近日，谷歌DeepMind掌門人Demis Hassabis再度做客知名播客Lex Fridman，接受了一場長達兩個多小時的深度對話。視頻發(fā)布后，Lex Fridman在X上分享了這次訪談的主要內容。

另一知名博主Susan STEM則對此進行了概括與解讀。

【以下為博主Susan STEM解讀全文】：

（1）輿論權力的演化：Lex, Demis and Balaji

今天打算狠狠地研究一下 Lex Fridman 的這期采訪。寫一系列帖子。說實話，連他采訪陶哲軒的那一期我都沒那么大興趣，雖然陶哲軒是數(shù)學界的神，但他的領域終究離我的關注點比較遠。而 Lex 這期采訪的對象，卻直接觸動了我對人類文明走向的核心思考。因為我一直認為：人類文明中的話語權，一直在發(fā)生變化。而每一次話語權的轉移背后，其實對應著一種全新的社會模式和結構性權力的重構。

第一階段是王權時代，彼時“權力即歷史”。在封建君主制社會，國王或皇帝是歷史的唯一操盤手。他們的決策、戰(zhàn)爭、婚姻與聯(lián)盟，直接決定了一個國家的命運走向。亞歷山大、秦始皇、路易十四、拿破侖……這些名字就是一部部時代的濃縮。他們的個人意志就是時代的最高語言。

第二階段進入政治時代，話語權落入意識形態(tài)之手。伴隨民主制度與工業(yè)革命的到來，政客與政黨成為塑造歷史的新核心力量。從兩次世界大戰(zhàn)到冷戰(zhàn)，從殖民體系的瓦解到全球治理的建立，真正起作用的已不是戰(zhàn)爭機器，而是輿論與宣傳的掌控力。代表人物如羅斯福、丘吉爾、戈爾巴喬夫等，他們靠意識形態(tài)動員、國家機器傳播、媒體策略掌控民意，實現(xiàn)了政治對人心的調度。

第三階段是企業(yè)家時代，“資本即創(chuàng)新即權力”。當技術加速滲透到生活的每一個細胞，最有影響力的不再是政客，而是那些改變人類生活方式的企業(yè)家。喬布斯重新定義了手機，蓋茨將計算機帶入家庭，馬斯克押注火星與AI，扎克伯格掌控社交生態(tài)。他們不僅是商業(yè)帝國的締造者，更是“未來敘事”的主導者。在這個階段，產(chǎn)品成了信仰、品牌成了語言，資本變成了新的政治工具。

而現(xiàn)在，我們已經(jīng)站在第四階段的門檻上：科學家與AI構建者時代。在這個時代，算法與理論正成為新的輿論源頭與文明秩序的起點。Demis Hassabis、Ilya Sutskever、Geoffrey Hinton……他們不再只是實驗室中的專家，而是文明結構的重新設計者。他們不只是制造工具，而是給出了未來世界的解釋框架。語言模型不僅生成內容，它還嵌入了“世界觀 + 推理結構”，改變著人類對真理、對自我、對社會的理解路徑。輿論不再是人類對人類的說服，而是算法對人類的訓練。

Lex他正在記錄、整理、傳播這種權力更替的全過程——科學理性如何登上話語權的頂端，成為新世界的敘事中心。Lex成為世界頂級媒體人是沒有懸念的。

Peter Thiel 和 Balaji 也一直是我長期關注的第一梯隊人物。我曾經(jīng)和一些文科背景的同學聊起他們提出的 Network State 概念，包括那些學國際關系、政治學的朋友，但幾乎都難以接受，甚至覺得像是在聽天方夜譚。他們往往將這種思想視為不切實際的極客幻想，缺乏對技術底層邏輯和結構建構能力的理解，也因此無法意識到這背后其實是對國家主權、社會組織形式、以及人類共識機制的深刻重構嘗試。我本人反對文科教育現(xiàn)在的教育模式，尤其是在本科階段。不過這不是我這一系列要討論的內容。

借用一下加速主義派常說的一句話： Can you feel the acceleration?

