#Demis Hassabis

avatar
Susan STEM
2个月前
Demis Hassabis 神级天才的思维脉络 在人工智能与科学交汇的前沿，Demis Hassabis 提出了一条极具颠覆性的路径。他认为，自然界并非我们表象中那般混乱无序，而是隐藏着深层次的结构性秩序。理解世界，不必总是从演绎推理和方程建立起步，而应从感知数据中压缩出可调度的结构，借此进行预测和推演，进而反向建构理论。这一主张不仅重塑了科学研究的技术路径，更触动了我们对知识建构本身的认知方式。 一、结构压缩优先：从 Veo 看理解的重定义 Demis 的这一认知在 DeepMind 的视频生成模型 Veo 上得到了直观体现。Veo 模型并未学习任何显式的物理方程，却能够凭借观察大量自然视频数据，在没有编程预设规则的前提下，生成逼真且具有高度物理一致性的动态画面，例如汽车驶过积水时水花飞溅、玻璃破碎后的细节反馈。这是一种典型的“现象压缩式理解”路径：AI 通过在高熵视频流中提取出稳定可复用的结构压痕，实现对物理现象的预测能力。 我们由此必须追问：如果一个模型能够在不知晓动量守恒的前提下准确预测水花的下一帧状态，它是否“理解了物理”？Demis 的回答是明确的——理解的核心，不在于是否掌握方程，而在于是否能压缩现象为结构，并借此形成调度性强的预测路径。 二、信息先于物质：可学习宇宙假说 在这一架构下，Demis 提出了他的核心哲学命题：信息先于物质。即，物理世界的本质是一种信息性结构，而非能量或粒子。我们所观察到的规律，其底层机制是信息的组织方式。 他进一步提出“可学习宇宙假说”：任何自然界中反复出现的模式，都存在一个可被经典图灵机有效压缩与学习的结构路径。这意味着，我们无需总是从第一性原理出发建构模型，而可以通过 AI 对大量数据的结构化吸收，形成一种预测优先的认知框架。 三、自然流形：结构稀疏的低维空间 AlphaFold 的成功证明了这一哲学判断的工程可行性。蛋白质的理论构象空间高达 10^300，传统方法根本无法穷举。然而自然界中，蛋白质往往能在毫秒级自动完成折叠，说明它们并不是随机地在空间中漂移，而是沿着一条被“压缩演化”的低维流形展开。 Demis 将这种现象称作“自然偏好的低维结构空间”，也就是流形（manifold）。AI 的任务不再是模拟所有路径，而是在数据中采集这一稀疏、稳定、可导航的结构区域。这使得 AI 不必理解所有机制，便能通过结构导航完成预测，从而以压缩路径替代穷举机制。 四、AI First Science：新范式的科研工作流 在 2024 年诺贝尔奖演讲中，Demis 明确提出了“AI First Science”的科研范式：不再从理论建模出发，而是先训练模型，让其学习压缩结构；接着由这些结构驱动调度，再反向解释形成机制。 他提出的科学工作流如下：训练 → 压缩 → 调度 → 解释。此路径彻底颠覆了过去数百年“建模—推导—验证”的科学流程，转而采用“预测—拟合—反演”的演化方法。 在这个范式中，梯度的含义也发生转变。它不再是传统微积分中的导数，而是指数据中隐含的可学习方向信号。这种梯度可能是离散的、统计的、甚至语义的，但它们都构成了一种“方向向量场”，AI 可以在其中找到“走了会变好”的结构路径。 五、结构提出者：AI 从解答者变为猜想引擎 更为震撼的是，Demis 不满足于让 AI 解题，而是要它成为结构猜想的提出者。AlphaGo 的第 37 手，是这一目标的原点：一手无人类预期的棋步，首次展现 AI 提出结构创新的能力。从那一刻起，Demis 开始布局他的“结构发现引擎”路线图。 这一进化路径包括 AlphaGo、AlphaZero、AlphaFold、AlphaTensor、AlphaDev、AlphaGeometry、AlphaProof，每一个系统都试图在不同领域内自动识别高维结构中的压缩路径，并从中提出新的结构问题、优化路径甚至定理猜想。 Demis 将这种 AI 的猜想能力界定为“sweet spot”——即 AI 所提出的结构刚好超出人类直觉边界，但仍在可理解、可验证的范围内。这是 AI 与人类协作的最佳认知区：AI 提出、预测、压缩，人类验证、解释、整合。 六、结构文明的起点：聪明的普通人可及 更令人欣慰的是，Demis 并未将这场科学革命锁死在象牙塔，而是以开源的方式将这些结构性工具逐步释放至公众。AlphaFold 的结构数据库向全球开放，AlphaDev 的算法进入 LLVM 编译器，AlphaProof 与 Lean 数学社区共同构建定理验证系统，这一切都在昭示一个转折点的到来：提出问题，人人可为。 这也意味着，科学创意将首次脱离“天才垄断”，进入“结构协作”。未来的科研者不再需要天赋异禀或名校背书，而是要具备三种能力：理解结构、调度工具、表达路径。Demis 本人就是这种跨界结构型认知者的代表——他从游戏设计师走来，用压缩思维与策略构建，引领科学认知系统的结构重构。 今天的科学，不再是“高不可攀的圣殿”，而是“结构化的工作流”。理解 Demis 的思维路径，就是提前参与这场认知文明的革命。从 Move 37 到 Conjecture Engine，从图灵机到猜想母体，我们已抵达一个时代的起点——在这个时代里，结构就是语言，猜想就是代码，科学的未来，属于会调度结构的你。
