采访哈萨比斯和布林：谷歌AI技术的前沿

05-28 06:56

作者|瓜哥

来源 |瓜哥AI新知识对AI的管理洞察

引言

前沿模型的潜力：

目前的技术仍有很大的改进空间，但是AGI(通用人工智能)的实现可能需要新的突破。

大规模与算法创新齐头并进，算法飞跃或比算率增长更为关键。

资料中心需求与芯片：

培训和推理服务都需要更多的数据中心支持。

给模型足够的“思考时间”，对于突破高颜值复杂的任务尤为重要。

ThinkDeep推理范式：

在强化学习和推理方面，DeepMind处于领先地位。

“思考”范式可以显著提高AI在复杂任务中的表现。

在思考时，AI可以借助工具或其它AI提升导出。AGI 概念和时机：

AGI应该具备人脑结构可以达到的一般任务能力，对AGI的概念需要达成共识。

目前AI系统的一致性还不够，距离AGI还有很长的路要走。

AGI可以先由一个机构实现，然后多个机构跟进。对于AGI来说，情感理解(而不是情感)可能是必要的，这个问题还没有定论。

AlphaEvolve 自我改进：

提高自身循环有望加速AI的发展。

为什么布林回到谷歌：

这源于对AI技术革命的浓厚兴趣和参与的渴望，而非单纯的竞争。

主要从事Gemini关键文本模型和多模态技术的深度研究。

Project Astra 和视觉Agent一样：

由于其在日常生活和机器人领域的巨大实用潜力，谷歌重视视觉Agent。

从设计开始，Gemini就是一个多模态模型。

Google Glass带来的智能眼镜体验：

早期的Google Glass在R&D和供应链方面存在一些不足，现在智能眼镜迎来了新的机遇。

智能眼镜的“杀手级应用”是通用个人助手。Veo 3 以及培训数据的质量：

数据质量管理和选择尤为重要。

SynthID隐形水印可以用来检测和过滤AI生成的内容。

需要仔细混合生成数据和真实数据，以确保质量和分布的一致性。

闪电问答(网络，AGI 时间）：

未来十年，AI将给网络和世界带来意想不到的巨大变化。

2030年之前可能会出现AGI。

在面试中是否雇佣使用AI的应聘者，取决于具体情况。

我们是否生活在模拟中？

信息理论是宇宙潜在的物理前提，我们可能生活在一个计算宇宙中，但是它不是一个简单的模拟。

如果处于模拟状态，模拟也可以递归。

为了了解更高层次的宇宙结构，需要超越人类的中心角度。

Demis Hassabis 与 Sergey Brin 简介

德米斯·哈萨比斯（Demis Hassabis）作为一名杰出的人工智能科学家，谷歌拥有DeepMind的联合创始人兼首席执行官，领导开发了AlphaGo、突破AI系统，如AlphaFold，极大地促进了人工智能领域的发展。

谢尔盖·布林（Sergey Brin）作为互联网巨头谷歌的创始人之一。他与拉里·佩奇共同创办了世界领先的科技公司，深刻改变了人类获取信息的方式。

Alex主持人：今日，我将与两位杰出嘉宾深入探讨人工智能的前沿。Google 首席执行官DemisdeepMind Hassabis在这里，很高兴见到你，Demis。还有一位特别嘉宾，Google的创始人Sergey Brin也来到了现场。

好吧，这一定很有意思。让我们从前沿模型开始。Demis，我想问你这个问题:基于我们目前对前沿模型的理解，还有多大的潜力没有被发现？为什么很多聪明人认为他们的发展即将进入瓶颈期？

德米斯·哈萨比斯：我认为我们正在见证令人难以置信的进步。每个人今天在主题演讲中也看到了我们所展示的令人兴奋的成就。所以，我认为我们正在利用现有的技术取得惊人的进步，并且不断地将其推向完美。但是与此同时，我们也在不断地发明新技术。要完全实现AGI这样的目标，可能还需要一两个关键的新突破。而且，我们有许多有前途的想法正在酝酿中，希望能够将它们融入到Gemini的主要研究开发中。

前沿模型的潜力

Alex主持人：好了，关于规模化的讨论一直在接踵而至。规模化能解决所有问题吗？还是不行？所以我想问你，就目前的改善而言，规模化还是核心驱动力还是帮助角色？

德米斯·哈萨比斯：我一直认为两者缺一不可。你需要最大限度地规模现有技术，充分利用数据和计算资源。同时，你必须在下一代技术的研发上投入大量的精力，这可能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，并与规模相结合。所以我觉得两者都特别重要。Sergey，您怎么看？

