DeepMind CEO 谈 AI 的两条路：做科学工具，还是卷入 AGI 竞赛

背景：AI发展的两条路径之争

近年来，AI行业的讨论大多围绕模型排名、产品竞争、融资估值，以及“谁会最先实现AGI（通用人工智能）”这类话题。Google DeepMind CEO Demis Hassabis在一次访谈中，提出了一个不同视角：AI的最优先用途不应只是效率工具或商业产品，而是作为推动人类科学进步的引擎。他强调，AI应服务于长期、高影响力的科学问题，而非被短期竞争节奏所主导。这一观点揭示了AI发展中科学理想主义与商业现实之间的张力。

DeepMind自创立以来，一直致力于构建能够自我学习、推理和泛化的系统。AlphaFold、AlphaGo等项目的成功，不仅展示了AI在特定任务上的超凡能力，更验证了AI在科学探索中的创造性潜力。而随着ChatGPT引爆AI热潮，行业节奏明显加快，AI发展迅速转向商业化、产品化和资本竞争，迫使DeepMind也需在现实与初心之间寻找平衡。

深度剖析：科学工具与AGI竞赛的差异

Hassabis认为，AI的真正价值在于帮助人类解决长期未能突破的科学难题，而非仅仅优化已有流程或打造聊天机器人。以下是他在访谈中提出的核心观点：

• 科学发现优先于商业闭环：AlphaFold破解蛋白质结构预测难题，是AI作为科学工具的标志性案例。它将原本需要数年、数百万美元的研究压缩为几小时计算，并且DeepMind选择公开数据，而非将其封闭为商业产品。
• 智能的本质在于探索与推理：DeepMind的AI系统不是依赖硬编码的人类知识，而是通过自我博弈和反馈，找到人类未曾预见的解法，例如AlphaGo的“神之一手”。
• AGI应是行动型系统，而不仅仅是语言模型：未来的AGI不仅要能理解和生成语言，还要具备规划、执行、调用工具并作用于现实世界的能力。

从第一性原理出发：AI如何成为科学发现的催化剂

Hassabis特别重视AI系统能否从零开始学习并形成创造性策略。这种能力体现在多个DeepMind项目中：

• AlphaGo的Move 37：在对战李世石时，AI下出人类未曾设想的一手棋，首次直观展示AI创造性。
• AlphaZero的自我博弈：完全不依赖人类棋谱，从零训练并击败顶级系统，证明AI可超越现有知识框架。
• 迁移至复杂科学领域：这些能力理论上可应用于材料科学、药物设计、实验流程优化等，帮助人类突破传统研究瓶颈。

这类系统的核心突破在于从第一性原理出发进行自主学习，而非依赖人类设定的知识边界。它们在极大搜索空间中找到隐藏结构，从而推动科学发现的边界。

AGI的风险：不只是模型能力，更是系统自主性

Hassabis指出，AGI的真正挑战并不在于它能否更聪明地聊天，而在于它是否具备自主执行任务、调用工具、持续规划的能力。他提到两种主要风险：

恶意使用风险（Dual-Use）

• AI技术可以被用于医疗、能源等造福人类的领域。
• 同样也可能被滥用，例如开发生物武器、进行欺诈或操控舆论。

自主系统失控风险

• 当AI系统具备更强的行动能力时，其行为可能偏离人类预期。
• 传统的“说错一句话”式风险将扩展为“系统在复杂任务中做出非预期决策”的问题。

因此，他认为必须同步发展防护机制、评估体系与国际合作框架，以应对这些潜在风险。

重构AI的叙事：从效率工具到科学范式

公众对AI的认知，常常被消费级产品所塑造，例如聊天机器人、图像生成器、办公助手等。这些工具确实提升了效率，但Hassabis强调，AI的真正潜力在于推动科学发现的范式转移。

• 突破时间尺度限制：原本需要十年甚至更久的科研进程，可能被AI系统性加速。
• 重塑研究方法论：AI不仅是工具，更是发现工具、创造知识的新路径。
• 超越封闭式产品逻辑：AlphaFold等项目的价值不在于其商业壁垒，而在于开放共享带来的全局性推动。

这种视角也解释了为什么DeepMind始终在技术能力与科研初心之间寻找平衡。它不满足于成为“更聪明的数字助手”，而是试图证明AI能成为一个新的科学范式。

结语：在理想与现实之间寻找方向

Hassabis的立场并不否定AGI的重要性，但他更强调AI的使命应该是为人类解决根本性问题，而非陷入谁先发布更大模型、谁融资更多的短期竞赛。他所代表的DeepMind世界观，是将AI置于科学、健康、安全的长远坐标系中。

这场访谈并未提供令人兴奋的时间表或竞争宣言，而是提出一种更深远的思考：当AI系统越来越强，我们该如何定义它值得被用来做什么？这不仅是技术问题，更是价值观问题。