现实的本质、智能与计算的极限

人类心智难以对复杂、非线性的动力系统做出清晰且确定性的预测——这类系统随时间演化，其行为对初始条件极为敏感，常表现出混沌特征。然而，尽管存在这种固有的困难，越来越多的证据表明，经典机器学习系统，尤其是深度神经网络，可能具备以惊人精度建模此类系统的能力。这包括长期被认为难以处理的领域，例如流体动力学。

流体受纳维-斯托克斯方程支配，属于历史上需要巨大计算资源的一类问题。以天气预报系统为例，其依赖于在巨大时空尺度上数值求解这些方程。此类模拟需要超级计算机，并耗费数日的运算时间。然而，像Veo（谷歌DeepMind的视频生成系统）这样的模型，却展现出令人惊叹的能力：能够模拟液体、材料，甚至复杂的光照现象，如镜面反射——这些特征在物理世界中至关重要。

这些能力并非仅仅是美学上的装饰。Veo能够生成清晰液体在液压机中被压缩的视频，展现出逼真的流体行为与材料形变，这暗示着一个深刻的事实：该模型并非仅仅记忆训练数据中的模式，而是提取并内化了材料行为背后的基本物理结构。

这一观察引出一个更深层的假设：如果自然系统——生物的、物理的、地质的，甚至宇宙学的——在时间的演化中经历了选择压力，它们可能本身就具备一种可被人工智能系统学习的内在结构或“流形”。这种结构并非随机；它源于生存、稳定与优化的过程。因此，或许仅通过观察，就能反向工程出这些模式——而无需显式地编程物理定律。

德米斯·哈萨比斯在一次对话中回忆起自己早期的游戏开发生涯，那时他从零开始编写物理引擎和图形系统。他记得，即使是编码最基本的流体行为也极其困难，更别提复杂交互，如液体压缩或材料断裂。然而，如今的AI模型仅通过YouTube视频数据训练，却似乎已隐式地学会了这些动力学——通过观察自然界中液体的真实行为。

这引发了一个根本性问题：自然界的什么特性使其适合被经典计算系统高效建模？ 据哈萨比斯所言，答案在于：自然界并非随机。它受到演化、热力学和物理约束的塑造。这些约束在高维可能配置空间中形成了低维流形。而神经网络天生擅长识别并导航此类流形。

因此，他提出的这一颇具争议的猜想是：任何在演化或选择压力下形成或塑造的自然系统中的模式，都可被经典学习算法高效发现并建模。 这包括生物学、化学、物理学、神经科学，甚至宇宙学中的系统。

可学习性的假设：自然系统的可建模性

这一思想并非纯粹的推测。它建立在AlphaGo、AlphaFold和AlphaGenome等项目成功的基础上，这些项目解决了此前被认为计算上不可行的问题。

  • AlphaGo击败了围棋世界冠军。该游戏的可能局面数量超过宇宙中的原子总数。其解决方案并非暴力搜索，而是通过学习游戏的动力学模型，并结合蒙特卡洛树搜索（Monte Carlo Tree Search）等搜索算法，引导过程向高价值走法推进。
  • AlphaFold解决了蛋白质折叠问题——即从氨基酸序列预测三维结构——通过建模蛋白质的能量景观，并学习序列与结构之间的关系。
  • AlphaFold 3将这一能力扩展至蛋白质、RNA和DNA之间的相互作用，捕捉复杂的生物网络。
  • AlphaGenome可预测微小基因突变如何影响蛋白质功能，架起了基因型与表型之间的桥梁。

这些系统并未暴力遍历所有可能性。相反，它们建模了环境——即“系统动力学”，并利用该模型引导搜索与预测。这种方法与自然界自身解决问题的方式如出一辙：蛋白质在毫秒内折叠，是因为它们遵循能量梯度，而非穷举所有可能构象。

哈萨比斯认为，这一成功暗示了一个更广泛的原则：若一个系统因演化或物理选择而具有结构，则其极有可能是可学习的。 关键洞见在于：宇宙并非一个随机的搜索空间。它受到物理定律、演化压力和热力学极限等约束的塑造，从而形成一种可导航的“景观”。

