băng chìm và chúng ta vẫn còn nhiều cơ hội để khám phá trong việc phân tích các hệ thống này.

Thứ hai, tôi cũng tin rằng chính AI sẽ mở ra một cánh cửa mới cho khoa học. Điều khiến tôi phấn khích nhất là “AI cho Mô phỏng”. Tôi bị ám ảnh bởi sự mô phỏng; mọi trò chơi tôi từng viết không chỉ chứa AI mà về cơ bản là một trình mô phỏng. Tôi tin rằng mô phỏng là cách tối ưu để giải quyết các vấn đề khó khăn trong khoa học xã hội như kinh tế và các ngành nhân văn khác.

Điều rắc rối về những ngành học này là, giống như sinh học, chúng là những hệ thống mới nổi (Hệ thống mới nổi) và cực kỳ khó thực hiện các thí nghiệm có kiểm soát lặp lại. Giả sử bạn muốn tăng lãi suất thêm 0,5%. Bạn chỉ có thể làm điều đó trong thế giới thực và quan sát hậu quả; bạn có thể có một loạt lý thuyết, nhưng bạn không thể lặp lại thí nghiệm đó hàng nghìn lần. However, if we can accurately simulate these complex systems, then rigorous sampling deductions based on highly accurate simulators may be able to establish a whole new science. I believe this will give us the ability to make better decisions in areas that are currently filled with high levels of uncertainty.

Moderator: What conditions do we need to achieve these extremely accurate simulations? For example, World Models. What scientific and engineering breakthroughs do we need to reach this point?

Demis Hassabis: I have been thinking deeply about this issue. In our work, we make extensive use of Learning Simulators. These simulators are used in areas where we either don't understand the mathematical principles well enough, or the systems are too complex. We can't solve the problem just by writing a direct simulation of a specific situation, because that approach isn't precise enough and doesn't cover all the variables.

We have already practiced this in weather forecasting. We have WeatherNext, the world's most accurate weather simulator, that runs far faster than the tools meteorologists currently use. I'm not sure we'll ever understand everything, and I'm not sure that's a good idea, but the first step is to better understand these complex systems.

Even in the field of biology, we are studying the so-called "Virtual Cell" - an extremely dynamic emergent system. Just as mathematics is the perfect description language for physics, machine learning will also become the perfect description language for biology. In biology and many natural systems, there are a large number of weak signals, weak correlations and massive data, which far exceeds the analysis capabilities of the human brain. However, among these massive amounts of data, there do exist intrinsic connections, correlations, and thought-provoking causal relationships.

Machine learning is the perfect tool to describe such systems. Until today, mathematics has been unable to do this, either because the systems are too complex for even top mathematicians to handle, or because mathematics is not expressive enough to understand these highly emergent dynamic systems—in part because they are extremely messy and stochastic (Stochastic Nature).

Eventually, once you master these simulators, you may be able to derive a new branch of science. You can try to extract explicit equations from these implicit or intuitive simulators. Now that you can sample the simulator as many times as you like, you may one day be able to discover fundamental scientific laws like Maxwell's equations.

Maybe. I don't know if such laws exist for emergent systems like this, but if they do exist, I see no reason why we can't discover them this way.

Moderator: That would be amazing. You once talked about a theory that the basic building block of everything in the universe may be similar to information. This is a more theoretical level. Bạn nghĩ gì về điều này? What does this mean for traditional classical Turing computers?

Demis Hassabis: Of course, you can quote the famous E=mc² And all of Einstein's research results show that energy and matter are essentially equivalent. But I actually think there's some equivalence to information as well. You can think of the way matter and structure are organized—especially systems like organisms that resist entropy—as essentially information-processing systems. Therefore, I think these three can be transformed into each other.

However, I have a feeling that information is the most basic. This is exactly the opposite of the view of classical physicists in the 1920s, when energy and matter were believed to be primary. I actually think that seeing the universe as first being made of information is a better way to understand the world.

If this is true - and I think there is a lot of evidence to support this - then the implications of artificial intelligence are more profound than we think. The reason why it is of great significance is that its core is to organize information, understand information and construct information objects (Informational Objects).

In my opinion, the core of artificial intelligence is information processing. If you regard information processing as the primary way to understand the world, you will find that there are actually deep internal connections between these completely different fields.

Moderator: Do you think the classic Turing machine can calculate everything?

Demis Hassabis: Sometimes I think about our work and consider myself a "Turing defender" because Alan Turing is one of the scientific heroes I admire most in my life. I believe the work he did laid the foundation not only for computers and computer science, but also for artificial intelligence. The theory of Turing machines is one of the most profound achievements in history: anything computable can be calculated by a machine that is relatively simple to describe. Therefore, I think our brains are probably also Approximate Turing Machines.

It is very interesting to think about the connection between Turing machines and quantum systems. However, what we have shown with systems like AlphaGo and especially AlphaFold is that classical Turing machines, cloaked in modern neural networks, can model problems that were previously thought to require quantum mechanics. For example, protein folding is in a sense a quantum system involving extremely tiny particles, and one might think that all the quantum effects of hydrogen bonds and other complex interactions must be taken into account.

However, it turns out that a nearly optimal solution can be obtained using the classical system. Therefore, we may find that many things that we once thought we had to rely on quantum systems to simulate or operate can actually be modeled on classical systems with the right methods.