谢尔盖·布林：我同意两者都需要。你可以提高算法，也可以提高纯计算能力——更好的芯片，更多的芯片，更强的计算率和更多的数据中心。

回顾过去，例如，在N体问题和模拟引力体的研究中，你会发现算法的进步实际上超过了计算能力的进步，即使摩尔定律出现了。

要是让我预测，我认为算法的进步可能比计算的进步更重要。。但是现在两者都在快速发展，所以我们正在从两个方面受益。

规模与算法之争

Alex主持人：Demis，那么你认为你的大部分改进都来自于建立一个更大的数据中心和使用更多的芯片吗？有人讨论整个世界都会被数据中心覆盖。这是你的愿景吗？

德米斯·哈萨比斯：我们肯定需要更多的数据中心。从科学的角度来看，我们把沙子变成了可以思考的设备，这仍然让我感到惊讶，这是不可思议的。

但事实上，这不仅仅是为了训练。现在我们都想用这些模型，我们可以看到Geminini。 2.5 Pro的需求非常旺盛。在性能和成本效率方面，我认为Flash模型非常令人兴奋。

我相信全世界都会渴望使用这些技术，所以我们需要大量的数据中心来提供服务和推理计算。你今天也看到了DeepThink；对Gemini来说 2.5 Pro，你们给予的“思考”时间越多，它的表现就越好。

对于一些任务，尤其是那些极其有价值和极其困难的任务，长期思考模型是值得的。我们正在探索如何进一步推动这一点，反过来，我们需要在运行过程中使用大量的芯片。

Alex主持人：好吧，你提到了计算推理时的计算。（test-time compute）。我们已经进入这种推理范式大约一年了。你我之前讨论过两次，可能是在传统大型语言模型的基础上获得增益的一种方式。所以我觉得现在是个好时机。请问:进展如何？你能帮我们量化推理中看到的改进吗？

需求和芯片的数据中心

德米斯·哈萨比斯：我们一直非常看好现在所谓的“思维模式”。回顾我们最初在AlphaGo和AlphaZero等项目上的工作，那些在游戏游戏中的智能主体都具有在模型上添加思维系统的特点。

实际上，以国际象棋或者围棋为例，你可以量化这种思维体系带来的差异。AlphaGo和AlphaZero版本都有启用思维功能，还有关闭思维功能版本——后者只依靠模型的“第一直觉”。它的表现还不错，大概可以达到大师级别。但是如果你打开思考功能，它将远远超过世界冠军的水平。大约6000版本在两个版本之间。 ELO的评分差异甚至更高。

因此，你可以在游戏中清楚地看到这种改进，更不用说远比游戏复杂得多的现实世界了。我认为通过在此基础上增加思维模式，利润可能会更大。当然，挑战在于你的模型需要成为一个“世界模型”(我在之前的演讲中提到过)。

这比建立一个简单的游戏模型要困难得多，模型中的错误会在长期规划中积累。但我认为我们在所有这些方面都取得了很好的进步。

DeepThink 推理范式

谢尔盖·布林：正如Demis所说，DeepMind确实是加强学习的先驱。通过AlphaGo和AlphaZero所做的工作，他们取得了显著的进步。它证明，传统的任务(以围棋为例)需要5000倍的训练量才能完成，通过改进的推理计算，可以用更少的训练量达到同样甚至更好的效果。显然，这是一个巨大的优势。

显然，就像我们大多数人一样，先想想一般会带来好处——虽然这并不总是发生，但我经常被建议这样做。但我认为，毫无疑问，一旦AI具备了这种能力，它就会强大得多。

在这方面，我相信我们还只是触及了冰山一角。这类先进模型出现不到一年，其增长和优化潜力巨大。

德米斯·哈萨比斯：特别是当你考虑到一个AI可以使用很多工具甚至其他AI来改善它在思考过程中的最终输出。所以我觉得这将是一个极其强大的范式。

Alex主持人：DeepThink非常有趣。让我试着描述一下，对吗？这基本上是一系列并行的推理过程，然后相互验证，就像推理的强化版一样。Demis，你提到行业需要取得一些进展才能实现AGI。你会把这个机制放在哪里？这将是让行业更接近AGI的进步之一吗？

