首页 > 综合

哈萨比斯和布林专访：谷歌视角里的AI技术前沿

作者|瓜哥

来源 |瓜哥AI新知管理洞察AI+

引言

前沿模型的潜力：

现有技术仍有巨大改进空间，但达到AGI（通用人工智能）可能需要新的突破。

规模化与算法创新并驾齐驱，算法的飞跃或比算力增长更为关键。

数据中心需求与芯片：

训练与推理服务均需更多数据中心支持。

赋予模型充足"思考时间"，对攻克高价值复杂任务至关重要。

DeepThink推理范式：

DeepMind在强化学习与推理领域领先。

"思考"范式能显著提升AI在复杂任务中的表现。

AI在思考时可借助工具或其他AI优化输出。AGI 的定义与时机：

AGI应具备人类大脑结构所能企及的广泛任务能力，对AGI的定义需达成共识。

当前AI系统在一致性上尚存不足，离AGI尚有距离。

AGI可能先由一家机构实现，随后多家跟进。情感理解（而非拥有情感）对AGI或许必要，此问题尚无定论。

AlphaEvolve 自我改进：

自我提升的循环有望加速AI发展。

布林重返谷歌的原因：

源于对AI技术革命的浓厚兴趣与参与渴望，而非单纯竞争。

主要致力于Gemini关键文本模型及多模态技术的深度研发。

Project Astra 与视觉Agent：

谷歌重视视觉Agent，因其在日常生活及机器人领域的巨大实用潜力。

Gemini从设计之初即为多模态模型。

Google Glass带来的智能眼镜经验：

早期Google Glass在技术与供应链上存在短板，如今智能眼镜迎来新机遇。

通用个人助手是智能眼镜的"杀手级应用"。Veo 3 与训练数据质量：

数据质量管理与筛选至关重要。

SynthID隐形水印可用于检测和过滤AI生成内容。

需审慎混合合成数据与真实数据，确保质量与分布的一致性。

闪电问答（网络，AGI 时间）：

未来十年，AI将给网络和世界带来难以预测的巨大变革。

AGI可能在2030年前出现。

是否雇佣在面试中使用AI的求职者，视具体情况而定。

我们生活在模拟中吗？

宇宙的潜在物理学基础是信息论，我们可能生活在一个计算宇宙中，但这并非简单的模拟。

若身处模拟，该模拟亦可能递归。

需超越人类中心视角，以理解更高层级的宇宙结构。

Demis Hassabis 与 Sergey Brin 简介

德米斯·哈萨比斯（Demis Hassabis）是一位杰出的人工智能科学家，谷歌旗下DeepMind的联合创始人兼首席执行官，领导开发了AlphaGo、AlphaFold等突破性AI系统，极大推动了人工智能领域的进步。

谢尔盖·布林（Sergey Brin）是互联网巨头谷歌的联合创始人之一。他与拉里·佩奇共同创建了这家全球领先的科技公司，深刻改变了人类获取信息的方式。

主持人Alex：今天，我将与两位杰出嘉宾共同探讨人工智能的前沿。Google DeepMind的首席执行官Demis Hassabis在这里，很高兴见到你，Demis。还有一位特别嘉宾，Google的联合创始人Sergey Brin也来到了现场。

好的，这一定会非常有趣。让我们从前沿模型谈起。Demis，这个问题想请教您：基于我们目前对前沿模型的理解，还有多大的潜力尚未被挖掘？为什么许多聪明人认为其发展即将进入瓶颈期？

德米斯·哈萨比斯：我认为我们正见证着令人难以置信的进步。大家今天在主题演讲中也看到了我们展示的那些激动人心的成果。所以，我认为我们利用现有技术正取得惊人的进展，并不断将其推向极致。但同时，我们也在持续发明新技术。要完全实现像AGI这样的目标，可能还需要一两次关键性的新突破。而且，我们有很多充满前景的想法正在酝酿之中，希望能将它们融入Gemini的主线研发中。