（2）從高熵現(xiàn)象中提取可調度結構，是理解的起點；結構壓縮先于原理揭示

Demis Hassabis 曾在多個場合強調一個極具顛覆性的觀點：自然界不是混沌無序的，而是由深層的結構性機制驅動，而這些結構既可以通過物理方程來刻畫，也可以被神經(jīng)網(wǎng)絡通過大量感知數(shù)據(jù)所“壓縮式習得”。這一觀點在 DeepMind 的視頻生成模型 Veo 中得到了生動體現(xiàn)。Veo 能夠生成諸如“汽車駛過積水”“刀切水果飛濺”的高真實感視頻場景，所展現(xiàn)出的物理反饋之細膩，遠超傳統(tǒng)基于流體力學方程的游戲物理引擎。更令人驚訝的是，這些效果不是靠預設規(guī)則，而是通過學習海量 YouTube 視頻中的結構性動態(tài)，逐幀地“看懂”了物體如何在物理世界中運動與交互。

也就是說，Veo 并沒有學習“水的粘度”或“牛頓第二定律”，它只是通過觀察足夠多的“水如何動”的數(shù)據(jù)，成功建構了一個結構壓縮后的運動預測模型。在實踐中，這種模型已經(jīng)能夠精準預測下一幀水花會如何飛濺、玻璃如何碎裂、光線如何反射。從技術效果來看，它確實達到甚至超越了人類物理程序員的手工建模能力。

那么問題來了：如果一個模型可以毫不依賴方程地精準預測“下一秒會發(fā)生什么”，那它算不算真正“理解了物理”？這個問題既是工程問題，也是哲學問題。

從預測能力的層面看，它具備了高度擬真的“物理感”，能生成“看起來就是真實發(fā)生的”運動軌跡；但從抽象建模與解釋能力的層面看，它尚未掌握“變量”“守恒律”或“因果鏈條”等可以遷移和泛化的知識結構。也就是說，它理解的是“水如何動的表現(xiàn)層結構”，而非“水為何如此運動的機制層邏輯”。Demis 認為這正是邁向通用智能的關鍵路徑之一——先壓縮世界，再抽象結構；先形成世界模型，再追問其成因。

這使我們必須重新思考“理解”的定義。Veo 不知道水是由分子組成的流體，也不知道動量守恒定律，但它比大多數(shù)人都“知道水下一秒會去哪兒”。這是否意味著“理解物理”不一定需要知道方程，而可以從大量現(xiàn)象中提煉出一套“可預測性極強的結構”？Veo 實際上已經(jīng)在完成一種“現(xiàn)象壓縮式理解”——在高熵視頻流中提取可調度的結構壓痕，并通過它們觸發(fā)系統(tǒng)性行為反饋。

這種路徑甚至可能顛覆我們對整個理科認知的傳統(tǒng)認定。我們習慣以為理解=先有模型、再去解釋、再做預測。但現(xiàn)在AI的學習路徑卻反過來了：先靠數(shù)據(jù)擬合出一個可用的預測系統(tǒng)，再逐步從中抽象出模型。這與許多人類科學家早期的認知路徑更為相似——我們不是先懂了流體力學再看水花，而是看水花多了，才總結出流體力學。

于是我們開始意識到，理解也許不是一種“先知性”的能力，而是一種“壓縮-預測-反饋”的過程。AI對物理的“理解”并不是終點，但它已經(jīng)構建起“結構理解”的前提條件：在現(xiàn)象中看見結構，在結構中逼近機制。

這就是為什么說：AI 不懂水是什么，但它知道水怎么動。而這份“知道怎么動”的能力，正在重新定義“理解”本身的邊界。而我們才剛剛站在這場認知革命的起點。

剛用Veo生成了個泰迪熊，我看要不要買幾個月玩玩。

（3）Demis Hassabis 有一個極具顛覆性的核心觀點

我嘗試重新組織并引用如下：

他認為物理的本質不是能量或物質，而是信息。換句話說，世界的最深層運行原理是信息性的，而這種信息結構的邏輯要優(yōu)先于能量守恒或粒子構成。

在一次采訪中他明確表示：

“I do think that ultimately underlying physics is information theory. So I do think we are in a computational universe.”