德米斯·哈萨比斯：我也这么认为。我认为这可能是其中的一部分。我们还需要其他方面的进步，也许这可以作为提高推理能力的一部分。真正的发明从何而来？你不仅在解决已知的猜测，还在提出新的猜测或假设新的物理理论。我认为我们还没有一个系统可以达到创造性的水平。

我认为他们正在到来。而这种范式，比如思考和其他很多方面，可能会有所帮助。我认为我们需要在世界模型的准确性上取得很大的进步。我认为你可能是Veo。看到这一点，它可以直观地理解光和重力的物理原理，这让我感到惊讶。

我曾经开发过一个网络游戏，不仅是人工智能，还有图形引擎，这是我职业生涯的早期阶段。我记得所有这些工作都必须手动完成，所有的照明、着色器等。——这是一项非常复杂的工作，我们在最初的游戏中就是这样做的。现在，模型可以直观地理解这一点。太神奇了。

定义和时机

Alex主持人：AGI这个词或者缩写我们已经提过好几次了。我认为人工智能领域有一种趋势，我们不应该再提到AGI了。这个词被过度使用，变得毫无价值。但是Demis，你似乎认为它很重要。为什么呢？

德米斯·哈萨比斯：我认为这很重要。也许我需要沙恩·莱格，我们的首席科学家。（Shane Legg）一起写点东西。他是25年前创造这个词的人之一。我觉得有两件事有点混乱。一个普通人能做什么？我们都很有能力，但我们通常只在自己的专业领域进行活动。任何人只精通某个领域的一小部分。你可以说，像“90%人类能做什么”这样的标准，在经济上显然是非常重要的，从产品的角度来看也是非常有意义的。它是一个很重要的里程碑，所以也许我们应该被称为“典型人类智能”（Typical Human Intelligence）。

我所有的兴趣，以及我所说的AGI，其实都是一个比较理论化的概念，它关系到人脑作为一种结构所能实现的能力。人脑是一个重要的参考点，因为它是我们在宇宙中所拥有的唯一证据，也是证明通用智能存在的唯一证据。为了证明一个系统是AGI，你需要证明它可以完成历史上最杰出的人类，并使用相同的大脑结构来完成各种任务。它并不意味着要复制某一特定的个人大脑成就，而是要展示其系统结构所具有的相同能力。想想爱因斯坦、莫扎特和居里夫人能取得的成就。

另外，我觉得目前关于AGI的炒作有点过分，因为我们的系统还没有达到足够的一致性，不足以称之为完全通用。他们的确相当普遍，能够完成成千上万的任务。每个人今天也看到了许多令人印象深刻的演示；但是，我们每一个人都曾经和今天的聊天机器人和助手打过交道。在几分钟内，我们很容易发现他们的一些明显缺陷——比如一个他们无法解决的高中数学题，或者一个他们无法玩的基础游戏。揭示这些系统中的不足并不需要花费太多的精力。要使AGI真正被称为AGI，它必须在各个方面都比我们现在的系统更加一致可靠。理想情况下，一个专家团队需要几个月的时间才能发现一个实质性的缺陷。现在，任何人只需要几分钟就能轻松识别出来。

Alex主持人：谢尔盖，这个问题非常适合你。您认为 AGI 会不会有一家公司来实现，然后就结束了？或谷歌，OpenAI、Anthropic，即使是中国，也有可能拥有。 AGI？

谢尔盖·布林：哇，这是个好问题。我认为，将会有一家企业、国家和实体率先实现。 AGI。但是它更像是一个光谱，而不是一个精确的节点，所以很有可能不止一个实体同时达到类似的水平。我觉得很难预测未来会发生什么。但是可以想象，将来会有多个实体参与进来。在 AI 在这一领域，我们已经看到，当一方取得进展时，其它企业将迅速跟进，反之亦然。它是一种持续的、领先的局面。所以，我认为这种相互启发会鼓励越来越多的实体跨越那个门槛。

Alex主持人：你觉得德米斯怎么样？

德米斯·哈萨比斯：嗯，我大致同意。对于这一领域，我认为，首先是 AGI 达成共识的概念尤为重要。也许我们应该努力促进这种共识的形成。假如有明确的定义，那么确实可能会有一些组织率先实现。关键是，这些第一批系统必须能够可靠、安全地构建。如果可以的话，我们就可以利用这些第一代。 AGI 从而衍生出更多的系统，可以验证安全结构。届时，个人 AGI 还有各种各样的可能性。但是这个很难。正如谢尔盖所说，未来是不可预测的，就像窥探事件的视野一样，很难看到那将是什么样的场景。