由此，他提出一个新的复杂度类：LNS（可学习自然系统）。这将代表一个子集问题，尽管可能属于NP难，但因具备可被经典学习系统利用的结构而并非不可解。

他将此与P vs. NP问题相类比：若P = NP，则所有可快速验证解的问题也可快速求解。但如果自然界能高效解决问题，而我们又能复制这一过程，那么P = NP或许不仅是数学猜想，更是物理事实——根植于现实结构之中。

宇宙作为信息体系

哈萨比斯提出一个激进的观点：宇宙本质上是信息性的。 他主张，信息比物质或能量更为根本。所有物理过程，他指出，均可还原为信息的变换。这一视角将P vs. NP问题从纯粹的数学谜题重新定义为一个物理学问题——关于在信息主导的宇宙中，计算的极限究竟为何。

从这一视角出发，神经网络在建模复杂系统方面的成功并非巧合。它暗示：宇宙的结构与经典计算相容。 Veo模型能够模拟流体动力学、光照与材料行为，而无需显式训练于纳维-斯托克斯方程，这表明它已习得世界的“直觉物理”。

这种“直觉物理”并非符号化或规则驱动。它不是一组方程。而是一种对物体在受力下如何运动、液体如何流动、光如何在表面反射的潜在理解。这类似于人类儿童通过经验而非正式教育习得物理知识。

这挑战了人工智能长期持有的假设：理解世界需要具身经验——通过机器人身体与物理世界互动。但Veo从未接触过液体，也未与真实环境互动，却仍能生成几乎无法与真实影像区分的视频。

这暗示：仅靠被动观察，或许已足以学习现实的动力学。 模型并非从头模拟物理。它学习的是世界行为的统计规律，并利用这些规律生成连贯、时间一致的序列。

人工智能中的直觉与创造力

这引出一个更深层的哲学问题：“理解”究竟意味着什么？

哈萨比斯承认，当前模型并不具备人类式的理解。它们没有信念、欲望或自我意识。但它们确实表现出一种理解形式：在结构化、动态环境中，对下一帧视频进行高保真预测的能力。

他将理解定义为：在结构化动态环境中实现高预测准确性。 如果一个模型能生成八秒视频，其视觉效果在初步观察下难以与真实影像区分——尤其在流体流动、材料形变或光照等复杂现象上——那么它必定捕捉到了物理现实的某些本质。

这引发一种可能性：人工智能系统正在发展出一种“直觉物理”——一种非符号化、隐含的对世界运作方式的理解。这不同于人类直觉，但是一种功能性的近似。

他区分了符号推理（例如用形式逻辑解数学题）与直觉推理（例如知道若将玻璃推离桌面，它将掉落并破碎）。后者正是人工智能正在开始模仿的。

这为创造力带来深远影响。科学发现中最困难的部分并非解题，而是提出正确的问题。哈萨比斯称之为“研究品味”——识别一个既新颖又可证伪的假设的能力，位于“甜点区”：既不过于简单，也不过于困难。

当前AI系统尚无法做到这一点。它们能解题，但无法提出新问题。它们无法提出一个值得数学家陶哲轩（Terence Tao）思考的猜想。这仍是人工智能领域最艰巨的挑战。

但他认为：这或许并非根本障碍。 若我们能设计出结合以下要素的系统：

  • 基础模型（如大语言模型或扩散模型），
  • 搜索算法（如蒙特卡洛树搜索或进化算法），
  • 目标函数（用于引导优化），

那么我们或许能创造出能发现新假设、新定律、新结构的系统——正如演化发现了生命，或爱因斯坦发现了相对论。

智能的演化：从AlphaGo到通用人工智能（AGI）

从AlphaGo到通用人工智能（AGI）的旅程并非线性发展。它是一系列“第37步”时刻——出人意料、富有创造力的突破，彻底改变游戏规则。

  • 在AlphaGo中，第37步是一着人类棋手从未下过的棋。它不基于任何已知开局或模式，而是一次直觉的飞跃，后被证明是最佳着法。
  • 在AlphaFold中，突破并非单一步法，而是一种全新架构：将蛋白质折叠建模为概率性的能量景观，而非确定性结构。

这些并非简单的改进。它们是创造性飞跃——不仅需要更多数据或算力，更需要一种全新的思维方式。

哈萨比斯认为，未来的通用人工智能系统或许不会源于单一突破，而是由渐进进展与罕见、变革性洞见共同促成。通往AGI的道路可能呈现一系列S型曲线：初期进展平稳，随后因新思想而加速。

