Demis Hassabis on AI, Game Theory, Multimodality, and the Nature of Creativity | Possible
01:00:49 Share

人工智能如何帮助我们理解和掌握极其复杂的系统——从围棋（棋手可能有10的170次方种可能的走法）到蛋白质（平均可能有10的300次方种折叠方式）？本周，Reid和Aria邀请到了Demis Hassabis。Demis是一位英国人工智能研究员，也是人工智能公司DeepMind的联合创始人兼首席执行官。在他的领导下，DeepMind开发了AlphaGo，这是第一个在围棋比赛中击败人类世界冠军的人工智能，后来又创造了AlphaFold，解决了困扰生物学界50年的蛋白质折叠问题。他被认为是人工智能领域最有影响力的人物之一。Demis、Reid和Aria讨论了博弈论、医学、多模态以及创新和创造力的本质。有关播客的更多信息以及所有剧集的文字记录，请访问https://www.possible.fm/podcast/ 在此收听更多来自Possible的内容。了解您的广告选择。访问podcastchoices.com/adchoices</context> <raw_text>0 家得宝的春季黑色星期五促销来啦，我们有14天的优惠活动，让您轻松改造您的空间。您正在进行什么项目呢？不妨快速时尚地更新一下庭院家具？还有，没有闪亮的新烤架，户外用餐还有什么乐趣呢？在家得宝选购各种价格低于300美元的烤架，例如Next Grill 4 Burner，仅售229美元。然后用串灯营造一点氛围。在春季黑色星期五期间选购14天的优惠商品，即日起至4月16日在家得宝购物。

创新的精神深深植根于美国，谷歌正在帮助美国人在大大小小的事情上进行创新。国防部正在与谷歌合作，帮助保护美国的数字防御系统，从建立基于云的零信任解决方案到部署最新的AI技术。这是一个美国创新新时代。请访问g.co/Americaninnovation了解更多信息。

大家好。这里是来自《纽约杂志》和Vox Media播客网络的Pivot节目。我是Cara Swisher，今天我们将分享由我们最近的嘉宾之一Reid Hoffman主持的Possible节目的一集。加入Reid和他的联合主持人Aria Finger，他们将与谷歌DeepMind的联合创始人兼首席执行官Demis Hassabis（人工智能领域最有影响力的人物之一）进行座谈。他们将深入探讨博弈论、医学、多模态、创新的本质以及棋类游戏和电子游戏如何塑造我们对人工智能未来的理解。

请欣赏本集节目，并记住，您可以在任何收听播客的地方找到它并订阅Possible。人工智能将影响全世界。它将影响每个行业。它将影响每个国家。在我看来，它将成为有史以来最具变革性的技术。因此，如果这是真的，它将像电力或火一样，那么我认为让全世界都了解这一点非常重要

参与其设计。我认为这不仅仅是加利福尼亚州一百平方英里的区域。我确实认为，获得这些其他投入，更广泛的投入非常重要，这不仅体现在地域上，也体现在不同的学科上，哲学、社会科学、经济学，而不仅仅是科技公司，不仅仅是参与决定如何构建和使用它的科学家。

嗨，我是Reid Hoffman。我是Aria Finger。我们想知道我们如何一起使用人工智能等技术来帮助我们塑造尽可能美好的未来。在Stripe的支持下，我们邀请技术专家、有抱负的建设者和思想家来帮助我们勾勒出未来最美好的蓝图，并学习实现这一目标需要付出什么。这就是Possible。

在13世纪，加拉哈德爵士踏上了一段危险的旅程，追寻着难以捉摸的圣杯。圣杯在基督教传说中被称为基督在最后的晚餐中使用的杯子，它从亚瑟王王的餐桌上消失了。圆桌骑士发誓要找到它。经过多次考验，加拉哈德纯洁的心灵赋予了他独特的能力，让他能够窥视圣杯，观察人类语言无法描述的神秘景象。

2020年，DeepMind的一组研究人员成功创建了一个名为AlphaFold的模型，该模型可以预测蛋白质的折叠方式。该模型帮助解答了生物学中的一个圣杯问题。一条长长的氨基酸链是如何自身配置成一个三维结构，成为生命本身的基石的？

2024年10月，三位参与AlphaFold的科学家因这些努力而获得了诺贝尔奖。

这只是我们今天嘉宾领导的众多令人瞩目的成就之一。Demis Hassabis是一位英国人工智能研究员，也是人工智能公司DeepMind的联合创始人兼首席执行官。在他的领导下，DeepMind开发了AlphaGo，这是第一个在围棋比赛中击败人类世界冠军的人工智能，后来又创造了AlphaFold，解决了困扰生物学界50年的蛋白质折叠问题。