Alex主持人：我们聊了 AGI 许多人认为这个概念 AGI 与知识有关，即大脑的智力。所以，内心的智力呢？简单地说，德米斯，AI 若想被视为 AGI，一定要有情绪吗？能不能有情绪？

为什么布林会回到谷歌？

德米斯·哈萨比斯：我认为这需要理解情绪。假如我们想放手 AI 模仿情绪，这更像是一种设计选择。从理论上讲，我认为没有什么能阻止它产生情感。但是它的情绪可能与人类不同，甚至可能不是必须的，我们可能不希望。 AI 有和人类一样的情感反应。所以，我认为，随着我们逐渐接近， AGI 时代——我预计这更有可能是未来五到十年的事情——这仍然是一个悬而未决的问题。所以我们还有一些时间，尽管不多，但是足以探索这些问题。

Alex主持人：提到时间框架可能会缩短，我想到了自我改进系统的出现。上个星期，我看到一篇关于自我改进系统的文章。 Alpha Evolve 头条新闻，差点从椅子上掉下来。Alpha Evolve 这是一种人工智能，它帮助设计更好的算法，甚至改进 LLM 训练方法。所以德米斯，你想引发智能爆炸吗？

德米斯·哈萨比斯：不，这不是失控的智能爆炸。我认为这是一个有趣的第一次实验，一个优秀的系统。我们有一个优秀的团队在努力工作。现在有趣的是，我们已经开始将其他技术(比如这里的进化编程)与日益强大的前沿基础模型相结合。

我真的希望在我们的探索工作中，我们能看到更多这样的组合系统，以及不同方式的融合应用。提升自己确实是关键因素之一——如果有人发现一个提升自己的循环，进度可能会远远超过今天。

我们过去在 AlphaZero 项目见证:不到24小时就开始了。通过自我游戏，它掌握了两个人之间的游戏，如国际象棋和围棋。所以我们知道这是可能的。

但同样，这些成就也局限于定义清晰、界限有限的游戏领域。现实世界远非混乱和复杂。因此，这种方法能否在更通用的场景中生效还有待验证。

Project Astra 与视觉 Agent

Alex主持人：我们讨论了一些非常强大的系统，谢尔盖，这是一场开发这些强大系统的比赛。那是你回谷歌的原因吗？

谢尔盖·布林：身为计算机科学家，我认为我们正处于历史上独一无二的阶段。坦率地说，任何计算机科学家现在都不应该退休，而应该致力于人工智能。那是我的看法。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，我不会说只是因为比赛——虽然请允许我澄清，但我们的确意在让我们 Gemini 成为第一个 AGI。但是能够投身于这场不可思议的技术革命，意义重大，远远超过其他人。我经历过 Web 1.0 时过境迁，非常激动人心；之后还有移动互联网等等。

不过，我觉得 AI 科学探究远比它们更令人兴奋，它对世界的最终影响也会更长远。尽管因特网和移动技术已经产生了巨大的影响，但是我相信 AI 这将带来更加根本的改变。

Alex主持人：那你每天都在做什么？

谢尔盖·布林：我主要像德米斯这样的人“摧毁”——对了，他很了不起，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里，他们在研究。 Gemini 重点文本模型，预训练和后训练。

关注这些，偶尔也会对一些多模态的工作进行深入的研究，比如你看到的。 Veo 3。我更倾向于深入研究技术细节。对于我来说，这是一种奢侈的享受，幸运的是，像德米斯这样的人正在统筹全局。

这就是我对科研的兴趣：深入研究算法及其演进过程。

Alex主持人：好了，我们来谈谈商品，尤其是最近发布的一些。德米斯，我想问一个关于这个的问题。 Agent 宏观问题。当你看到其他科技公司建立的 Agent 当时，演示通常是一种能够通过无形声音感知前后文并在屏幕上交互的形式。

而 DeepMind 而谷歌的演示往往是通过摄像头进行的，非常注重视觉。智能眼镜的内容今天也发布了。所以，如果我理解正确，请谈谈谷歌为什么这么热衷于开发一种能像人一样感知世界，成为助手或伙伴的东西。 Agent？

Google Glass 智能眼镜带来的经验

德米斯·哈萨比斯：原因有很多，这里有很多线索。正如我们之前讨论的那样，我们一直在讨论。 Agent 非常感兴趣，这其实是 DeepMind 继承。起初，我们是从游戏中开始的。 Agent 系统开始了。我们致力于建立 AGI，也就是通用人工智能。显然，AGI 了解物理环境和周围世界是必要的。

