DeepMind掌门自曝AGI倒计时5年！算力需求暴增10倍，推理计算吞噬一切

　　新智元报道

　　编辑：英智

　　【新智元导读】无需复杂编程，仅通过观看视频就能破解光照、反射等物理规律。Hassabis畅想，在AI驱动的游戏世界，玩家每一步都将触发独特的故事，成为个人化的冒险乐园。

　　Hassabis绝对是当今世界上最聪明、最有趣的大脑之一。

　　在最新播客中，他表示「自然界里任何能被发现的规律，都能被机器学习算法高效地学会和模仿。」

　　AlphaGo和AlphaFold在给可能性多到无法想象的复杂问题建立一个模型。蛋白质在我们的身体里只需要几毫秒就能完成折叠。

　　自然界的系统是有结构的，只要是能进化出来的东西，就可以被高效地理解和模仿。

　　这感觉就像大自然在玩一个游戏，最神奇的是，它在游戏里创造出来的东西，恰好又是能用模型高效理解的。

　　Veo能模拟液体、各种材料的反光，效果好得出奇。

　　Hassabis以前在游戏公司搞物理引擎，知道从零开始写程序实现这个有多折磨人。

　　而AI好像光看看YouTube视频就把物理规律给琢磨透了。

　　视频生成中的渲染、光照等等，是物理学最核心、最基础的东西。它正向我们揭示一些关于宇宙结构根本的道理。

　　如果我们能理解物理学是怎么做到的，然后为这个过程建模，那就应该是可行的。

　　构建真正的AGI

　　他曾经以为，就像很多神经科学理论说的，需要通过在世界中行动，才能真正深刻地感知。

　　但现在看来，通过被动的观察似乎就能理解它。

　　下一步可能是让这些视频变得可以交互，让人能真正走进视频里，在里面四处走动，那将会非常震撼。

　　Hassabis认为这就开始接近「世界模型」了，包括世界的力学、物理规律以及世界中的万物。

　　这正是一个真正的AGI系统所需要的。

　　AGI「电子游戏」

　　他常幻想，如果在90年代就能用上今天的AI系统，会做出什么样的东西？

　　Hassabis表示，你绝对可以做出让人脑洞大开的、震撼人心的游戏。

　　游戏里有一个模拟的世界，里面有AI角色，然后玩家与这个模拟世界互动，这个世界会根据玩家的玩法进行调整和适应。

　　他认为那是最好玩的游戏，每个人的游戏体验都是独一无二的。

　　我们设定好参数和初始条件，然后玩家沉浸其中，和这个模拟世界一起，共同创造着你的故事。

　　但是，要编写一个开放世界游戏当然是非常困难的。

　　无论玩家往哪个方向走，都有能力创造出相应的内容，引人入胜。

　　现在，我们可能正处在一个新时代的风口浪尖上。

　　在未来几年，也许是五到十年内，就能拥有真正围绕你的想象力进行创造的AI系统。

　　它们可以动态地改变故事情节，无论你选择什么，都能围绕你的选择讲述一个戏剧性的故事。

　　Hassabis觉得这或许已经触手可及了。

　　Veo的可交互版本，想象一下它会有多棒。

　　玩家真正想要的是，在那个游戏环境里，任何事情都有可能发生。

　　电子游戏可能会成为人们寻找意义的地方。

　　你可以在游戏中创造出极其丰富、有意义的体验，甚至更多样化的生活方式。

　　但另一方面，享受和体验物理世界也非常重要。

　　我们将不得不再次面对这个问题：现实的本质是什么？

　　这些日益逼真的、多人的、可涌现的模拟世界，和真实世界里做的事情，区别到底会是什么。

　　ASl超级研究员

　　通往ASI的步骤，有很多有趣的想法，其中就包括了「超级程序员」和「超级AI研究员」。

　　他提到了一个非常有意思的词，科研品位（research taste）。

　　AI能否帮助杰出的人类科学家，判断哪些方向才有可能产生真正新颖的想法，这似乎是做好顶尖科学研究一个极其重要的部分。