前沿模型的潜力

主持人Alex：好的，关于规模化的讨论一直不绝于耳。规模化能解决所有问题吗？或者说，它不能？所以我想问您，就目前的改进而言，规模化依旧是核心驱动力，还是辅助角色？

德米斯·哈萨比斯：我一直认为两者缺一不可。你需要将现有技术最大程度地规模化，充分利用数据和计算资源。与此同时，你必须投入大量精力研发下一代技术，或许是六个月或一年后的技术，这样你才能迎来下一次创新，它可能会带来10倍的飞跃，并与规模化相结合。所以我认为两者都至关重要。Sergey，您怎么看？

谢尔盖·布林：我同意两者都需要。你可以有算法上的改进，也可以有纯粹计算能力的提升——更好的芯片、更多的芯片、更强的算力、更大的数据中心。

回顾历史，比如在N体问题以及模拟引力体的研究中，你会发现，即使有摩尔定律的存在，算法的进步实际上已经超越了计算能力的进步。

如果让我预测，我认为算法上的进步可能比计算上的进步更为重要。但目前两者都在快速发展，所以我们正从两方面同时受益。

规模与算法之争

主持人Alex： Demis，那么您认为您的大部分改进是来自于建设更庞大的数据中心和使用更多的芯片吗？有人谈论整个世界都将被数据中心覆盖，这是您的愿景吗？

德米斯·哈萨比斯：我们肯定需要更多的数据中心。从科学的角度看，我们把沙子变成了会思考的机器，这至今仍让我感到惊叹，这太不可思议了。

但实际上，这不仅仅是为了训练。现在我们有了这些所有人都想使用的模型，我们看到对Gemini 2.5 Pro的需求非常旺盛。我认为Flash模型在性能和成本效益方面都非常令人兴奋。

我相信全世界都会渴望使用这些技术，所以我们将需要大量的数据中心来提供服务和进行推理计算。您今天也看到了DeepThink；对于Gemini 2.5 Pro，你给它越多的"思考"时间，它的表现就越好。

对于某些任务，特别是那些极具价值且异常困难的任务，让模型进行长时间思考是值得的。我们正在探索如何进一步推动这一点，而这反过来又需要在运行时使用大量芯片。

主持人Alex：好的，您提到了推理时计算（test-time compute）。我们进入这个推理范式大约一年了，您我过去曾两次讨论过，这可能是在传统大型语言模型基础上获取增益的方法。所以我觉得现在是个好时机，请问：进展如何？您能帮我们量化一下从推理中看到的改进幅度吗？

数据中心需求与芯片

德米斯·哈萨比斯：我们一直非常看好现在所谓的"思考范式"。回顾我们早期在AlphaGo和AlphaZero等项目上的工作，那些在游戏博弈方面的智能体，它们都具备在模型之上附加一个思考系统的特性。

实际上，以国际象棋或围棋为例，你可以量化这种思考系统带来的差异。我们有启用思考功能的AlphaGo和AlphaZero版本，也有关闭思考功能的版本——后者仅仅依赖模型的"第一直觉"。它的表现不差，大概能达到大师级别。但如果你开启思考功能，它会远远超越世界冠军的水平。两个版本之间大约有600 ELO甚至更高的评分差异。

所以，你可以在游戏中清晰地看到这种提升，更不用说远比游戏复杂得多的现实世界了。我认为通过在这种基础上加入思考范式，收益可能会更大。当然，挑战在于你的模型（我之前的演讲中也提到过）需要成为一种"世界模型"。

这比构建一个简单游戏的模型要困难得多，而且模型中存在的错误会在长期规划中累积。但我认为我们在所有这些方面都取得了良好的进展。

DeepThink 推理范式

谢尔盖·布林：正如Demis所说，DeepMind在强化学习方面确实是先行者。他们通过AlphaGo和AlphaZero所做的工作，展示了显著的进步。这证明了，传统上需要5000倍训练量才能达成的任务（以围棋为例），通过改进的推理计算，可以用少得多的训练量达到同样甚至更好的效果。这显然是一个巨大的优势。