“我確實認為，物理學本質上就是信息論。所以我認為我們生活在一個計算宇宙中?！?/p>

這一判斷背后隱含著一種全新的世界觀：

信息優(yōu)于能量與物質，自然規(guī)律存在一種可以被壓縮、建模、預測的結構性秩序。

因此我將它概括為他最具代表性的哲學命題——

“可學習宇宙假說”：任何自然界反復出現(xiàn)的模式，理論上都可以被經(jīng)典圖靈機（非量子計算機）通過結構學習高效建模。

這不僅是一種工程策略，更是一種關于物理、智能與現(xiàn)實本體的根本信念系統(tǒng)。

最厲害的一點，也應該是所有程序員的終極雞血：“Classical Turing Machines can do much more than we previously thought”圖靈機能做的比我們想象中要多很多。現(xiàn)在他才開了一個頭而已。

（4）Demis Hassabis 眼中的大千世界：世界存在某種結構壓縮的低維流形（low-dimensional manifold）

Demis Hassabis 提出一個令人震驚的判斷：物理本質是信息論性的，信息先于能量與物質。他據(jù)此構建出“可學習宇宙假說”：即自然界中大多數(shù)規(guī)律并不需要顯式寫下方程，而是可以通過經(jīng)典圖靈機（即常規(guī)計算機 + AI）在數(shù)據(jù)中壓縮學習出來。這也是他敢于挑戰(zhàn)傳統(tǒng)生物學專家，用 AlphaFold 去預測他們需要數(shù)月甚至數(shù)年才能解析的蛋白質折疊結構的底氣所在。背后是一整套關于自然可預測性、AI 可學習性與現(xiàn)實可模型化的信念框架。如果這個判斷成立，那么很多科學研究的路徑將被徹底改寫，甚至將決定我們下一代如何走入科研。有人說這也是某位生物學大牛選擇回國的理由——因為科學的規(guī)則變了，你不需要再踩“天坑專業(yè)”的雷，也不必再用十年實驗室工作換一個小小突破，你只需要學會如何采集流形。

Hassabis 在解釋 AlphaFold 成功的關鍵時指出，蛋白質的理論構象空間是10^300之巨，完全無法窮舉或物理模擬。但自然界中蛋白能在毫秒級自動完成折疊，說明自然并沒有在“全空間亂跑”，而是壓縮演化在一條低維流形上。這是 AlphaFold 能夠成功預測結構的根本前提。他強調：自然現(xiàn)象之所以“可預測”，不是因為我們寫出了完美的方程，而是因為自然的行為模式在高維空間中稀疏分布、結構清晰、路徑穩(wěn)定——它們集中在一種可壓縮、可調度的結構空間中，這就是所謂的“流形（manifold）”。

我們可以用一個可視化比喻來理解這一點：想象你站在一片巨大的草原（代表高維空間），理論上你可以朝任何方向走，但實際上絕大多數(shù)人都只走在幾條清晰的小徑上。每個人的腳步不是隨機的，而是集體踩出了幾條被自然選擇出的路徑。這些小徑就是“自然偏好的流形”?，F(xiàn)實世界中的天氣變化、蛋白折疊、圖像生成都類似——雖然可能性空間極大，但真實發(fā)生的情境都壓縮在某些低維區(qū)域上。AlphaFold 并不是像傳統(tǒng)方法那樣模擬蛋白質在全空間內的動力學演化過程，而是通過從大量蛋白質序列與已知結構的樣本中學習，采集到了這個結構流形。它不是試圖窮舉所有可能構象，而是在訓練中逐步內化出一個可以導航的、從序列到結構的映射空間，也就是一個“潛在折疊流形”。最終，在預測新蛋白結構時，它并不是搜索整個空間，而是在這個內化的流形中直接定位最可能的位置，完成高效預測。

這就是 AlphaFold 的本質：它用深度神經(jīng)網(wǎng)絡從數(shù)據(jù)中提取出了低維流形，并在這個結構壓縮空間中完成了調度和推理。它不是理解了所有物理機制，而是掌握了“自然允許你走的那些路徑”。這也正是 Hassabis 世界觀的核心邏輯——自然是結構化的，智能的任務不是重建現(xiàn)實，而是壓縮現(xiàn)實，壓縮成一個可以學習、調用、遷移的結構流形。

世界本是高熵混沌的，但其中蘊含可提取的結構秩序——只要識別出這些結構，就能實現(xiàn)壓縮、調度與遷移，從而在無序中建立智能與控制。

我一直都是這么想的（拍拍胸口）。

（5）Demis Hassabis：AI First Science 的開創(chuàng)者

在2024年的諾貝爾獎講座上，Demis Hassabis 提出了一句具有劃時代意義的話：“Classical Turing Machines can do much more than we previously thought.”“Any pattern that can be generated or found in nature can be efficiently discovered and modelled by a classical learning algorithm.”