在我看来，其中两个主要应用领域:第一，成为一个真正有用的助手，可以融入你的日常生活，而不是局限于计算机或特定的设备。我们希望它能帮助日常生活的方方面面，所以它必须了解物理环境。

另一个重要的方面是，我一直认为，为了让机器人真正发挥作用，我们需要在机器人上看到类似的东西。 Astra 能力。我认为机器人领域的瓶颈不在于硬件——虽然很多公司都在开发优秀的硬件，但我们与它们有更多的合作——而在于软件智能。这是长期阻碍机器人发展的症结。

不过，我相信我们正处在一个激动人心的时刻。最终，最新版本的模型(尤其是 Gemini 2.5)以及我们介绍的其它技术，我们将有一个算法，可以使机器人真正运行并释放其巨大的潜力。最终，AGI 所有这些能力都需要具备。

所以，你可以看到我们一直在考虑这一点。Gemini 从一开始，甚至在最早的版本中，它就被设计成多模式。这使得初始阶段更加困难，因为构建多模式系统比纯文本系统更具挑战性。但最终，我认为我们正在从这些初步决策中获得好处。

我看见很多 Gemini 团队成员坐在前排。我相信我们最初做出的正确决定往往是最困难的决定。现在，你可以通过你今天见证的一切来看到这些努力的结果。

Alex主持人：谢尔盖，我一直在犹豫要不要问你一个关于谢尔盖的问题 Google Glass 问题。你们从来 Glass 这个项目学到了什么经验，现在谷歌可以参考了？看起来智能眼镜又卷土重来了。

谢尔盖·布林：问得好。我学到了很多。坦率地说， Google Glass 这个项目确实犯了很多错误。但是我还是坚信这种形式的产品，所以我很高兴我们现在有了新的尝试。现在看起来像普通眼镜，前面没有棱镜。坦白说，我觉得当时有技术差距。

目前在 AI 在加持下，这款眼镜帮助客户的能力大大增强，不会持续分散客户的注意力。另外，当时我对消费电子供应链一无所知，不知道在合理的价格范围内制造和管理所有的生产环节有多难。这一次，我们有一个优秀的合作伙伴帮助我们建立，这又向前迈进了一步。

Veo 3 以及培训数据的质量

我也想说，我真的很怀念当初演示中翼飞行员从飞艇上跳下的场景。说实话，如果你是 Shoreline Amphitheater 这儿的再现，比原来在这里的再现要好。 Moscone 中心很酷。但也许这次我们得到了...这一次，我们应该先打磨产品，确保它准备好，使用方便，然后进行华丽的演示。这可能是一个更明智的方法。

德米斯·哈萨比斯：在眼镜类可穿戴智能产品方面，我想说，我们显然有着丰富的历史积淀。在当下，我们可以将所有这些经验运用起来。正如你所看到的，我对我们的新眼镜非常兴奋。我一直在和我们的团队， Sharam 和他的团队讨论，不知道谢尔盖是否同意，但是我觉得通用智能助手是智能眼镜的“杀手级应用”。除了硬件技术的巨大进步之外，我认为这是成功的关键。那才是真正自然的“杀手级应用”。

Alex主持人：好吧。让我们简单谈谈视频生成。今天，在主题演讲的观众中，我被这些模型的巨大进步深深震撼。一些电影制作人在演示中也谈到了这项技术。德米斯，我想问你一个关于模型质量的问题。如果互联网充斥着 AI 生成的视频，它们是否会反过来进入训练数据，从而导致模型质量明显低于仅用人类生成的内容训练模型？

德米斯·哈萨比斯：的确，对于所谓的“模型崩溃”（model collapse）有很多担心。录像只是其中一种模式，文字等其他模式也面临着同样的问题。关于这一点，有几个方面需要说明。第一，我们在数据质量管理和筛选方面比较严格。第二，至少我们会添加所有的生成模型。 SynthID 水印。它是看不见的 AI 产生内容水印，十分稳定，自发布一年半以来一直经受住考验。这种水印嵌入了我们所有的图像和视频，方便我们检查。同时，我们也在发布工具，让任何人都可以检查这些水印，从而识别内容是否由此。 AI 生成。