显然，就像我们大多数人一样，先思考再说通常会带来好处——虽然这并非总是发生，而且我经常被提醒要这样做。但我认为，毫无疑问，一旦AI具备了这种能力，它会强大得多。

我相信我们在这方面目前还只是触及了冰山一角。这些先进的模型出现还不到一年，其成长和改进的潜力是巨大的。

德米斯·哈萨比斯：特别是当你考虑到，一个AI在它的思考过程中，还可以利用许多工具，甚至其他的AI来改进最终的输出。所以我认为这将是一种极其强大的范式。

主持人Alex： DeepThink非常有趣。我来尝试描述一下，对吧？它基本上是一系列并行的推理过程在运作，然后互相校验，像是推理的强化版。Demis，您提到行业需要再取得一些进展才能达到AGI。您会把这种机制放在哪个位置？这会是让行业更接近AGI的进展之一吗？

德米斯·哈萨比斯：我认为是这样。我想这或许是其中的一部分。我们还需要其他方面的进展，也许这可以作为改进推理能力的一环。真正的发明从何而来？你不仅仅是在解决一个已知的猜想，你实际上是在提出一个新的猜想或假说一个新的物理理论。我认为我们目前还没有能够达到那种创造力水平的系统。

我认为它们正在到来。而这类范式，比如思考以及其他许多方面，可能会有所帮助。我认为我们需要在构建的世界模型的准确性上取得巨大进展。我想你从Veo，可能是Veo 3中看到了这一点，它能直觉地理解光和重力的物理原理，这让我感到惊奇。

我曾经开发过电脑游戏，不仅仅是人工智能，还包括图形引擎，那是在我职业生涯的早期。我记得必须手动完成所有这些工作，编写所有的光照、着色器等等——那是非常复杂的工作，我们在早期的游戏中就是这样做的。而现在，模型就能直觉地理解这些。这相当惊人。

定义和时机

主持人Alex：我们已经几次提到AGI这个词或缩写了。我认为现在人工智能领域有一种趋势，认为我们不应再提AGI了，这个词被过度使用，变得毫无意义。但Demis，您似乎认为它很重要。为什么？

德米斯·哈萨比斯：我认为它非常重要。也许我需要和我们的首席科学家沙恩·莱格（Shane Legg）一起写点东西，他是25年前创造这个词的人之一。我认为有两件事有些混淆了。一是一个普通个体能做什么？我们都非常能干，但我们通常只在自己的专业领域内活动。任何一个人都只精通某个领域的一小部分。你可以说，像"90%的人类能做到的事"这样的标准，在经济上显然非常重要，从产品角度看也极具意义。这是一个非常重要的里程碑，所以也许我们应该称之为"典型人类智能"（Typical Human Intelligence）。

我所感兴趣的，以及我称之为AGI的，实际上是一个更具理论性的概念，它关乎人类大脑作为一个架构所能达到的能力。人类大脑是一个重要的参照点，因为它是我们在宇宙中拥有的、可能证明通用智能确实存在的唯一证据。要证明一个系统是AGI，你需要证明它能够完成历史上最杰出的人类，使用相同的大脑架构所能完成的各种任务。这并不意味着要复制某个特定个体大脑的成就，而是要展示其基础架构所具备的同等能力。想想爱因斯坦、莫扎特和居里夫人能够取得的成就。

此外，我认为当前围绕AGI的炒作有点过头了，因为我们的系统还没有达到足够的一致性，不足以被认为是完全通用的。它们确实相当通用，可以执行成千上万的任务。你们今天也看到了许多令人印象深刻的演示；然而，我们每个人都曾与当今的聊天机器人和助手打过交道。我们很容易在几分钟内发现它们的一些明显缺陷——比如一道它们无法解决的高中数学题，或者一个它们无法玩的基本游戏。揭示这些系统中的不足之处并不需要花费太多力气。要想真正被称为AGI，它必须在各个方面都比我们目前的系统更加一致可靠。理想情况下，应该需要一个专家团队花费数月时间才能发现一个实质性的缺陷，而如今，任何个体只需几分钟就能轻易识别出来。