他被认为是人工智能领域最有影响力的人物之一。我和Reid与Demis进行了一次访谈，我们讨论了从博弈论到医学，再到多模态以及创新和创造力的本质等各种话题。以下是我们与Demis Hassabis的对话。♪

Demis，欢迎来到Possible。在皇后区与您共进晚餐真是太棒了。这在很多方面都是一个特殊的时刻。而且，你知道，我想我会从你在巴贝奇剧院的演讲以及你与穆罕默德·埃尔·埃里安进行的炉边谈话中提出的一个问题开始，那就是，与我们分享你从认为

国际象棋是我从小就一直在做的事情，到我想开始思考思考本身，我想加速思考过程，而计算机是实现这一目标的一种方式。你是如何得出这个结论的？你当时几岁？是什么让你转向元认知？

是的。首先，感谢您邀请我参加这个播客。对我来说，国际象棋实际上是从游戏开始的。我四岁时就开始认真下国际象棋了，整个童年都在下国际象棋，参加了大部分英格兰青年队比赛，还担任过许多队的队长。而且

很长一段时间里，我的主要目标是成为一名职业棋手，一位特级大师，也许有一天能成为世界冠军。这真的是我整个童年。除了在学校的时间，我所有的空闲时间都花在环游世界，与成年人在国际比赛中下棋。

然后大约11岁的时候，我突然顿悟了，尽管我喜欢国际象棋，而且今天仍然喜欢国际象棋，但这真的是一个人应该终生从事的事情吗？这是我最好的思维方式吗？所以这是让我有点困扰的一件事。但另一件事是，当我们与英格兰国际象棋队一起参加训练营时，我们开始使用早期的国际象棋电脑来尝试改进你的国际象棋。我记得当时想，

当然，我们应该专注于改进国际象棋开局、国际象棋理论和战术。但实际上，我更着迷于有人将这块无生命的塑料块编程成能够与我下非常好的国际象棋。我对它是如何做到的感到着迷。我真的很想理解这一点，然后最终尝试制作我自己的国际象棋程序。

这太有趣了。我之前对里德说过，我七岁的孩子刚刚赢得了纽约州国际象棋锦标赛。所以他们要想达到你的水平还有很长的路要走。但他对此深信不疑，就像，“哦，是的，妈妈，我只是要去电脑上玩国际象棋”。就像，“我去电脑上和电脑下几盘棋”，这当然在几十年前是一种启示。而且

我记得，当我在中学的时候，当然是深蓝对阵加里·卡斯帕罗夫。这就像人与机器的较量。你对这一刻的暗示之一是，它说明了，在这种情况下，基于特级大师数据，它就像蛮力对自学习系统。你能详细说说这种二分法吗？

是的，首先，我的意思是，这太棒了。你的儿子在下国际象棋，我认为这太棒了。我非常支持在学校将国际象棋作为课程的一部分进行教学。我认为这对大脑来说是极好的训练，就像学习数学或编程一样。它肯定影响了我处理问题、解决问题、设想解决方案和计划的方式，你知道，它教你所有这些令人惊叹的元技能，应对压力。所以你从小就能学习所有这些。

这对你要做的任何其他事情都非常棒。至于深蓝，你是对的。这些早期的国际象棋程序，然后深蓝成为了其中的巅峰，都是这些专家系统，当时这是处理人工智能的首选方法，实际上是程序员解决了这个问题，在这种情况下是下国际象棋，然后他们将该解决方案封装在一组启发式方法和规则中，

引导一种蛮力搜索，在这种情况下，是走出一盘好棋。我一直都有这种想法，尽管我对这些人工智能国际象棋程序能够做到这一点感到着迷，但我对它们也略感失望。实际上，到深蓝出现的时候，我已经在剑桥大学读本科了。我实际上对卡斯帕罗夫的思维更感兴趣

因为我已经开始学习神经科学了，而不是机器，因为这是一台笨重的机器，它只会下国际象棋，而卡斯帕罗夫也能大致在同一水平上进行国际象棋比赛，但也能做人类可以做的所有其他事情，令人惊叹的事情。所以我认为，这难道不说明人类思维的奇妙之处吗？更重要的是，这意味着深蓝和这些专家系统方法对人工智能来说缺少一些非常根本的东西，

对，非常清楚，因为深蓝虽然是当时人工智能的巅峰之作，但它似乎并不智能。而缺少的是它学习新事物的能力。例如，

深蓝能够在世界冠军级别下国际象棋，这太疯狂了，但它甚至无法玩井字棋，对吧？你必须重新编程。系统中没有任何东西允许它玩井字棋。这很奇怪，对吧？这与人类特级大师非常不同，人类特级大师显然应该轻松地玩更简单的游戏。而且，它不像人类思维那样具有普遍性，我认为这些是标志。这就是我从那场比赛中得到的启示，这些是智能的标志，如果我们想破解人工智能，我们就需要它们。