Consciousness Philosophy (consciousness philosophy)

Moderator: You have always viewed artificial intelligence as a tool, like the telescope, microscope or astrolabe in the past few centuries. But when you're faced with a machine that can simulate almost anything—even, as you say, quantum systems—at what point does it go beyond being a tool? Will this day really come?

Demis Hassabis:I feel very strongly that in the mission and journey of building artificial general intelligence (AGI), those of us who are traveling together - including many of you here - believe that the best way is to build a tool first: an extremely smart, practical and accurate tool, and then cross the next threshold. The significance of this in itself is profound enough. Of course, this tool may become increasingly autonomous and more like an agent, which is what we are currently witnessing. We are in the midst of such an era of agents (Agent Era).

However, there is a further question: Does it have agency? Is it conscious? These are questions we will have to face. But I suggest we take this as a second step, and perhaps use the tools we built in the first step to help us explore these esoteric questions.

Ideally, through this process we will also better understand our own brains and minds, and be able to define concepts like "consciousness" more precisely than we can today.

Moderator: Do you have any rough predictions about the future definition of consciousness?

Demis Hassabis: No, I don’t have much to add other than what has been discussed in philosophy for thousands of years. But it's clear to me that certain components are clearly required. They may be necessary but not sufficient. Things like self-awareness, concepts of self and other, and some kind of temporal continuity are obviously necessary for any entity to appear to be conscious.

However, it is still an open question (Open Question) as to what the complete definition is. I have discussed this with many great philosophers. A few years ago, I had an in-depth conversation on this topic with the recently deceased Daniel Dennett. One of the core questions is the behavior of the system: does it behave like a conscious system? You could argue that as some artificial intelligence systems get closer to AGI, they might eventually be able to do this.

但随之而来的问题是：为什么我们认为彼此是有意识的？ One reason for this is the way we behave, we behave like conscious beings. But another factor is that we are all running on the same underlying substrate.

因此我认为，如果这两点都成立，那么假设你和我的体验是相同的，这在逻辑上最符合简约原则(Parsimonious)，这就是为什么我们平时通常不会去争论对方是否有意识。 But it is obvious that we will never be able to achieve the same substrate equivalence on artificial systems. So I think it's going to be very difficult to completely close that gap. You can look at it behaviorally, but what about experientially?在实现 AGI 之后，或许会有一些方法来处理这个问题，但那可能超出了今天的讨论范围，哪怕是在“AI与科学”的探讨中也是如此。

主持人： 太棒了。 We will open the audience Q&A session soon, so please prepare your questions. You just mentioned philosophers, especially Kant and Spinoza, saying that they are your two favorite philosophers. Kant is a typical deontological philosopher who places great emphasis on the concept of responsibility; while Spinoza holds an almost fatalistic view of the universe. How did you connect these two very different philosophies? What is your fundamental understanding of how the world works?

德米斯·哈萨比斯： 我之所以喜欢这两位哲学家，并且对他们印象深刻，是因为康德曾提出过一个观点——我在攻读神经科学博士学位时就深有体会——即“心智创造了现实(The mind creates reality)”，我认为这基本是正确的。 This provides another excellent reason to study how the mind and brain work. Since I am ultimately searching for the nature of reality, we must first understand how the mind interprets reality. This is what I learned from Kant.

至于斯宾诺莎，则更多关乎精神维度。 If you try to use science as a tool to understand the universe, you have begun to tap into the deeper mysteries behind the way the universe works.

这正是我对我们当下事业的感悟。当我投身科学研究、深耕人工智能并构建这些工具时，我感觉我们仿佛在以某种方式，阅读着宇宙的语言。

主持人： 真美。 This is the most beautiful description of your daily work: Demis, you are a scientist, a speaker and a philosopher all in one. Before we wrap up, let's do a few quick questions and answers. He had never seen these questions before. Predict the year when general artificial intelligence (AGI) will be realized. Will it be earlier or later than expected? Or you can refuse to answer the question.

德米斯·哈萨比斯： 我选2030年。 I have always been firm on this prediction.

主持人： 好的，2030年。 So, what book, poem, or paper do you recommend as must-read as we achieve artificial general intelligence (AGI)?

德米斯·哈萨比斯： 对于实现通用人工智能(AGI)之后的世界，我最喜欢的书是戴维·多伊奇(David Deutsch)的《真实世界的脉络》(The Fabric of Reality)。 I think the ideas in this book still apply. I hope that artificial general intelligence (AGI) can be used to answer the profound questions raised in that book. That will also be the focus of my subsequent work in the AGI era.

主持人： 太棒了。 What has been your proudest moment at DeepMind so far?

德米斯·哈萨比斯： 我们很幸运地经历过许多巅峰时刻。 I think what I am most proud of is the birth of AlphaFold.

主持人： 好的，最后是几个关于游戏的问题。如果你正在参与一场高风险的回合制策略游戏，比如《文明》(Civ)、《低模之战》(Polytopia)这类硬核游戏，并且可以从历史上挑选一位科学家作为队友，比如爱因斯坦(Einstein)、图灵(Turing)或牛顿(Newton)，你会选择谁加入你的战队？

德米斯·哈萨比斯： 我想我会选冯·诺依曼(von Neumann)。 After all, in this situation you need a Game Theory expert, and I think he is the best.

主持人： 那绝对是一位神级队友。 Demis, you are such a jack of all trades. Thank you so much for being a guest on our show today. Please join me in applauding and thanking Demis for his wonderful sharing. Cảm ơn bạn rất nhiều.