主持人Alex：谢尔盖，这个问题很适合你。你认为 AGI 会由一家公司实现，然后就尘埃落定了吗？还是说谷歌、OpenAI、Anthropic，甚至中国，都可能拥有 AGI？

谢尔盖·布林：哇，这是个很好的问题。我猜，会有一个公司、国家或实体率先实现 AGI。但这更像一个光谱，并非一个精确的节点，所以很可能不止一个实体同时达到相近的水平。之后会怎样，我认为很难预测。但可以想见，未来会有多个实体参与其中。在 AI 领域，我们已经看到，当一方取得进展，其他公司会迅速跟进，反之亦然。这是一种持续的、交替领先的局面。所以，我认为这种相互启发会激励越来越多的实体跨越那道门槛。

主持人Alex：德米斯，你觉得呢？

德米斯·哈萨比斯：嗯，我大致同意。我认为，对这个领域而言，首先就 AGI 的定义达成共识至关重要。或许我们应该努力推动这一共识的形成。如果有了明确的定义，那么确实可能会有一些组织率先达到。关键在于，这些首批系统必须能被可靠且安全地构建出来。若能如此，我们便可以利用这些初代 AGI 来衍生出更多具有可验证安全架构的系统。届时，个人 AGI 以及各种可能性都将出现。但这非常困难。正如谢尔盖所言，未来难以预测，如同窥探事件视界之外，很难看清那将是何种景象。

主持人Alex：我们聊了 AGI 的定义，很多人认为 AGI 关乎知识，也就是大脑的智能。那么，心灵的智能呢？德米斯，简单来说，AI 若要被视为 AGI，是否必须拥有情感？它能拥有情感吗？

布林为何重返谷歌

德米斯·哈萨比斯：我认为它需要理解情感。如果我们想让 AI 模仿情感，这更像是一个设计选择。理论上，我不认为有什么能阻止它拥有情感。但它的情感可能与人类不同，甚至可能并非必需，我们或许并不希望 AI 拥有与人类相同的情感反应。因此，我认为，随着我们逐步接近 AGI 时代——我预计这更可能是未来五到十年的事——这仍然是一个悬而未决的问题。所以我们还有一些时间，虽然不多，但足以去研究这些问题。

主持人Alex：谈到时间框架可能缩短，我想到了自我改进系统的出现。上周，我看到一篇关于 Alpha Evolve 的头条新闻，差点从椅子上摔下来。Alpha Evolve 是一种人工智能，它帮助设计更好的算法，甚至改进 LLM 的训练方式。所以德米斯，你是不是想引发一场智能爆炸？

德米斯·哈萨比斯：不，并非那种失控的智能爆炸。我认为这是一个有趣的首次实验，一个卓越的系统。我们有一支优秀的团队正在为此努力。现在有趣之处在于，我们开始将其他技术（比如这里的进化编程）与日益强大的前沿基础模型相结合。

我确实希望在我们的探索性工作中，看到更多这类组合系统，以及不同方法的融合应用。自我提升确实是其中一个关键因素——如果有人发现一种自我提升的循环，那可能会使进展速度远超今日。

我们过去在 AlphaZero 项目中就见证过：它在不到24小时内从零开始，通过自我对弈，掌握了国际象棋、围棋等双人对弈游戏。所以我们知道这是可能的。

但同样，这些成就局限于定义清晰、边界有限的游戏领域。现实世界则远为混乱和复杂。所以，这种方法能否在更通用的场景下奏效，仍有待验证。

Project Astra 与视觉 Agent

主持人Alex：谢尔盖，我们谈论了一些非常强大的系统，这是一场开发这些强大系统的竞赛。这就是你回到谷歌的原因吗？

谢尔盖·布林：作为一名计算机科学家，我认为我们正处在一个历史上绝无仅有的时期。坦白讲，任何计算机科学家现在都不应退休，都应该投身于人工智能。这就是我的看法。我们从未面临过如此巨大的挑战、机遇，也从未经历过如此重要的技术转折点。