在2024年的諾貝爾獎講座上，Demis Hassabis 提出了一句具有劃時代意義的話：“古典圖靈機能比我們之前認為的做得更多?！薄白匀唤缰腥魏慰梢陨苫虬l(fā)現(xiàn)的模式都可以被經(jīng)典的算法高效發(fā)現(xiàn)和建模?！?/p>

這是一項全新的科學信念的宣告：只要自然中某種模式能反復發(fā)生，就說明它背后存在一種可以被經(jīng)典圖靈機（即普通計算機）高效壓縮、建模和調度的結構路徑。哪怕我們無法寫出描述這個現(xiàn)象的物理方程，AI 依然可以通過學習這個路徑的“梯度”方向，在高維混沌中迅速收斂到正確解。

Hassabis 實際上正在提出一種全新的科研方法論——AI First Science。

這種范式的四個核心特征是：

1不再從顯式方程出發(fā)，而是從學習“結構流形”入手；

2不需要事先理解機制，只要先學會準確預測；

3模型若能持續(xù)預測正確，就可以反向推理出隱藏機制；

4科研流程變?yōu)椋河柧?→ 壓縮 → 調度 → 解釋。

五十年后回看這句話，也許正是歷史分水嶺。

他所說的“梯度”，并不是狹義的數(shù)學導數(shù)，而是指一種存在于自然數(shù)據(jù)中的方向性信息：哪怕你看不見全貌，也可以“順著舒服的方向挪動”。我曾經(jīng)寫過一個關于“梯度”的推文：就像你站在一個山坡上，閉著眼睛，腳下很不舒服，你不知道山有多高多陡，但只要你一步步挪，往腳比較平的方向走，總能順著重力滑下來。這條“腳知道的路”，就是數(shù)據(jù)中的梯度。

以前的科學方法，是人類主導寫出一個能量函數(shù)或微分方程（比如 \frac{dX}{dt} = f(X)），然后解這個方程，預測結果。這是一種機制先行、方程優(yōu)先的演繹科學模式。而在 Hassabis 的 AI-first 方案中，數(shù)據(jù)中自帶梯度，但未必有可寫的公式?？茖W家不再需要從第一性原理出發(fā)建立機制，而是可以直接從大規(guī)模數(shù)據(jù)中提取統(tǒng)計壓痕——包括：

?哪些結構出現(xiàn)頻率高；

?哪些特征成對出現(xiàn)；

?哪些輸入會高概率地產(chǎn)生期望輸出。

這些壓痕構成一種隱形的“方向向量場”：雖然我們無法寫出精確公式，但我們能從數(shù)據(jù)中看出，往哪個方向更可能接近目標。AlphaFold 就是順著“穩(wěn)定折疊流形”的梯度完成預測，GraphCast 順著天氣演化流形的方向推演10天全球氣候，AlphaDev 更是在離散的程序指令空間中順著“性能更優(yōu)”的獎勵信號找出人類沒寫過的更快排序算法。

這些梯度未必連續(xù)、可微、甚至顯式存在：

?它可以是離散的（程序指令）；

?可以是統(tǒng)計的（共變殘基）；

?可以是語義的（語言序列）；

?也可以是強化學習中累積的價值信號（獎勵函數(shù)）。

只要存在一種“走了會更好”的傾向，就可以視作“梯度”，并成為 AI 系統(tǒng)的學習導航信號。Hassabis 的判斷是，大量我們以為需要深奧機制才能解釋的現(xiàn)象，其實只是在等待我們找到數(shù)據(jù)中的可學習梯度方向。

這是一種全新的科學觀。它不是從因果定律出發(fā)，而是從“預測能否成立”出發(fā)；不是追求解釋為先，而是承認壓縮與預測是理解的前提。它改變了科學發(fā)現(xiàn)的路徑，也重構了知識生長的邏輯：