#Demis Hassabis #人工智能 #结构化理解 #AI First Science #可学习宇宙假说
avatar
Susan STEM
2个月前
Demis Hassabis 眼中的大千世界：世界存在某种结构压缩的低维流形（low-dimensional manifold） Demis Hassabis 提出一个令人震惊的判断：物理本质是信息论性的，信息先于能量与物质。他据此构建出“可学习宇宙假说”：即自然界中大多数规律并不需要显式写下方程，而是可以通过经典图灵机（即常规计算机 + AI）在数据中压缩学习出来。这也是他敢于挑战传统生物学专家，用 AlphaFold 去预测他们需要数月甚至数年才能解析的蛋白质折叠结构的底气所在。背后是一整套关于自然可预测性、AI 可学习性与现实可模型化的信念框架。如果这个判断成立，那么很多科学研究的路径将被彻底改写，甚至将决定我们下一代如何走入科研。有人说这也是某位生物学大牛选择回国的理由——因为科学的规则变了，你不需要再踩“天坑专业”的雷，也不必再用十年实验室工作换一个小小突破，你只需要学会如何采集流形。 Hassabis 在解释 AlphaFold 成功的关键时指出，蛋白质的理论构象空间是 10^300 之巨，完全无法穷举或物理模拟。但自然界中蛋白能在毫秒级自动完成折叠，说明自然并没有在“全空间乱跑”，而是压缩演化在一条低维流形上。这是 AlphaFold 能够成功预测结构的根本前提。他强调：自然现象之所以“可预测”，不是因为我们写出了完美的方程，而是因为自然的行为模式在高维空间中稀疏分布、结构清晰、路径稳定——它们集中在一种可压缩、可调度的结构空间中，这就是所谓的“流形（manifold）”。 我们可以用一个可视化比喻来理解这一点：想象你站在一片巨大的草原（代表高维空间），理论上你可以朝任何方向走，但实际上绝大多数人都只走在几条清晰的小径上。每个人的脚步不是随机的，而是集体踩出了几条被自然选择出的路径。这些小径就是“自然偏好的流形”。现实世界中的天气变化、蛋白折叠、图像生成都类似——虽然可能性空间极大，但真实发生的情境都压缩在某些低维区域上。 AlphaFold 并不是像传统方法那样模拟蛋白质在全空间内的动力学演化过程，而是通过从大量蛋白质序列与已知结构的样本中学习，采集到了这个结构流形。它不是试图穷举所有可能构象，而是在训练中逐步内化出一个可以导航的、从序列到结构的映射空间，也就是一个“潜在折叠流形”。最终，在预测新蛋白结构时，它并不是搜索整个空间，而是在这个内化的流形中直接定位最可能的位置，完成高效预测。 这就是 AlphaFold 的本质：它用深度神经网络从数据中提取出了低维流形，并在这个结构压缩空间中完成了调度和推理。它不是理解了所有物理机制，而是掌握了“自然允许你走的那些路径”。这也正是 Hassabis 世界观的核心逻辑——自然是结构化的，智能的任务不是重建现实，而是压缩现实，压缩成一个可以学习、调用、迁移的结构流形。 世界本是高熵混沌的，但其中蕴含可提取的结构秩序——只要识别出这些结构，就能实现压缩、调度与迁移，从而在无序中建立智能与控制。 我一直都是这么想的（拍拍胸口）。 (4/n)
#Demis Hassabis #AlphaFold #低维流形 #可学习宇宙假说 #结构压缩
avatar
在AGI的混合路径上，我们是那50%的“人类变量” 我们曾经以为，我们每天的“一念天堂一念地狱”的AI体验摇摆，源于LLM当下的架构缺陷。我们以为，只要熬过这个“巴别塔”的搭建阶段，一切都会好起来。 今天，DeepMind的掌舵人Demis Hassabis，用他那冷静而深邃的视野，告诉了我们一个更宏大的真相： 我们今天的摇摆，并非因为我们走错了路，而是因为我们正处在两条通往AGI的伟大路径，那激烈、痛苦、但又充满希望的交汇点上。
#AGI混合路径 #人类变量 #Demis Hassabis #DeepMind #LLM架构