然后稍微谈谈深度学习，这显然是DeepMind之所以得名的部分原因，因为我认为你们用自我博弈和学习系统进行的实验中，部分内容似乎是完全相反的假设，即这种学习方法是生成这些重要系统正确的方法。所以稍微说说这个假设，沙漠之旅是什么样的，然后找到尼罗河最终得到了什么。

是的。好吧，当然，我们在2010年创立DeepMind时，还没有人在业界从事这项工作，学术界几乎没有人在从事这项工作。我们部分地将公司命名为DeepMind，“深度”部分是因为深度学习。这也是对《银河系漫游指南》中的“深思”、深蓝和其他人工智能事物的致敬。但它主要围绕着我们对这些学习技术的改进。

深度学习和分层神经网络，它们只是在2006年杰夫·辛顿及其同事的开创性工作中被发明出来的。所以它非常非常新。强化学习一直是DeepMind的专长，从反复试验中学习，从经验中学习的想法。

对吧？然后，然后制定计划并在世界上采取行动。我们实际上结合了这两件事，我们开创了这样做。我们称之为深度强化学习，这两种方法和深度学习来构建环境或你正在做的事情的模型，在这种情况下是一个游戏，然后强化学习来进行规划和

行动，并真正完成它，能够构建能够完成目标的代理系统，在游戏中的情况是最大化分数，赢得游戏。我们认为这实际上是智能所需的一切。我们之所以对这一点相当有信心，实际上是因为

以大脑为例，对吧？基本上，这是大脑工作方式的两个主要组成部分。大脑是一个神经网络。它是一个模式匹配和结构发现系统。但它也有

强化学习以及从反复试验中学习和尝试最大化奖励的想法，这实际上存在于人类大脑和动物大脑中，哺乳动物大脑是多巴胺系统实现的，一种称为TD学习的强化学习形式。所以这让我们相信，如果我们在这个方向上足够努力，即使没有人真正这样做，最终也应该奏效，对吧？因为我们有存在证据，那就是人类思维。

当然，这就是我学习神经科学的原因，因为当你身处沙漠时，就像你说的那样，你需要任何水源或任何你可能从沙漠中走出来的证据。即使是远处的海市蜃楼，在理解方面也是有用的，当你在沙漠中时，它能给你一些方向。当然，人工智能本身也身处其中，因为这种情况已经失败过几次。专家系统方法基本上已经达到了上限。

我可以轻松地独占整个采访，所以我尽量避免这样做。因此，学习系统最终创造的东西之一是解决了以前被认为是不可解的问题。甚至有人认为计算机无法做到这一点，例如经典的计算技术无法解决围棋问题，但它做到了。

但它不仅解决了围棋问题，而且在经典的第37步中，它展示了超越数千年围棋比赛和书籍以及数百年严肃比赛的原创性和创造力。对于理解人工智能的现状来说，第37步的时刻是什么样的？你认为下一个第37步是什么？

好吧，围棋之所以被认为如此困难，最终也比国际象棋困难得多，所以即使是我们有了AlphaGo，也花了另外20年时间，所有对国际象棋采取的方法，这些专家系统方法在围棋中都失败了。

对吧？基本上甚至无法成为职业选手，更不用说世界冠军了。原因有两个主要原因。一是围棋的复杂性非常巨大。衡量这一点的一种方法是，有10的170次方种可能的走法，对吧？远远超过宇宙中的原子数量。你无法用蛮力来解决围棋问题。

这是不可能的。但比这更难的是，它是一个如此美丽、深奥、优雅的游戏。在亚洲，它被认为是一种艺术形式。这是因为它在美学上既美丽，而且它完全是关于模式，而不是蛮力计算，而国际象棋更多的是关于蛮力计算。所以即使是世界上最好的棋手

也无法非常清楚地向你描述他们正在使用的启发式方法。他们只是凭直觉感觉到正确的走法，对吧？他们有时会说，为什么你要走这步棋？好吧，感觉是对的，对吧？然后事实证明，他们作为优秀棋手的直觉，他们的直觉是辉煌的，非常棒的。这是一个非常美丽和有效的举动。