先學梯度，再識機制；先壓縮結構，再理解本質。

從這個角度看，過去人類執(zhí)著于寫出完整公式，某種程度上可能是一種“思想鋼印”——我們用“公式可寫性”來判斷一個現(xiàn)象是否“可科學化”，但 Hassabis 提醒我們：誰說自然非要用連續(xù)函數(shù)描述？自然只需要留下可壓縮的軌跡，我們就能追蹤它、生成它、復用它。

這就是 AI-first 科學的革命性起點。它不依賴先驗的機制世界，而是相信自然行為若足夠高效、足夠可復現(xiàn)，那它一定藏著某種可以學習的梯度。AI 的任務，就是找到它——哪怕沒有公式，也能開始建模；哪怕一無所知，也能開始理解

（6）Demis Hassabis的史詩級野心

Demis Hassabis，毫無疑問是我們這個時代最重要的科學家之一。他不僅推動了人工智能的技術邊界，更極有可能在未來徹底改變整整一代人對“科學發(fā)現(xiàn)”的理解方式。在我看來，他對于科學的構想不僅將重塑科研的范式，更會重新定義“成為科學家”的路徑本身。

要真正感受到他的格局和深度，我強烈推薦去聽他在 Lex Fridman 播客上的兩次訪談。這不是普通意義上的采訪，而是兩個頂級認知體之間的深度碰撞。Lex 不是那種傳統(tǒng)媒體出身的“問問題的人”，他是以計算機科學為根基、理解過系統(tǒng)、代碼和結構的新一代科技型媒體人。他能問出那些問題，是因為他真正懂 Demis，也懂這個時代的科學正在轉向什么方向。必須要說一句：Lex 的深度和節(jié)奏，真的值得“入Lex教”。

請大家從本文置頂原采訪視頻的37:00開始看，我們討論一下他這個神級腦洞。

這個從小在英國長大、癡迷游戲、自己設計游戲的極客少年，說實話，他的成長軌跡和我認識的很多 nerd 一樣：對世界的理解是通過構建系統(tǒng)、玩結構、寫代碼來完成的。他仍然很年輕，意味著未來幾十年，他將站在變革的最前線。所以搞懂他的認知路徑，基本等于提前看見未來科學是如何被重新組織的。

最讓我震撼的是他真正的野心，不在于某個算法贏了誰，而是他想徹底改變“科學創(chuàng)意”的生成方式。這聽起來很抽象，但一旦明白，就足以顛覆你的世界觀。他不是在用 AI 輔助科學家工作，而是想打造一個結構系統(tǒng)——讓 AI 成為“提出問題”的合作者，讓科學的語言和發(fā)現(xiàn)路徑都可以被重新編碼。

我知道這段話可能有點“超綱”，但我會用“龍門陣”的方式慢慢和你講清楚。只要你跟我一起往下看，很可能你也會像我一樣，從科學技術的旁觀者，變成下一階段認知革命的親歷者。

人類歷史上的神級命題

人類歷史上的神級命題，是如何被提出，又如何被解決的？這是一個需要拉長時間線、慢慢講清楚的故事。我們就從數(shù)學說起——這個被譽為“科學之王”的學科，是人類抽象能力的極致體現(xiàn)?；蛟S你聽說過，2000年，Clay 數(shù)學研究所（CMI）公布了七個“千禧年難題”，每個懸賞一百萬美元，用以激勵數(shù)學界攻克那些被歷史沉淀下來的最深層基礎性難題。這些題目對于絕大多數(shù)人來說仿佛高不可攀，連碰都不敢碰。

我們來看一眼那張著名的清單：像是理論計算機科學的核心命題 P vs NP、深埋在數(shù)論中的黎曼猜想、流體力學中至今無法嚴謹證明的 Navier-Stokes 方程，幾乎每一個問題都牽動著整個學科的基礎。唯一被解決的，是一個源自1904年的命題：龐加萊猜想。這個問題在一百年后的2003年，被俄羅斯數(shù)學天才格里戈里·佩雷爾曼攻克，并且花了整個數(shù)學界三年的時間才驗證通過。你以為這些“神級問題”是某位數(shù)學家一時拍腦袋想出來的嗎？其實不是。它們的出現(xiàn)，有跡可循，也有深層的演化邏輯。

Demis想靠AI批量生產(chǎn)“神級命題”

