《泰晤士报》2024年科技峰会上，谷歌DeepMind首席执行官德米斯·哈萨比斯（Demis Hassabis）与《泰晤士报》科学编辑汤姆·威普尔（Tom Whipple）进行了对话。Hassabis表示，他相信人工智能技术将为世界带来“难以置信的积极影响”，有潜力“在十年内治愈所有疾病并具备人类一般的认知能力”。

谷歌DeepMind是一家成立于2010年的人工智能研究公司，2014年被Google收购。DeepMind的使命是安全、负责任地开发AI，以造福人类。他们的研究领域广泛，包括深度强化学习、神经科学和工程学等，旨在解决科学和工程中的难题，推动科学进步和改善生活。

DeepMind的显著成就包括开发了AlphaGo，这是第一个击败围棋世界冠军的AI程序，以及AlphaFold，一个能够准确预测蛋白质3D结构的系统，对生物学和药物设计有重大影响（为此Hassabis和约翰·朱珀“John M. Jumper”还获得了今年的诺贝尔化学奖）。DeepMind还开发了AlphaProof和AlphaGeometry 2，这两个AI系统能够解决复杂的数学问题，标志着AI在逻辑推理方面的实质性进步。他们的研究不仅限于游戏，还涉及生物学、医学和科学研究等多个领域，对全球科学界产生了深远影响。

Hassabis在讨论中提到了人工智能领域所经历的多次“冬天”，这些时期内AI的发展和投资遭遇了明显的减缓，在2010年他创立DeepMind的时候，AI并不是一个受到广泛关注的领域。他回顾了90年代的AI系统，特别是专家系统，这些系统依赖于预编程的规则来解决问题，并且只能在特定领域内运作。Hassabis认为这些系统是“有限且脆弱的”，因为它们的能力和灵活性受到了人类设计者所设定规则的限制，这些系统不能从经验中学习新事物，也不能发现新的知识，因为它们仅仅能够执行被编程时所包含的逻辑和规则。

他指出，这种局限性是导致多次“AI冬天”的原因之一，因为这些系统未能实现人们对AI的期望：创造能够真正模拟人类智能的系统。Hassabis认为，为了克服这些限制，需要构建能够自主学习的通用学习系统，这也是他创立DeepMind的初衷之一。他看到了深度学习和强化学习在学术界的新进展，并意识到这些技术可以被用来创建更加灵活和强大的AI系统，这些系统能够通过学习来改进自己，而不是仅仅依赖于人类预设的规则。

在2010年，正值深度学习和强化学习领域取得了新的研究进展，同时硬件加速技术也得到了显著的提升，这些技术进步为DeepMind的创立提供了坚实的基础。Hassabis指出，目标很明确，就是构建一个能够自我学习的通用学习系统。这个系统将不依赖于预设的规则，而是能够通过自身的学习和经验来不断进步和适应新的任务。这是DeepMind的核心理念，也是其区别于以往AI系统的关键所在。

Hassabis进一步阐述了他们对于这个通用学习系统的愿景，即建立一个通用人工智能（AGI），这种系统将具有类似人类的适应性和灵活性，能够理解和处理各种复杂的问题，通过这样的AGI，DeepMind希望能够解决包括科学、医疗、经济等多个领域的复杂问题，为人类社会带来深远的影响。Hassabis在讨论中提到，DeepMind在2010年成立时设定了一个目标，即在20年内实现通用人工智能（AGI）。然而，随着时间的推移和科技的飞速发展，Hassabis认为现在有可能在10年内实现这一目标，这比最初的预期要快得多。

Hassabis指出，将人工智能视为一种普通技术是不准确的。他认为人工智能的发展将带来“划时代”的影响，其潜力远超我们以往所见的任何技术革新。Hassabis展望了一个未来，其中人工智能将在医疗领域发挥关键作用，有望治愈所有疾病。这包括利用AI在药物发现、个性化医疗和复杂疾病机理理解方面的进步，为患者提供更有效的治疗方案。

Hassabis还特别强调了DeepMind在科学问题上的应用，尤其是蛋白质折叠这一领域。他认为，如果能够利用AI技术解决蛋白质折叠的问题，这将是一个巨大的突破，对科学和医学领域都将产生深远的影响。蛋白质折叠是生物学中的一个核心问题，它关系到蛋白质如何形成其功能性的三维结构，这对于理解生物分子的功能、疾病的发生机制以及新药的开发都至关重要。Hassabis将蛋白质折叠视为他个人一直想要攻克的科学问题之一，也是DeepMind研究的重点方向。

Hassabis说明了DeepMind选择从游戏领域着手开发人工智能的原因。他提到，游戏与人工智能的关系源远流长，从图灵和香农的时代开始，棋类游戏就已经成为了测试AI系统的舞台。这样的环境为AI系统提供了一个可以量化和评估进展的场所，使得可以通过与人类玩家或顶尖计算机的对抗来衡量AI的性能。因此，游戏成为了一个理想的测试场，用以展示和验证AI系统的能力。

通过在游戏领域的成功，DeepMind证明了其技术的广泛适用性和有效性，并将这些技术应用于更广泛的领域，如AlphaFold在蛋白质折叠问题上的进展。Hassabis认为，这种跨领域的技术转移是DeepMind成功的关键，也是AI技术未来发展的重要方向。

Hassabis在讨论中强调了当前语言模型和多模态模型在迈向通用人工智能（AGI）过程中的重要性。他提到，像ChatGPT这样的语言模型和Gemini这样的多模态模型代表了AI领域的一个重要进展，这些模型能够处理和理解多种形式的输入，包括文本、视觉和音频数据，这是构建一个能够理解和交互复杂世界场景的AI系统的关键组成部分。

Hassabis进一步指出，尽管这些模型取得了显著的进展，但要实现真正的AGI，还需要更多的创新。他提到了几个关键领域，包括规划、推理、记忆和个性化。规划能力使AI系统能够设定目标并制定实现这些目标的策略。推理能力则使AI能够从信息中得出逻辑结论，并理解不同概念之间的关系。记忆能力对于AI系统理解上下文和过去交互的重要性至关重要，它使系统能够提供更连贯和个性化的响应。个性化则涉及到AI系统对用户偏好和习惯的学习和适应，从而使每个用户的体验都独特且定制化。

Hassabis认为，这些创新是实现更高级AI系统的关键，它们将使AI能够更好地模拟人类的认知能力，并在更广泛的任务和环境中发挥作用。通过这种方式，AI系统将能够更好地服务于人类，解决各种复杂问题，并推动科学和社会的进步。

Hassabis还在讨论中提出了一个人工智能对未来经济影响的前瞻性观点。他认为，随着AI技术的发展和应用，可能会导致资源和能源的极大丰富。在资源稀缺的假设下建立的传统经济模型可能需要重新设计，因为AI可能会带来一个资源充裕甚至过剩的时代，他强调，现在就需要开始考虑如何在社会中分配这种丰富资源的问题，以确保能够充分利用AI带来的资源和能源丰富，同时避免可能的负面影响，实现社会的可持续发展和公平。