　　Hassabis认为，要模仿或建模「品位」和判断力，将是最困难的事情之一。

　　这正是区分伟大科学家和优秀科学家的关键。

　　提出一个真正好的猜想，比证明它要难得多。

　　在国际数学奥林匹克竞赛上，去年的AlphaProof拿到了银牌。也许最终我们能解决一个千禧年大奖难题。

　　只要把问题提对了，实验设计对了，失败本身就极具价值。

　　天气系统是出了名的难建模，谷歌DeepMind也取得了进展。

　　DeepMind创造出了世界上最好的天气预报系统，比那些传统的、基于流体动力学的系统要好。

　　传统系统通常要在巨大的超级计算机上跑好几天才能算出结果。

　　即使这些动态非常复杂，在某些情况下甚至近乎混沌系统，依然可以用神经网络WeatherNet建模。

　　在编程方面，AlphaEvolve让递归式自我改进成为了可能。

　　通往AGI的道路，可能不会是一条直线，而是一个随时间推移逐渐改善的过程。

　　扩大计算规模！

　　扩大计算规模，对于构建AGI来说有多关键？

　　Hassabis认为，非常关键。

　　对训练来说，需要的计算资源通常集中在一个地方，就算是数据中心之间的带宽限制都会有影响。

　　因为现在AI系统已经融入了产品，被全世界数十亿人使用，所以需要海量的推理计算。

　　在此之上，还有过去一年出现的新范式，给它越长的推理时间，在测试时就会变得越聪明。

　　随着AI系统变得越来越好，它们会变得越来越有用，对它们的需求也会越来越大。

　　训练的算力需求，其实只是其中的一部分，甚至可能在所需的总计算量中，会变成较小的那一部分。

　　随着Veo越来越不可思议，服务器就越「汗流浃背」。

　　DeepMind有很多有趣的硬件创新。

　　有自己的TPU产品线，还在研究纯推理芯片，以及如何让它们更高效。

　　他们也对构建AI来帮助解决能源问题非常感兴趣，比如，帮助数据中心的冷却系统提高效率，优化电网。

　　最终，还有帮助核聚变反应堆进行等离子体约束。

　　然后是材料设计，他认为这是最激动人心的新领域之一，比如新型太阳能材料，室温超导体，还有最优电池。

　　这些问题中任何一个的解决方案，都将对气候和能源使用带来绝对的革命。

　　「初创公司」DeepMind

　　任何一家大公司，都会很多管理层级之类的东西，这是它运作的本质。

　　Hassabis仍然可以，过去也一直是以初创公司的模式在运营DeepMind，虽然它规模不小，但仍然是初创公司。

　　DeepMind用最好的小型组织所拥有的那种决断力和活力去做事。

　　他们试图做到「鱼和熊掌兼得」：拥有触达数十亿用户的、令人难以置信的产品平台，用AI赋能它们。

　　世界上很少有地方能这么做：一边做着世界顶级的、不可思议的研究；第二天就能把它接入产品，改善数十亿人的生活。

　　他曾和大英博物馆的楔形文字专家Irving Finkel交流，他不知道ChatGPT或Gemini。

　　Finkel第一次接触到AI，就是谷歌搜索上的「AI模式」。世界上很多人，还不知道AI这回事。

　　设计AI产品时，不能只看技术今天能做什么，而是要看它在一年后能做什么。

　　所以，你必须是一个技术功底非常深厚的产品人，有一种很好的直觉和感觉，要能「截胡」到这个高速发展的技术未来的方向。

　　Hassabis认为我们将开始利用其他设备，智能眼镜、音频耳塞，甚至是某种神经设备，把输入和输出的带宽，提升到比如今天的一百倍。

　　Hassabis认为我们将进入一个由AI生成界面的时代。

　　这些界面很可能是为你个人定制的，所以它会契合你的审美，你的感觉，你大脑的工作方式。

　　参考资料：

　　https://www.youtube.com/watch?v=-HzgcbRXUK8