所以，我不会说仅仅是因为竞赛——尽管请允许我澄清，我们的确志在让 Gemini 成为第一个 AGI。但能投身于这场不可思议的技术革命，其意义非凡，远超其他。我经历过 Web 1.0 时代，那很激动人心；后来有了移动互联网等等。

然而，我认为 AI 在科学探索上远比它们更激动人心，其对世界的最终影响也将更为深远。尽管互联网和移动技术已产生巨大影响，但我相信 AI 将带来更根本性的变革。

主持人Alex：那么你日常做什么呢？

谢尔盖·布林：我主要‘折磨’像德米斯这样的人——顺便说一句，他非常了不起，能容忍我‘闯入’这次炉边谈话。我几乎每天都在街对面的团队那里，他们正在研究 Gemini 的关键文本模型、预训练和后训练。

主要关注这些，偶尔也会深入研究一些多模态工作，比如你们都看到的 Veo 3。我更倾向于深入研究技术细节。这对我来说是一种奢侈的享受，幸运的是，有像德米斯这样的人在统筹全局。

我的科研兴趣就在于此：深入研究算法及其演进过程。

主持人Alex：好的，我们来聊聊产品，特别是最近发布的一些。德米斯，我想问一个关于 Agent 的宏观问题。当看到其他科技公司构建的 Agent 时，演示中通常是某种能感知上下文、通过无形声音在屏幕上交互的形态。

而 DeepMind 和谷歌的演示则常常通过摄像头进行，非常注重视觉。今天也发布了关于智能眼镜的内容。所以，如果我理解正确，请谈谈为什么谷歌如此热衷于开发一种能像人一样感知世界、作为助手或伙伴的 Agent？

Google Glass 带来的智能眼镜经验

德米斯·哈萨比斯：原因有很多，多条线索在此交汇。正如我们之前讨论的，我们一直对 Agent 非常感兴趣，这实际上是 DeepMind 的传承。我们最初就是从游戏中的 Agent 系统起步的。我们致力于构建 AGI，即通用人工智能。显然，AGI 需要理解物理环境和周遭世界。

在我看来，其两大主要应用场景：一是成为一个真正有用的助手，能融入你的日常生活，而非局限于电脑或特定设备。我们希望它能在日常生活的方方面面提供帮助，因此它必须理解物理环境。

另一个重要方面是，我一直认为，要让机器人真正发挥作用，我们需要在机器人身上看到类似 Astra 的能力。我认为机器人领域的瓶颈不在硬件——尽管许多公司在研发出色的硬件，我们也与他们多有合作——而在于软件智能。这才是长期以来阻碍机器人发展的症结。

然而，我相信我们正处在一个激动人心的时刻。最终，随着最新版本的模型（尤其是 Gemini 2.5）以及我们引入的其他技术，我们将拥有足以让机器人真正运作起来、并释放其巨大潜能的算法。最终，AGI 需要具备所有这些能力。

因此，你可以看到我们始终将这一点纳入考量。Gemini 从一开始，甚至在最早的版本中，就被设计为多模态的。这使得起步阶段更加艰难，因为构建多模态系统比纯文本系统更具挑战性。但最终，我认为我们现在正收获这些早期决策带来的益处。

我看到许多 Gemini 团队的成员就坐在前排，我相信我们当初做出的正确决策，往往也是最艰难的决策。现在，你们可以通过今天所见证的一切，看到这些努力的成果。

主持人Alex：谢尔盖，我一直在犹豫要不要问你一个关于 Google Glass 的问题。你从 Glass 项目中学到了哪些经验，是谷歌现在可以借鉴的？智能眼镜似乎又卷土重来了。

