紅杉專訪哈薩比斯：資訊是宇宙的本質，AI將開啟全新的科學分支

原文整理：瓜哥AI新知

本文內容整理自在的專訪，公開發表於2026年04月29日。

內容摘要：Demis Hassabis 在紅杉資本 AI Ascent 2026 的專訪

• AI與遊戲的起源： 遊戲是人工智慧極佳的試驗場。 透過將AI作為核心玩法，不僅能有效驗證演算法構思，還能為技術研發提供早期的算力支援。
• 創業的「時間理論」： 創業應當「領先時代五年，而非五十年」。 要敏銳捕捉技術突破與實際落地需求之間的平衡點，過早超前往往難以走向成功。
• AGI的演進路線： DeepMind的使命清晰且堅定－第一步，建構通用人工智慧（AGI）；第二步，利用AGI解決包括科學、醫學在內的所有複雜難題。
• 「AI for Science」的核心價值： AI是描述生物學及複雜自然系統的完美語言。 借助AI模擬，新藥研發的周期可望從數年驟降至數週，甚至真正實現個人化醫療。
• 新型科學學科的誕生： AI系統本身的複雜性將催生出「機制可解釋性」等全新的工程科學。 同時，AI驅動的模擬技術將使人類能夠對經濟學等複雜社會系統進行受控實驗，從而開闢出全新的科學分支。
• 訊息即宇宙本質： 物質、能量與訊息是可以互相轉換的。 宇宙的本質可能就是一個宏大的信息處理系統，這賦予了AI在理解宇宙底層運行規律上深遠的意義。
• 圖靈機的計算邊界： 神經網路等現代AI系統已經證明，經典圖靈機足以模擬那些曾被認為只有量子計算才能解決的問題（如蛋白質折疊）。 人類的大腦，很可能就是某種高度近似的圖靈機。
• 意識的哲學思考： 意識或許是由自我認知、時間連續性等組件所構成的。 在邁向AGI的征途中，我們應先將其視為強大的工具，並在該工具的輔助下去探索「意識」這一宏大的哲學命題。

內容簡介

Google DeepMind共同創辦人兼CEO、憑藉AlphaFold榮獲2024年諾貝爾化學獎的得主 ，與紅杉資本合夥人  在 AIcent 2026 峰會上進行了一場極具廣度與深度的對話，共同探討了通往AGI之路以及AGI之後的未來圖景。

在對談中，他解釋了為何他堅信到2030年有望實現AGI，為何新藥研發的漫長週期可能會從十年坍縮至短短幾天，以及為何我們應該將「資訊」而非物質或能量，視為宇宙中最核心、最基礎的本質。 此外，他也探討了愛因斯坦如果仍在世，會對當今AI模型的限製作出怎樣的評價，以及為何未來的一兩年將成為決定人類命運的關鍵節點。

訪談全文

 Demis，非常感謝你能來。

 很高興來到這裡。 感謝大家的到來，能在這裡與大家交流太棒了。

 非常榮幸能邀請你來到我們的巧克力工廠。

 我才聽說這事。 很期待一會兒能嚐嚐巧克力。

 太棒了。 Demis，我們直接進入正題。 今天我們請到了一位真正的業界老砲（OG）：他兼具原創思想家、創辦人、遠見者等多重身份，是 AI 一切領域的先驅。 Demis 是一位純粹的信仰者，也是一位純粹的科學家。

Demis 的初心與內在主線

我們今天的對話將從 DeepMind 創立的早期故事開始，隨後深入探討科學與技術，最後是觀眾提問環節。 那我們就直接開始吧。

Demis，你曾是西洋棋神童、遊戲公司創辦人，也是神經科學家。 你是 DeepMind 的創辦人，如今更是領導著一家規模龐大、舉足輕重的企業。 這些身分看似風馬牛不相及，但你說過其中有一條貫穿始終的內在主線。 能跟我們分享一下嗎？

 的確有一條主線，當然，這或許有一點事後歸因（post hoc reasoning）的成分。 但我渴望投身 AI 領域由來已久。 我很早就認定，這是我畢生能從事的最重要、也最有趣的事業。

遊戲：人工智慧的訓練場

我曾經「曲線救國」進入遊戲產業，因為在 90 年代，最前沿的技術都在那裡孕育。 不僅是 AI，還包括圖形渲染和硬體技術。 我們今天都在使用的 GPU 最初就是為圖形引擎設計的，而我在 90 年代末就已經用上了最早期的 GPU。 我參與開發的所有遊戲，無論是為 Bullfrog（牛蛙工作室）還是我自己的公司 Elixir Studios 開發的，都將 AI 作為核心的玩法機制。

我最知名的作品是大約 17 歲時開發的《主題樂園》（Theme Park）。 這是一款遊樂園模擬遊戲，成千上萬的小人湧入公園，遊玩各種設施，並決定在商店買什麼。 在遊戲表象之下，運行著一套完整的經濟 AI 模型。 與《模擬城市》（SimCity）一樣，它是同類遊戲中的開山之作。 當我看到它賣出超過 1000 萬份，並親眼目睹玩家在與 AI 互動時是多麼樂在其中時，更加堅定了我將畢生精力投入到 AI 領域的決心。