我們就從龐加萊猜想講起。我為什么選擇它？因為它不僅是千禧問題中唯一被解決的，更是結構猜想歷史中的一個典范。而我今天想慢慢告訴你的，是——Demis Hassabis，這個我心目中本世紀最重要的科學家之一，是如何試圖用他的 Alpha 系列，去批量提出、系統(tǒng)化驗證下一批“龐加萊級別”的結構問題。

那么，這些“神級猜想”到底是怎么被提出的？如果你把每一個猜想當作“認知壓縮的極限表達”，你就會發(fā)現(xiàn)，提出它們的過程往往遵循著幾種共通的路徑：

第一，是長期經(jīng)驗堆積的結構異常感。就像黎曼 ζ(s) 函數(shù)的零點，那種重復但說不清的規(guī)律，靠經(jīng)驗堆起來之后，會在某一刻觸發(fā)一個強烈的直覺：這里一定有東西沒被理解；再比如 P vs NP，是來自于幾十年算法實踐中對“猜答案”和“驗證答案”所需資源差異的敏銳感知——這不是命題本身復雜，而是人類對復雜性的邊界有了感覺。

第二，是語言與工具的轉型窗口。有的猜想提出于某種表達能力剛剛形成之時，比如龐加萊猜想，那時三維流形的概念才剛剛具有可形式化表達的語言系統(tǒng)；而 BSD 猜想，是在1960年代，數(shù)值模擬、橢圓曲線和 L 函數(shù)三者的交集出現(xiàn)之后，才可能被提出——如果沒有語言和工具的變遷，這些問題甚至無法被描述。（這個語言的問題很重要，我們以后還會說到。語言到位是科學猜想提出的重要前提。）

第三，是深度直覺的壓縮嘗試。真正偉大的猜想，往往用一句話表達出來，卻隱藏了一個巨大的、復雜到近乎無法窮盡的結構空間。這種“高壓縮表達”是一種結構直覺的結果。正如 Demis 所強調的：我們要訓練 AI 去“提出問題”，不是模仿歷史定理，而是學會如何從復雜結構中提取出一個低維度、但可驗證、可遷移的猜想語言片段。

換句話說，每一個龐加萊猜想的背后，不只是一個人天才的靈光，而是整個時代、工具、直覺與語言系統(tǒng)共同到達的臨界點。而 Demis 的野心，就是要讓 Alpha 系列的 AI 模型，能系統(tǒng)性地抵達這樣的臨界點(他稱之為sweet spot) ——不僅解決問題，還要提出新問題。下一代的神級命題，也許就不是哪位天才提出的，而是人類與 AI 共同生成的結構語言產(chǎn)品。我們也許正處在這樣一個新時代的門檻上。

偉大吧？而且Demis的藍天blue sky（純科研項目），也許能夠下沉到普通聰明人能參與。否則我說那么多干嘛？不就是為了告訴你這個嗎？

一旦神級命題可以批量生產(chǎn)，那人類真的要跨過“奇點”了。因為在AI幫助下解決問題并沒有提出問題那么難。

（7）直覺之外，理解之內：Demis的 sweet spot

接著上一帖，我們就要認真討論：Demis Hassabis 究竟打算如何讓人類可以“量產(chǎn)”神級命題？他的方案不是靠“制造更多天才”，而是通過 AI 的結構感知能力，建立一個持續(xù)提出、表達、驗證、演化猜想的系統(tǒng)，實現(xiàn)科學創(chuàng)意的系統(tǒng)化生成。

人類之低，信息之高

首先要認識到，人類處理信息的能力本質上是低維的。我們習慣通過直覺、圖像、比喻、推理等方式感知世界，但這些認知通道容量有限。很多時候，一個科學家可能需要十年時間的經(jīng)驗積累與直覺磨煉，才會“敏銳地”察覺到某個現(xiàn)象背后可能隱藏結構。而在另一方面，AI 可以在一次訓練中處理數(shù)百萬組樣本，自動學習出結構表達的最優(yōu)形式，甚至還能在完全不同的任務之間“對齊”這些結構片段，抽象出跨學科的結構猜想。