谢尔盖·布林：好问题。我学到了很多。坦率地说，我在 Google Glass 项目上确实犯了不少错误。但我仍然坚信这种形态的产品，所以我很高兴我们现在又有了新的尝试。现在它看起来就像普通眼镜，前面没有那个棱镜了。坦率讲，我认为当时存在技术上的差距。

如今在 AI 的加持下，这类眼镜在不持续分散用户注意力的情况下提供帮助的能力已大大增强。另外，我当时对消费电子供应链几乎一无所知，不了解在合理价格范围内制造并管理所有生产环节有多么困难。这次我们有优秀的合作伙伴帮助我们构建，这又向前迈进了一步。

Veo 3 与训练数据质量

我还想说，我确实怀念当年演示中翼装飞行员从飞艇上跳下的场景。老实说，如果在 Shoreline Amphitheater 这里复现，会比当年在 Moscone 中心更酷。但也许我们这次得……我们这次应该先打磨好产品，确保它准备就绪、易于使用，然后再进行酷炫的演示。这或许是更明智的做法。

德米斯·哈萨比斯：我想说，我们在眼镜类可穿戴智能设备方面显然有着丰富的历史积淀。我们可以将所有这些经验应用于当下。如你所见，我对我们的新款眼镜感到非常兴奋。我一直在和我们的团队，以及 Sharam 和他的团队讨论，不知谢尔盖是否同意，但我感觉通用智能助手才是智能眼镜的"杀手级应用"。我认为，除了硬件技术的巨大进步，这才是使其成功的关键。这才是真正自然的"杀手级应用"。

主持人Alex：好的。我们简单聊聊视频生成。今天在主题演讲的观众席上，我被这些模型所展示的巨大进步深深震撼。演示中也有电影制作人谈论了这项技术。德米斯，我想特别问你一个关于模型质量的问题。如果互联网上充斥着 AI 生成的视频，它们是否会反过来进入训练数据，从而导致模型质量相较于仅用人类生成内容训练的模型有所下降？

德米斯·哈萨比斯：确实，对于所谓的"模型崩溃"（model collapse）存在很多担忧。视频只是其中一种模态，文本等其他模态也面临同样问题。关于这点，有几方面需要说明。首先，我们在数据质量管理和筛选方面非常严格。其次，至少我们所有的生成模型都会添加 SynthID 水印。这是一种隐形的 AI 生成内容水印，非常稳健，自发布一年半以来一直经受住了考验。我们所有的图像和视频都嵌入了这种水印，方便我们进行检测。我们也在发布工具，让任何人都能检测这些水印，从而识别出内容是否由 AI 生成。

闪电问答（网络、AGI 时间线）

这对于打击深度伪造和虚假信息固然重要，但同时，它也允许你在需要时从训练数据中过滤掉某些合成内容。因此，我并不认为这是一个大问题。最终，我们可能会拥有非常出色的视频模型，届时可以将它们生成的内容作为额外的合成数据源重新引入训练循环。然而，必须非常小心，确保生成的数据与目标建模的分布一致，且不会以任何方式扭曲该分布。质量也必须足够高。

我们在 AlphaFold 等项目中对此有所经验。当时，我们没有足够的真实实验数据来构建最终版本。我们不得不先构建一个早期版本，用它预测了大约一百万个蛋白质结构。这些预测带有置信度评分，我们从中挑选了置信度最高的30万到40万个结果，重新加入到训练数据中。这表明，将合成数据与真实数据混合是一项非常前沿的研究，并且存在有效的方法。

在视频生成方面，至少在我们自己的工作中，如果需要，可以轻易排除合成数据。希望其他生成式媒体公司也能效仿，采用稳健的水印技术，这对于打击深度伪造和虚假信息至关重要。