但这很难用一组启发式方法和规则来概括，以指导机器如何下围棋。这就是为什么所有这些深蓝方法都不起作用的原因。

现在，我们通过让系统自己学习什么是好的模式、什么是好的走法、什么是好的主题和方法，以及什么是具有价值和高获胜概率的位置来解决这个问题。所以它通过经验，通过观看数百万场游戏并与自己进行数百万场游戏来自己学习这一点。这就是我们让AlphaGo比世界冠军水平更好的方法。

但更令人兴奋的是，这意味着这些系统实际上可以超越我们作为程序员或系统设计师所知道如何做的事情，对吧？没有专家系统能够做到这一点，因为当然它严格受限于我们已经知道并可以向机器描述的内容。但这些系统可以自己学习。

所以，这就是我们在2016年在首尔与李世石进行的著名世界冠军赛挑战赛第二局中第37步的结果。这是一个真正具有创造性的举动。围棋已经流行了数千年。

这是人类发明的最古老的游戏，也是最复杂的游戏。在日本等地，它已经作为职业比赛进行了数百年的时间。而且即使是在所有这些由杰出的人类棋手进行的探索之后，

我们，这第37步是以前从未见过的。实际上更糟糕的是，它被认为是一种糟糕的策略。事实上，如果你去看纪录片，你知道，它现在在YouTube上，关于AlphaGo的纪录片，你会看到专业评论员在看到第37步时几乎从椅子上摔了下来，因为他们认为这是一个错误。他们

他们认为电脑操作员阿杰在电脑上误点了，因为这太不可思议了，没有人会那样下棋。然后，当然，最终，100步之后，那第37步，放在棋盘上的棋子，恰好处于决定性的位置

整场比赛。所以现在它被研究为围棋史上的一个伟大经典，那场比赛和那一步。当然，更令人兴奋的是，这正是我们希望这些系统能够做到的，因为我以及我从事人工智能工作的全部动机，我一生都在从事人工智能工作，是为了利用人工智能来加速科学发现。正是这种新颖的创新，尽管是在游戏中，是我们从系统中寻找的东西。

而且，你知道，我认为这是一个很棒的解释，说明为什么这些学习系统甚至现在都在进行原创发现。你认为下一个第37步可能是什么，它能开启我们的思维，让我们了解人工智能如何为人类思想、人类存在和人类科学的质量做出巨大贡献？是的，好吧，我认为，

我认为几乎在人类努力的每个领域都会有很多第37步。当然，从那时起我一直在关注的事情主要是如何将这些类型的人工智能技术、这些学习技术、这些通用学习技术应用于科学。我称之为根节点问题的科学大领域。所以，如果你想到宇宙中存在的所有知识的树，你能解锁

一些根节点，解锁人们之后可以建立的整个分支或新的发现途径吗？对。而且，呃，对我们来说，蛋白质折叠和AlphaFold就是其中之一。他总是，你知道，在我的清单上名列前茅。我有一个关于我一生中遇到的所有这些类型的问题的心理清单，并且，并且，并且，思考哪些问题是合适的，呃，既会产生巨大的影响，呃，也适合这些类型的技术。呃，我认为我们将看到这些类型的新的策略、新的想法在人类努力的非常重要的领域出现一个新的黄金时代。现在我想说一件事，那就是我们还没有

完全破解创造力，对吧？所以我不想声称这一点。我认为有，你知道，我经常将其描述为三个层次的创造力，我认为人工智能能够做到前两个。第一个是插值。所以你给它，你知道，一百万张猫的图片，

人工智能系统，许多猫的图片，然后你说，给我创造一只原型猫，它就会像平均所有它看到的一百万张猫的图片一样。而原型猫不会出现在训练集中。所以它将是一只独特的猫，但它并不十分，你知道，从创造力的角度来看，这并不十分有趣，对吧？它只是一个平均值。

但第二件事就是我所说的外推法。这更像是AlphaGo，你玩了1000万场围棋，你看了几百万场人类围棋比赛，但你提出了，你从已知内容中推导出以前从未见过的新的策略，就像第37步一样。

好的，这已经非常有价值了。这是，你知道，我认为这是真正的创造力。但还有第三个层次，我称之为发明或跳出框框思考，这不仅能想出第37步，还能发明围棋，对吧？或者另一个我喜欢的衡量标准是，如果我们回到1900年代初的爱因斯坦时代，人工智能系统能否仅凭爱因斯坦当时拥有的信息就能提出广义相对论？

显然，今天，对这些事情的答案是否定的，对吧？它无法发明像围棋一样伟大的游戏。它也无法仅凭爱因斯坦当时拥有的信息就能发明广义相对论。所以我们的系统中仍然缺少一些东西才能实现真正的跳出框框思考。但我认为它会到来，但我们现在还没有。