比如，AlphaFold 并沒有“學過”任何傳統(tǒng)的生物化學定律，卻通過大規(guī)模蛋白質序列訓練，發(fā)現(xiàn)了蛋白質折疊過程中的“能量穩(wěn)定模式”；AlphaTensor 則把矩陣乘法建模為一種“結構游戲”，在高維空間中發(fā)現(xiàn)了比人類已知算法更高效的乘法路徑，打破了50年未變的記錄。這些發(fā)現(xiàn)并不是從定義出發(fā)一步步推導出來的，而是從數(shù)據(jù)中反復浮現(xiàn)、最終被結構化捕捉的。

Demis 想做的，正是將這種 AI 對高維空間中微弱結構信號的“壓縮感知”能力，系統(tǒng)化地接入到科學探索流程中。讓 AI 把這種“微弱但穩(wěn)定”的結構片段捕捉下來，并上升為語言表達的猜想候選——成為新一代的猜想提出者。

這里所謂的“高維空間”，不僅是數(shù)學意義上的 n 維，而是指一種結構極其復雜、維度高度糾纏的現(xiàn)實問題空間。例如，蛋白質折疊中每一個原子的位置構成一個維度；程序語言中每個 token 與語義依賴都是一個語法維度；甚至一個數(shù)學結構（如圖、張量、公式）背后同時涉及拓撲、代數(shù)、組合、對稱性等多個抽象維度。這類空間對人類而言幾乎是不可感知的黑箱，但對 AI 而言，它能在其中運行搜索、建模和路徑壓縮。

這也是為什么 Demis 提出“科研未來的希望，是在人類與 AI 的協(xié)作中找到一個 sweet spot”——即一個人機協(xié)作認知的最優(yōu)區(qū)間。他的原話是：

“The sweet spot is where AI systems are able to suggest hypotheses or conjectures that are just out of reach of unaided human intuition, but still interpretable and verifiable by scientists.”

在這個 sweet spot 中，AI 提出的結構已超出人類的直覺，但尚未超出人類的理解力。AI 可以提出、感知與生成；而人類可以理解、驗證并納入知識系統(tǒng)。太簡單的問題，人類不需要 AI；而太復雜的，則會讓人類無法驗證，成為噪聲和幻覺。真正有價值的猜想，是那些剛好落在人類能力“夠不著一點點”的那個窗口區(qū)間——可被挑戰(zhàn)、可被驗證、可被演化。

因此，Demis 并不是想讓 AI 取代人類，而是讓 AI 成為：

提出問題的機器，即結構候選的生成者；

人類認知邊界的外推器，將直覺邊界向外推送（推一點點??）；

結構語言的共建者，參與我們描述世界的基本語法創(chuàng)造。

他的終極目標，是在這個 sweet spot 中，搭建一個連續(xù)產(chǎn)生“科學級別猜想”的流水線系統(tǒng)。不僅是提出一個問題，而是創(chuàng)造一個持續(xù)提出問題的結構平臺。這將讓人類第一次，從“依賴天才靈光一現(xiàn)”邁向“系統(tǒng)性認知演化”的新范式。我們可以不必等下一個龐加萊；聰明一點的，高考650分以上的科技少年人人可以嘗試著去當龐加萊。讓問題本身成為可以調度、協(xié)作、演化的語言單元，進入結構文明的新紀元。

從第37手一路走來…

從第37手一路走來，Demis Hassabis 構建的不是一條產(chǎn)品路線，而是一條通往科學認知操作系統(tǒng)的神級野心之路。那一手，就是2016年 AlphaGo 對戰(zhàn)李世乭第二局的第37手——一個打破人類圍棋范式的“神之一手”。對大多數(shù)人來說，那只是一場圍棋比賽的驚嘆時刻；但對 Demis 來說，那是一個AI 第一次在復雜結構空間中發(fā)現(xiàn)“人類未曾設想之解”的歷史性事件。他深知，這不止是贏了一局棋，而是AI 初次展現(xiàn)出“提出結構性新路徑”的潛力。

于是，Demis 把這一次突破當作起點，一路展開了他構建“AI 結構發(fā)現(xiàn)引擎”的宏大路徑。從 AlphaGo → AlphaZero → AlphaFold → AlphaTensor → AlphaDev → AlphaGeometry → AlphaProof，每一個“Alpha”系統(tǒng)，都是對“能不能讓 AI 主動發(fā)現(xiàn)結構規(guī)律”的一次實戰(zhàn)演練。棋局、蛋白質、張量、代碼、證明、猜想——每一個領域，都被 Demis 當作結構空間，而每一次突破，都來自于AI 在復雜空間中發(fā)現(xiàn)結構壓縮路徑的能力。