他指出，缩放定律（模型规模、数据量与算力之间的关系）仍有效。但他警告：仅靠缩放可能不够。我们或许仍需要一至两次“重大飞跃”——在架构、搜索或学习理论方面。

一个有前景的方向是混合系统，例如AlphaEvolve，它结合了：

  • 大语言模型（LLM） 用于提出新程序设计，
  • 进化算法 用于探索与优化这些设计。

这不仅是一种技术技巧，更揭示了一个深层真理：演化是一种强大的搜索算法。它不依赖单一最优路径，而是通过突变、重组与选择，在可能性空间中广泛探索。

AlphaEvolve证明：当由基础模型引导时，演化搜索可发现全新算法——如更快的矩阵乘法——而无需人类干预。

这暗示：那些在数十亿年中催生生命的机制，或许可被用于创造人工智能。关键洞见在于：演化不仅关乎生存，更在于构建复杂性。它将简单组件整合为新的、功能性的整体。

虚拟细胞的梦想

哈萨比斯最雄心勃勃的长期目标之一，是在计算机中模拟一个活细胞——一个“虚拟细胞”，可用于运行实验、预测结果，并加速生物学发现。

这并非幻想。它是一项分步推进的项目，建立在先前成功的基础上：

  • AlphaFold 解决了蛋白质的静态三维结构。
  • AlphaFold 3 模拟了蛋白质、RNA与DNA之间的相互作用。
  • AlphaGenome 可预测基因突变如何影响功能。

下一步是在时间维度上建模这些相互作用的动力学。这包括：

  • 时间尺度扩展：某些过程（如蛋白质折叠）在纳秒级发生；而其他过程（如细胞分裂）则耗时数小时。
  • 分层建模：不同子系统在不同时间尺度上运行。模型必须能在这类尺度间自由切换。
  • 涌现行为：细胞远不止其组分之和。其功能源于复杂、非线性的相互作用。

哈萨比斯建议从酵母细胞入手，它是一种单细胞生物，也是广泛研究的模型系统。目标并非复制每一个原子，而是在蛋白质层面捕捉关键动力学，以AlphaFold为基础。

这将使研究人员能够：

  • 运行数以千计的虚拟实验，
  • 预测药物对细胞的影响，
  • 模拟疾病进展，
  • 将对湿实验的依赖减少100倍。

最终梦想不仅是模拟一个细胞，更是模拟生命的起源——建模非生命化学物质如何自组织为生命系统。

这需要模拟：

  • 原始汤（氨基酸、核苷酸、脂质的混合物），
  • 环境条件（热液喷口、温度、pH值），
  • 自我复制与新陈代谢。

这不仅是科学目标，更是哲学目标。它挑战了“生命”与“非生命”之间的传统界限。哈萨比斯相信：生命并非二元状态，而是一个连续体。从化学到生物的过渡可能是渐进的，而非突变。

若我们能模拟这一过程，或许终将回答一个最深邃的问题：什么是生命？

电子游戏与互动世界的未来

哈萨比斯回顾自己与电子游戏的深厚个人联系——他的初恋、第一份职业工作，以及终生的热爱。

他回忆起开发主题公园、黑与白等开放世界游戏的经历，玩家在其中共同创造体验。这些游戏并非线性叙事，而是模拟系统，AI角色会根据玩家行为演化。

如今，他预见一个未来：AI生成的世界不仅被模拟，更可互动。想象一个游戏，其中：

  • 世界根据你的选择实时生成，
  • 非玩家角色（NPC）拥有信念、情绪与长期目标，
  • 故事实时响应你的行动，
  • 你可以自由进入世界并探索。

这并非科幻。它是Veo等系统逻辑的延伸。若一个模型能生成八秒连贯视频，它就能生成八小时、八天，甚至八年的视频——前提是模型稳定且搜索过程受控。

他设想一个未来：互动电子游戏将演变为“世界模型”——动态、持久的现实模拟。这些将不再是传统意义上的游戏，而是数字宇宙，用户可在其中探索、实验，甚至“生活”。

这将代表一种全新的人类体验——融合创造力、探索与社交互动，是任何其他媒介无法比拟的。

通往通用人工智能的路径：真正的通用智能的迹象

哈萨比斯估计，2030年前实现通用人工智能（AGI）的概率为50%，但他提醒：定义至关重要。

他将AGI定义为一种系统，具备：

  • 与人类相当的全部认知能力，
  • 在各领域表现一致（非碎片化），
  • 能提出新假设、新游戏或新理论，
  • 能清晰解释其推理过程。

他指出，AGI不会因单一基准测试而被识别，而是通过“第37步”时刻——出人意料、富有创造力的突破。

此类时刻的示例包括：

  • 提出一个新科学理论，如爱因斯坦的相对论。
  • 创造一个如围棋般深邃而优美的新游戏，不仅提出新策略，更创造一种全新的游戏形式。
  • 解决一个困扰人类思维数世纪的问题。