我认为许多不在人工智能领域的人会对这一切都始于游戏感到惊讶，但这对我们正在做的事情来说是福音。就像，这就是我们创建这些系统的方式。因此，从棋类游戏转向电子游戏，你能给我们一个电梯演讲式的解释，说明究竟是什么让能够玩星际争霸II的人工智能（例如AlphaStar）比能够玩国际象棋或围棋的人工智能更先进、更令人着迷？

有了AlphaGo，我们基本上破解了棋类游戏的巅峰，对吧？所以围棋一直被认为是棋类游戏人工智能的珠穆朗玛峰，如果你愿意的话。但如果考虑到你能在电脑上玩的最复杂的策略游戏，那么还有一些更复杂的游戏。

在电脑上。星际争霸II被认为是实时战略游戏类型的经典之作。这是一个非常复杂的游戏。你必须建立你的基地和你的单位以及其他东西。所以每一局游戏都不一样，对吧？棋盘游戏非常灵活，你必须实时移动许多单位。我们破解它的方法是在代理联盟中添加一个额外的级别，这些代理联盟相互竞争，所有代理联盟都以略微不同的初始策略为种子

然后你就会得到一种适者生存。你让他们之间进行比赛。所以现在这是一种多代理设置。在锦标赛中获胜的策略将进入下一个，你知道，下一个纪元。然后你围绕这个生成一些其他的新策略。你不断地这样做很多代。你既有AlphaGo中的自我博弈的想法，但你又加入了这种多代理竞争，几乎是进化动力。

然后最终你会得到一个代理或一系列或一组代理，它们是代理的纳什分布，没有其他策略能够支配它们，但它们支配了大多数其他策略。然后你就会有这种纳什均衡，然后你从中挑选出，你知道，你从中挑选出顶级代理。

这种类型的非常开放式游戏玩法非常成功。所以它与国际象棋或围棋的情况大相径庭，在国际象棋或围棋中，规则非常明确，你得到的棋子总是相同的。

而且它是一种非常有序的游戏，像星际争霸这样的游戏则更加混乱。所以处理这个问题很有趣。它有隐藏的信息，你无法一次看到整个地图，你必须探索它。所以它不是一个完美信息的游戏，这也是我们希望我们的系统能够应对的另一件事，那就是部分信息的情况，这实际上更像现实世界，对吧？

在现实世界中，你很少真正拥有关于所有事物的完整信息。通常你只有部分信息，然后你必须推断所有其他信息才能提出正确的策略。而游戏方面的一部分是，我想你听说过这种智人游戏论。是的。我们都是游戏玩家。这是否会影响到对游戏既具有战略意义又有效的思考方式？

你知道，对科学加速框架的框架，对创新的偶然性来说，除了适应度函数、自我博弈的进化、能够进行规模计算的能力之外，游戏性质中还有其他更深层次的因素能够促进这种思考的思考吗？

好吧，我很高兴你提到了智人游戏论，这是一本很棒的书。它基本上认为，呃，游戏是，是，是人类的一个基本组成部分，对吧？在许多方面，这就是，你知道，游戏的行为，还有什么比这更人性化呢？对吧。然后当然，它，它导致了创造力、乐趣，呃，你知道，所有这些东西，

都是建立在它之上的。所以我一直很喜欢它们，因为它们是一种练习和训练你自己的思维的方式，在现实生活中你可能只遇到过几次，但它们通常非常重要。要创办什么公司，要达成什么协议，诸如此类的事情。所以我认为游戏是一种练习这些场景的方式。如果你认真对待游戏，那么你实际上可以模拟在决策情境中会遇到的许多压力。

回到前面，这就是我认为国际象棋对孩子们来说是一个很好的训练场的原因，因为它确实教会了他们所有这些情况。所以，当然，对人工智能系统来说也是如此。这是一个完美的……

为我们早期的人工智能系统理念提供了试验场，部分原因是它们是为了让人类玩起来具有挑战性和趣味性而发明的。当然，游戏玩法也有不同的级别。所以我们可以从像雅达利游戏这样的非常简单的游戏开始，