主持人Alex：好的，我们还有四分钟，我还有四个快问快答式的问题。看看我们能多快完成多少。这个问题交给谢尔盖。十年后，网络会是什么样子？

谢尔盖·布林：噢，考虑到人工智能的发展速度，我认为十年后的网络将远超我们目前的想象。最多只能猜测。不仅是网络，我们可能真的不知道十年后的世界会是什么样子。

主持人Alex：好的，德米斯？

德米斯·哈萨比斯：我认为那是个很好的答案。关于网络，我认为在不远的将来，如果考虑到一个"Agent 优先"的网络形态，它将发生巨大变化。例如，Agent 与网络的交互不一定需要像人类那样看到渲染后的页面。所以我认为几年内情况就会大不相同。

主持人Alex：好的，这是一个"早于还是晚于"的问题：AGI 会在 2030 年之前还是之后出现？

谢尔盖·布林： 2030 年啊，你这个问题的时间点选得真巧妙。我的答案是：在那之前。

主持人Alex： Demis?

德米斯·哈萨比斯：我认为是之后。看来我得回去更努力地工作了。

谢尔盖·布林：我只管提要求，他负责实现。Demis，别再保留实力了，我们下周就要看到成果！

我们生活在模拟中吗？

主持人Alex：这个问题很简单，我会来把关。好的，那么Demis，你会雇佣在面试中使用了 AI 的人吗？

德米斯·哈萨比斯：哦，在面试过程中使用AI吗？这取决于他们如何使用。如果他们用的是如今这些模型和工具，可能不会。但实际上，我认为关键在于他们如何运用。这大概就是我的答案。

主持人Alex： Sergey？

谢尔盖·布林：我自己基本没怎么面试过人，所以……我不知道。如果由我来评判别人面试的具体方式，会显得有些虚伪。

德米斯·哈萨比斯：我其实也没怎么面试过人。所以，在这点上我们一样。

主持人Alex：好的。Demis，我一直在看你的推特。你发了一条很有趣的推文，用提示词生成了一些自然场景。哦，对了，这就是那条推文："只需按下按钮，自然就变成了模拟。这确实引人深思 "。人们对此进行了解读，有些媒体标题甚至说，Demis 认为我们生活在一个模拟中。那么，我们真的生活在模拟之中吗？

德米斯·哈萨比斯：并非 Nick Bostrom 等人所说的那种方式。但我确实认为，归根结底，我们宇宙的底层物理规律是信息论。因此，我相信我们生活在一个计算宇宙中，但这不同于一个简单的模拟。我无法在一分钟内解释清楚，但我认为，这些（AI）系统能够模拟自然界的真实结构这一事实，本身就非常有趣且具有启发性。

我一直在深入思考我们在 AlphaGo、AlphaFold 以及这类系统上所做的工作，之前也稍微谈到过。或许在某个时候，我会写一篇科学论文，阐述我对这一切在现实中究竟意味着什么的看法。

主持人Alex： Sergey，你想不想也来贡献一个头条新闻？

谢尔盖·布林：我认为这个论点可以递归应用。如果我们生活在一个模拟中，那么根据同样的逻辑，创造这个模拟的生命体，也可能出于类似的原因，生活在他们自己的模拟之中，如此层层嵌套，以至无穷。所以，你要么接受我们处于一个无限嵌套的模拟之中，要么就必须存在一个终极的现实层面，一个"停止条件"。

主持人Alex：你最好的猜测是什么？

谢尔盖·布林：我认为我们看待‘模拟’这个问题时，带入了非常以人类为中心的视角。比如，我们倾向于认为，是某种有意识的存在，出于类似我们自身的欲望和意识，在运行我们所处的这个模拟。这正是我觉得这种解释难以成立的地方。恐怕我们目前还没有能力去理解更高层级的存在。

主持人Alex：好的，那么，德米斯，谢尔盖，非常感谢你们。这真是一次引人入胜的对话。谢谢。感谢各位。

谢尔盖·布林：谢谢Alex。谢谢你。非常愉快。

文章仅代表作者本人观点

参考资料: https://www.youtube.com/watch?v=M2ZtBQI2-GY

—— · END · ——