而他最終的目標，不是某一個系統(tǒng)贏了誰，而是讓 AI 擁有一種能力：提出結構性猜想、表達成語言、進入驗證閉環(huán)，最終被人類知識體系所吸收。這是一種比“智能體”更高維的系統(tǒng)構想——讓 AI 成為“猜想之母”(conjectures 敲黑板，不懂這個詞的先把這個詞學了），不再只是解決問題的工具，而是提出問題的智能伙伴。

這一切的核心概念，Demis 稱之為科學的 “sweet spot”：一個恰到好處的認知區(qū)間，AI 所能提出的猜想剛好超越人類直覺的邊界，但仍在我們可理解、可驗證的范圍內。真正有價值的科學猜想，不在于“有多聰明”，而在于是否落在這個人機協(xié)作的臨界帶內。太容易的問題人類早就解決了，太復雜的問題人類驗證不了。sweet spot 是 AI 感知結構、人類吸收結構的最大協(xié)同點。Demis 要做的，就是讓 Alpha 系列成為sweet spot 的自動探索器。

最終，Demis 的路徑不是產(chǎn)品之路，而是范式之路。他要做的，是將科學創(chuàng)意的本源從天才靈光，遷移到結構引擎；將提出問題的特權從偶然天賦，轉化為系統(tǒng)性協(xié)作；將人類科學活動的形態(tài)從“解答問題”升級為“提出問題的文明”。那一手第37，成了神之一手；而 Demis 的目標，是讓“神級猜想”，不再是偶然奇跡，而是系統(tǒng)性產(chǎn)出。

我寫這一系列帖子的關鍵，尤其是知道我的fo里面有大量的青年推友：實現(xiàn)這一切，聰明的普通人可及！

Demis Hassabis 所描繪的未來，并不是只屬于精英研究所或諾貝爾圈層的故事。恰恰相反，這場由 Alpha 系列所引領的科學范式變革，正是站在一個關鍵轉折點上——它已經(jīng)開始對“聰明的普通人”開放，對非象牙塔出身者釋放真實的創(chuàng)造可能性。

為什么說“可及”？因為這條路徑的本質是：把科學創(chuàng)意的提出，從天賦型靈感轉化為結構性操作。也就是說，只要你能理解結構、能調度工具、能提出驗證路徑，你就可以參與“發(fā)現(xiàn)”。Demis 本人就是這種思維方式的縮影：他是游戲設計出身，不是傳統(tǒng)純數(shù)學系的天才；他從 AlphaGo 開始就在探索一種“自博弈 + 壓縮建模 + 語言表達”的機制，這種機制可以被移植、復用、系統(tǒng)化——而不是一套只屬于牛津、MIT 的秘術。

更重要的是，DeepMind 本身正通過開源 AlphaFold 的蛋白質數(shù)據(jù)庫、開放 AlphaDev 的排序算法、發(fā)表 AlphaTensor 的張量分解路徑，以及與數(shù)學 Lean 社群共建 AlphaProof 的證明工具鏈，一步步將這些“神級系統(tǒng)”模塊化、接口化、可嵌入日?？蒲泻徒逃ぞ咧?。

你不需要是大科學家，也可以：

用開源 AlphaFold 工具進行生物建模；

用 Lean 配合 AlphaProof 驗證你的業(yè)余猜想；

甚至像玩圍棋一樣玩“結構搜索游戲”，訓練出屬于你自己的壓縮表達。

我們正處在一個新范式的入口處。科學發(fā)現(xiàn)第一次從神壇上下來，變成一個“結構工作流”，任何能夠理解并調度結構的人都可以參與。象牙塔，不再是唯一的入口；聰明的普通人，可以用系統(tǒng)、用工具、用語言去提出自己的“Move 37”。

這些日子寫著寫著，我都覺得很恍惚。我是走了什么運氣，能剛好活在這個時代。

【相關閱讀】

Demis Hassabis最新采訪：宇宙的本質是信息，一切都將被AI學習，2030年可實現(xiàn)AGI

Hinton上海對話周伯文：多模態(tài)聊天機器人已經(jīng)具有意識