他设想一个场景：此类系统与最优秀的人类头脑——数学家、物理学家、艺术家——进行比试。若人类无法找出漏洞，则我们可能已抵达AGI。

他也承认：人类可能错过此类突破，正如国际象棋特级大师未必能立即理解一着妙棋。但若系统能清晰解释其推理，且解释合乎逻辑且优美，我们或许会接受它。

人类协作与伦理的角色

尽管AI领域充满竞争，哈萨比斯强调协作的重要性。他与其它实验室的领导者，包括埃隆·马斯克，保持着良好关系。

他认为，最重要的挑战并非技术，而是伦理。通用人工智能是双用途技术——它可治愈所有疾病、终结能源短缺、实现太空殖民。但若被滥用，也可能造成巨大危害。

他警告：恶意行为者可能将AI用于伤害。因此，必须从一开始就建立“护栏”。

他支持国际合作，如建立一个类似CERN的全球协作机制，以确保AGI负责任地发展。

他也相信：AI不应取代人类创造力，而应增强它。未来并非人类被取代，而是人类与AI协作，实现远超个体能力的成就。

结语：人工智能时代的人类处境

哈萨比斯以希望作结。他相信人类无限的创造力、适应力与同理心。

他视人工智能并非威胁，而是帮助我们解开存在最深奥谜题的工具——意识的本质、生命的起源、现实的结构。

他引用费曼的话：“我无法创造的东西，我就不理解。” 他将人工智能视为一种测试并拓展我们理解力的方式——不仅理解世界，也理解自身。

他相信：最深刻的提问并非关于技术，而是关于意义。何为人类？何为意识？何为生命？

这些问题不仅是科学问题，更是精神、哲学与深刻人性的追问。

最终，他说：最重要的不是造出更聪明的机器，而是成为更睿智的人类。

文本简要提纲

  1. 引言：非线性系统建模的挑战
    • 人类难以预测复杂动力系统。
    • AI模型（如Veo）在模拟流体与材料方面展现惊人能力。
  2. 可学习性假设
    • 自然系统因演化与物理约束而具结构。
    • 该结构或可被经典系统学习。
    • 提出新复杂度类：LNS（可学习自然系统）。
  3. 宇宙作为信息体系
    • 信息比物质或能量更根本。
    • P vs. NP或为物理问题，而非纯数学。
  4. 人工智能中的“直觉物理”
    • Veo等模型通过观察习得“直觉物理”。
    • 挑战“具身经验”在学习中的必要性。
  5. 创造力与“研究品味”
    • 科学中最难的是提出正确问题。
    • 当前AI尚无法提出新假设，但未来或可。
  6. 演化作为搜索算法
    • AlphaEvolve结合LLM与演化搜索。
    • 演化强大在于其构建复杂性的能力。
  7. 虚拟细胞项目
    • 长期目标：模拟活细胞。
    • 基于AlphaFold、AlphaFold 3、AlphaGenome。
    • 挑战：时间尺度扩展、涌现行为、分层建模。
  8. 生命起源模拟
    • 目标：模拟非生命化学如何演变为生命。
    • 生命是连续体，非二元。
  9. 互动世界未来
    • 游戏演变为持久、AI生成的“世界模型”。
    • 玩家实时共创体验。
  10. AGI的迹象
    • 非单一基准，而是“第37步”时刻：
      • 提出新理论。
      • 创造如围棋般深邃的新游戏。
    • 必须可解释且一致。
  11. 伦理与协作
    • AGI为双用途。
    • 需CERN式国际合作。
    • 人类与AI应协同。
  12. 最终反思
    • 希望源于人类的创造力、适应力与同理心。
    • AI是理解现实与自我的工具。