闪电问答(网络，AGI 时间轴）

虽然这对打击深度伪造和虚假信息很重要，但是同时，它也允许你在需要的时候从训练数据中过滤掉一些生成内容。所以，我不认为这是个大问题。最终，我们可能会有一个非常好的视频模型，然后我们可以把它们产生的内容作为一个额外的合成数据库再次引入训练循环。但是，必须非常小心，确保产生的数据与目标建模的分布一致，并且不会以任何方式扭曲这种分布。质量也必须足够高。

我们在 AlphaFold 在这个特点上有一些经验。那时，我们没有足够的真实测试数据来构建最终版本。首先，我们要建立一个初始版本，用它来预测大约100万个蛋白质结构。这一预测包含了置信度评分，我们从中挑选了置信度最高的30万至40万个结果，并重新加入到训练数据中。它表明，将生成数据与真实数据混合是一项非常前沿的研究，并且有一个有效的方法。

在视频生成方面，至少在我们自己的工作中，如果有必要，我们可以很容易地排除生成数据。希望其他生成媒体公司也能效仿，选择稳定的水印技术，这对于打击深度伪造和虚假信息尤为重要。

Alex主持人：好了，我们还有四分钟，我还有四个快速问答问题。让我们看看我们能尽快完成多少。这个问题交给谢尔盖。十年后，互联网会是什么样子？

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

Alex主持人：好吧，德米斯？

德米斯·哈萨比斯：我认为这是一个很好的答案。至于互联网，我认为在不久的将来，如果我们考虑一个“Agent 网络形态优先，这将发生巨大的变化。例如，Agent 与网络的互动并不一定需要像人类那样看到渲染后的页面。因此，我认为几年内的情况就会大不相同。

Alex主持人：好吧，这是一个“先于还是晚于”的问题：AGI 会到 2030 年前还是年后出现？

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

Alex主持人：Demis?

德米斯·哈萨比斯：我觉得是未来。看起来我要回去更加努力。

谢尔盖·布林：我只是提出要求，他负责实现。Demis，不要再保持力量了，下周我们就要看到结果了！

我们是否生活在模拟中？

Alex主持人：这个问题很简单，我来检查一下。好吧，那么Demis，你将被雇佣在面试中使用。 AI 的人吗？

德米斯·哈萨比斯：哦，面试的时候用AI吗？这取决于他们如何使用它。如果他们现在使用这些模型工具，他们可能不会。但事实上，我认为关键在于他们如何使用它们。这大概是我的回答。

Alex主持人：Sergey？

谢尔盖·布林：我自己基本上没有很好的面试，所以…我不知道。要是我来判断别人面试的具体方式，就会显得有些虚伪。

德米斯·哈萨比斯：事实上，我也没有太多的面试。所以，我们在这方面是一样的。

Alex主持人：好的。Demis，我一直在看你的推特。你发了一篇很有意思的文章，用提示生成了一些自然场景。哦，对了，这就是文章:“只要按下按钮，自然就会变成模拟。这真的很发人深省。 "。每个人都解读了这一点，一些媒体标题甚至说，Demis 感觉自己生活在一种模拟中。所以，我们真的生活在模拟中吗？

德米斯·哈萨比斯：并非 Nick Bostrom 等待别人说的话。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，但它不同于一个简单的模拟。我不能在一分钟内解释清楚，但我认为，这些（AI）该系统能模拟大自然的真实结构这一事实，本来就很有趣，也很有启发性。

我一直在深入思考我们。 AlphaGo、AlphaFold 以及这个系统中的工作，我之前也讲过一点。也许在某个时候，我会写一篇科学论文，讨论我对这一切在现实中意味着什么的看法。

Alex主持人：Sergey，您是否愿意也来奉献一条头条新闻？

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，我们可以根据同样的想法创造这个模拟的有机体，我们也可能因为类似的原因生活在自己的模拟中，所以我们可以一层一层地嵌套，甚至是无限的。因此，你要么接受我们处于无限嵌套模拟中，要么必须有一个终极的现实，一个“停止条件”。

Alex主持人：什么是你最好的猜测？

谢尔盖·布林：我认为当我们处理‘模拟’问题时，我们把它带入了一个非常以人为本的角度。例如，我们倾向于认为这是一种有意识的存在，它正在运行我们的模拟，因为它类似于我们自己的欲望和想法。这就是我认为这个解释很难建立的地方。恐怕我们还没有能力理解更高层次的存在。

Alex主持人：好吧，那么，德米斯，谢尔盖，非常感谢大家。那真是一次引人入胜的对话。谢谢大家。

谢尔盖·布林：谢谢Alex。谢谢你。非常愉快。

本文仅代表作者自己的观点。

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

—— · END · ——