<context>Demis Hassabis谈论人工智能、博弈论、多模态和创造力的本质 | Possible 人工智能如何帮助我们理解和掌握极其复杂的系统——从围棋（棋手可能有10的170次方种可能的走法）到蛋白质（平均可能有10的300次方种折叠方式）？本周，Reid和Aria邀请到了Demis Hassabis。Demis是一位英国人工智能研究员，也是人工智能公司DeepMind的联合创始人兼首席执行官。在他的领导下，DeepMind开发了AlphaGo，这是第一个在围棋比赛中击败人类世界冠军的人工智能，后来又创造了AlphaFold，解决了困扰科学界50年的蛋白质折叠问题。他被认为是人工智能领域最有影响力的人物之一。Demis、Reid和Aria讨论了博弈论、医学、多模态以及创新和创造力的本质。有关播客的更多信息以及所有剧集的文字记录，请访问https://www.possible.fm/podcast/ 在此收听更多来自Possible的内容。了解有关您的广告选择的更多信息。访问podcastchoices.com/adchoices</context> <raw_text>0 然后一直到最复杂的电脑游戏，比如星际争霸，对吧？并继续挑战我们的系统。所以我们正处于S曲线的最佳点。它不太容易，也不是微不足道或太难。你甚至无法看出自己是否取得了任何进展。你想处于S曲线最大值的那一部分，在那里你几乎可以取得指数级的进步。随着我们系统的改进，我们可以选择越来越难的游戏。然后游戏的另一个优点是

因为它们是某种现实世界的缩影，它们通常被简化为非常明确的目标函数，对吧？所以赢得游戏或最大化分数通常是游戏的目标。这很容易指定给强化学习系统或基于代理的系统。所以它非常适合对抗式爬山法，对吧？并测量ELO分数、评级以及你的确切位置。

最后，当然，你也可以与最优秀的人类玩家进行校准。所以你可以对你的代理在他们自己的锦标赛中所做的事情进行校准。最终，即使是星际争霸代理，我们最终也必须挑战星际争霸的专业大师，以确保我们的系统没有以某种方式过度拟合他们自己的锦标赛策略，对吧？它实际上需要是，哦，我们用它来验证，哦，它实际上可以是一个真正的人类星际争霸大师级玩家。

最后一点是，当然，你也可以用游戏生成任意数量的合成数据，这现在又成为了一种时尚，关于数据限制以及大型语言模型以及世界上还剩下多少标记以及它是否阅读了世界上的所有内容。显然，对于像游戏这样的东西，你实际上可以将系统与自身对抗并从正确的分布中生成更多数据。

你能详细解释一下吗？就像你说的，现在流行讨论的是我们是否用完了数据？我们需要合成数据吗？你对这个问题的立场是什么？

我一直是模拟和人工智能的坚定支持者。思考现实世界作为计算系统也很有趣。所以我一直致力于构建非常逼真的事物模拟。当然，现在这与人工智能相互作用，因为你可以让人工智能通过观察该系统或该系统的所有数据来学习某个现实世界系统的模拟器

现在，这些大型基础模型几乎使用了整个互联网，对吧？所以一旦你尝试从中学习，剩下的东西是什么呢？那就是所有现有的语言。当然，还有其他模态，如视频和音频。我认为我们还没有用尽所有这些多模态标记。

但即使那样也会达到某种极限。所以问题就变成了，你能生成合成数据吗？我认为这就是为什么你会看到数学和编码方面取得相当大的进展，因为在这些领域，生成合成数据相当容易。合成数据的问题是，你是否正在创建来自正确分布、实际分布的数据，对吧？它是否模拟了真实的分布？此外，你生成的数据是否正确？

当然，对于数学、编码和游戏等方面，你可以实际测试最终数据并验证其是否正确。

在你将其作为输入馈送到新系统的训练数据之前。所以它非常适合某些领域，事实上，事实证明，人类思维中越抽象的领域，你越能验证并证明它是正确的。因此，这就能解锁创建大量合成数据的能力。本集由Shopify赞助。Shopify。

当你将你的业务切换到Shopify时，忘记选择商业平台的烦恼吧，Shopify是一个全球性的商业平台，无论你在哪里销售，它都能增强你的销售能力。使用Shopify，你将利用世界领先品牌使用的相同直观的特性、值得信赖的应用程序和强大的分析功能。立即注册，享受每月1美元的试用期，网址为shopify.com/tech（全部小写）。网址是shopify.com/tech。

《安多》第二季将于4月22日独家在Disney+上线。

嗨，我是Javon，你的Blinds.com设计顾问。哦，哇。一个真人。是的。我在这里可以帮助你完成从选择完美的窗帘到……好吧，我有一个复杂的项目。没问题。我甚至可以帮你安排专业的测量和安装。我们还可以快速免费地向你发送样品。嗯，我可能不得不做更多。无论你需要什么。所以我们首先要看的房间是……现在就访问Blinds.com购物，全站节省高达40%。Blinds.com。可能适用规则和限制。好的。

所以，除了关于数据、我们如何获得更多数据等频繁讨论之外，还有一个问题是，为了进行人工智能，是否需要将其嵌入到世界中？是的。有趣的是，如果我们在五年前或十年前谈论这个问题，我会说

一些现实世界的经验，你知道，也许是通过机器人技术。当我们谈论具身智能时，通常指的是机器人技术，但它也可以是一个非常精确的模拟器，对吧？比如某种超现实的游戏环境将是完全理解周围世界物理学所必需的，对吧？以及你周围的物理环境。实际上，神经科学的一个分支是基于此的，称为行动中的感知。这就是说，除非你也能在其中行动，否则你实际上无法完全感知世界。这种论点是，例如，除非你能拿起东西并将其相互比较，否则你如何真正理解某物重量的概念？然后你就会得到重量的概念，比如，你真的能仅仅通过观察事物就能得到这个概念吗？

这似乎很难，对吧？对于人类来说当然很难，我认为你需要在世界上行动。所以这就是行动于世界是学习的一部分的理念。你有点像一个主动学习者。事实上，强化学习就是这样，因为你做出的决定会给你带来新的经验，但这些经验取决于你采取的行动。但这些也是你随后将从中学习的经验。从某种意义上说，强化学习系统参与了他们自己的学习过程，对吧？

对吧？因为它们是主动学习者。我认为你可以很好地论证，这在物理世界中也是必需的。现在，事实证明，我不确定我是否还相信这一点，因为现在，你知道，有了我们的系统，特别是我们的视频模型，如果你看过VO2，你知道，我们最新的视频模型，完全是最先进的，我们在去年年底发布的。它

它甚至让我感到震惊，即使我们正在构建这个东西，它也可以通过观看大量的YouTube视频来弄清楚世界的物理学。从某种意义上说，这是一种视频模型的图灵测试，即，你能切西红柿吗？

你能展示一段视频，视频中一把刀切着西红柿，手指在正确的位置，西红柿不会神奇地弹回原位，或者刀子穿过西红柿而没有切到它等等。VO可以做到。如果你仔细想想理解你需要保持一致的物理学的复杂性等等，那就太神奇了。很难争辩说它不理解某些

物理学和世界的物理学。它是在没有在世界上行动的情况下做到的，当然也不是以机器人的身份在世界上行动。现在，我不清楚仅仅通过被动感知是否有极限。

现在，有趣的是，我认为这对机器人作为具身智能、作为一种应用具有巨大的影响，因为我们构建的模型，Gemini和现在的Veo，我们将来会在某个时候将这些东西结合起来，我们从一开始就构建了我们的基础模型Gemini，使其成为多模态的。

我们这样做的原因是，我们有一个关于通用数字助理的愿景，一个在你身边使用数字设备的助理，也可能在现实世界中，也许在你的手机或眼镜设备上，并实际上帮助你，在现实世界中。

比如向你推荐东西，导航，帮助你四处导航，帮助你处理现实世界中的物理事物，比如烹饪之类的事情。为了让它发挥作用，你显然需要理解你所处的环境。这不仅仅是我键入聊天机器人的语言。你实际上必须理解我所生活的3D世界，对吧？我认为要成为一个真正优秀的助手，你需要做到这一点。

但第二点当然是机器人技术也需要的东西。我们发布了我们第一个大型Gemini机器人技术工作，这引起了不小的轰动。这是展示我们可以用这些多模态模型做些什么的开始，这些模型确实理解世界的物理学，只需在顶部进行一些机器人微调即可处理机器人需要执行的动作、电机动作和规划。看起来它会奏效。

所以现在我认为这些通用模型实际上将转移到具身机器人环境中，而不需要太多额外的特殊情况处理或额外的数据或额外的工作，这可能不是大多数人，甚至是顶级机器人专家五年前预测的。

我的意思是，这太疯狂了。而且，你知道，考虑到基准以及我们需要这些数字助理做什么，比如当我们查看这些大型人工智能模型的内部结构时，有些人会说这是注意力。所以权衡是思考时间与输出质量。我们需要它们速度快，但当然也需要它们准确。所以谈谈这种权衡，以及现在世界上的情况如何？

好吧，你看，我们当然，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们，我们

然后，第二点是帮助实现能源可持续性和应对气候变化，也就是保护地球健康。所以，一个是人类健康，另一个是地球健康。这两个领域是我们科学团队关注的重点，我认为这在我们AI实验室中是相当独特的，因为我们从一开始就非常重视这两个领域。

然后，蛋白质折叠对我来说是一个典型的例子。大约30年前，我在剑桥大学读本科时偶然发现了它。它一直萦绕在我的脑海中，这是一个能够开启无数可能性的绝妙谜题。你知道，蛋白质的结构，生命中的所有一切，都依赖于蛋白质，我们需要了解它们的结构才能了解它们的功能。

如果我们了解了功能，我们就能理解疾病中哪里出了问题，并且可以设计出与蛋白质表面正确部分结合的药物和分子，前提是知道其3D结构。

所以这是一个非常吸引人的问题。它也涉及到我们之前讨论过的一切计算问题。你能枚举出来吗？你能看穿这片可能性之林吗？所有这些蛋白质可能折叠的不同方式？有些人估计，Leventhal在20世纪60年代非常有名地估计，一种平均蛋白质可以以10的300次方种可能的方式折叠。

那么，你如何枚举这些天文数字般的可能性呢？然而，利用这些学习系统，这是可能的。这就是我们用AlphaFold所做的。然后我们成立了一家公司，Isomorphic，我知道Reid也对这个领域非常感兴趣，他的新公司也一样，如果我们能缩短发现蛋白质结构所需的时间，过去通常需要一名博士生整个博士生涯才能发现一种蛋白质结构，也就是四五年。

而科学界已知的蛋白质有2亿种。我们在一年的时间里折叠了所有这些蛋白质。换句话说，我们在一年的时间里完成了10亿年的博士研究时间。然后我们免费地将其提供给全世界使用。全世界有200万研究人员使用了它。

我们又成立了一家新公司Isomorphic，试图进一步下游发展，开发所需的药物，并试图缩短这一时间。我的意思是，这太神奇了。德米斯，他们授予你诺贝尔奖是有原因的。非常感谢你在这个领域所做的所有工作，这真是太令人惊叹了。谢谢。

现在进行快速问答。有没有哪部电影、歌曲或书籍让你对未来充满乐观？我看过很多电影，它们给了我很多灵感。比如，《银翼杀手》可能是我最喜欢的科幻电影。但这可能并不那么乐观。如果你想要一个乐观的东西，我会说伊恩·班克斯的《文明》系列。我认为这是对……

……后AGI宇宙的最佳描述，在那里，人工智能和人类以及各种外星物种实际上已经……，并且在整个银河系中实现了最大程度的人类繁荣。这是一个我渴望为人类创造的令人惊叹、引人入胜的未来。你希望人们更频繁地问你什么问题？

我经常想知道为什么人们没有更多地讨论一些问题，包括和我讨论，那就是现实中的一些真正基本属性，这些属性实际上……

……在我还是个孩子的时候就驱使我去思考构建人工智能，以帮助我们创造这种终极的科学工具。例如，我不明白为什么人们不更担心时间是什么，什么是……，什么是……，你知道，什么是引力，什么是……，基本上是现实的基本结构，就像……，这些非常明显的事情一直在影响着我们。我们对此没有任何了解。我不知道为什么这不会让更多人感到不安。

这让我感到不安。而且，你知道，我很乐意与人们就这些事情进行更多辩论。但实际上，大多数人似乎……，他们似乎回避这些话题。你在你所在行业之外看到了哪些进步或动力激励了你？这是一个难题，因为人工智能太普遍了，它几乎触及了……，哪个行业不在人工智能行业之外？我不确定还有多少。

也许，量子领域取得的进展很有趣。我仍然相信人工智能将首先被构建，然后可能会帮助我们完善我们的量子系统。但是，我和一些量子领域的友人，比如Hartman Nevin，一直在打赌，他们会先构建量子系统，然后这将帮助我们加速人工智能的发展。所以我总是密切关注量子计算系统方面的进展。

最后一个问题。如果你能为人类带来一切，你能否就未来15年可能发生的事情给我们留下一些想法？实现这一目标的第一步是什么？我希望在未来10到15年里，我们在医学领域能够取得真正的突破。

我认为，在未来10到15年内，我们实际上可以真正解决所有疾病，对吧？这是Isomorphic的使命。我认为，通过AlphaFold，我们展示了这种潜力的可能性，……做我喜欢称之为“数字速度的科学”的事情。为什么这不能也应用于寻找药物呢？……所以我的……

……希望是10到15年后，我们会回顾我们今天所拥有的医学，就像我们回顾中世纪以及我们当时如何行医一样。我认为，这将是我们能够想象到的AI带来的最不可思议的好处。Possible由Wonder Media Network制作。主持人是Ari Finger和我，Reid Hoffman。我们的节目制作人是Sean Young。

Possible由Katie Sanders、Edie Allard、Sarah Schleed、Vanessa Handy、Aaliyah Yates、Paloma Moreno-Jimenez和Malia Agudelo制作。Jenny Kaplan是我们的执行制片人和编辑。特别感谢Surya Yalamanchili、Sayida Sepiyeva、Thanasi Dilos、Ian Ellis、Greg Beato、Parth Patil和Ben Rellis。

并特别感谢Leila Hajjaj、Alice Talbert和Denise Owusu-Afrie。