後來，我轉向了神經科學，希望能從大腦的工作機制中汲取靈感，推導出不一樣的演算法思路。 當創立 DeepMind 的最佳時機終於到來時，將所有這些累積融會貫通，一切都感覺水到渠成。 自然而然地，我們後來也將遊戲視為驗證 AI 構想的早期訓練場。

Elixir Studios 的創業歷練

 今天現場坐滿了創業者，你一定深有共鳴，因為你不僅創辦過一家公司，而是兩次創業的過來人。 讓我們回到你的第一次創業，也就是 Elixir Studios。 那是怎樣的一段經驗？ 雖然它不是你最被人熟知的公司，但你也藉此取得了巨大的成功。 你是如何領導那家公司的？ 這段經歷在「如何打造一家公司」方面教會了你什麼？

 是這樣的，我大學一畢業就創辦了 Elixir Studios。 我很幸運之前能在 Bullfrog Productions 工作。 了解遊戲的人都知道，那是業界早期極具傳奇色彩的工作室，可能也是當時英國乃至歐洲最頂尖的遊戲工作室。

我當時想做一些能拓寬 AI 邊界的事情。 實際上，在那個年代，我是透過開發遊戲這種「曲線救國」的方式來為 AI 研發提供資金，不斷挑戰技術的前沿，並將其與極致的創造力結合起來。 我認為，這種理念對於我們今天所進行的探索性研究（Blue-sky Research）依然適用。

 在 Elixir Studios 時，我們曾試圖開發一款名為《共和國》（Republic）的遊戲，旨在模擬一個完整的國家。 遊戲的設定是，玩家可以透過各種不同的方式推翻統治國家的獨裁者，而我們在遊戲中逼真地模擬了一個個鮮活、會呼吸的城市。

要知道，那可是 90 年代末，電腦用的還是奔騰（Pentium）處理器。 我們必須在當時的家用電腦上，跑通一百萬人的所有圖形渲染和 AI 邏輯。 這實在是野心太大了——甚至有點好高騖遠——並由此引發了一系列問題。

我牢牢記住了這個教訓：

2009 年創立 DeepMind

 好的，說到不要太超前時代，時間來到 2009 年，你篤定通用人工智慧（AGI）必將實現。 那一次，也許只領先了時代 10 年，總比領先 50 年強。 跟我們在座的創業家聊聊 2009 年吧。 你是如何說服最初那批頂尖天才的？ 因為你確實招攬了一批極高水準的員工和早期團隊成員。 在當時，AGI 聽起來完全像科幻小說，你是怎麼讓他們相信這一切的？

 當時我們敏銳地捕捉了一些有趣的線索。 我們以為自己只領先了 5 年，但實際上可能領先了 10 年。 深度學習（Deep Learning）剛剛由 Jeff Hinton 和他的學術界同事發明出來，但幾乎沒有人意識到這有何等分量。 而我們在強化學習（Reinforcement Learning）方面累積深厚，我們覺得，如果把這兩種技術結合起來，將會取得突破性的進展。 在此之前，它們幾乎從未被結合使用過——即便有，也僅限於學術界的「玩具問題」（toy problems）。 在 AI 領域，它們完全是兩個各自為戰的孤島。

此外，我們看到了算力（Compute）的前景；當時的 GPU 將大放異彩。 當然，我們現在用的是 TPU，但在當時，加速運算產業將成為巨大的推力。 同時，在我博士和博士後生涯的尾聲，由於我集結的一些夥伴是計算神經科學家，我們從大腦機制中提取了足夠多有價值的思想和法則，其中就包括一個核心信念：強化學習最終可以通過規模擴張（Scale）通向 AGI。

我們覺得已經集齊了這些核心要素。 事實上，當我們提出要致力於研發 AGI——或者當時有時被稱為「強人工智慧」（Strong AI）——時，許多學術界人士會毫不客氣地對我們翻白眼。 在他們看來，這明明是一條死路；畢竟 90 年代大家早就試過且撞了南牆。

我在麻省理工學院（MIT）擔任博士後，那裡是專家系統（Expert Systems）和一階邏輯語言系統（First-order Logic Language Systems）的重鎮。 現在回想起來覺得不可思議，但在當時，我已經覺得那種方法太古板老舊了。 然而，無論是在英國劍橋，還是在 MIT 這些傳統 AI 研究的大本營，大家仍然在沿用那套老方法。 這反而讓我更加確信我們找對了方向。 這讓我覺得無論如何都值得一試；即使這只是一項前途未卜的研究，

DeepMind 的使命與押注 AGI

 你們早期的信念有沒有遇到什麼普遍的阻力？ 為了讓早期的追隨者加入，你是否需要向自己或他們證明些什麼？

 無論境遇如何，我都會將畢生精力傾注於人工智慧。 事實證明，它的發展遠遠超出我們最樂觀的預期。 不過，這依然在我們 2010 年的預測範圍之內——當時我們認為這是一項長達 20 年的旅程。

我認為，作為該領域的一員，我們的進度完全符合預期，而我們也顯然在其中發揮了應有的作用。

退一步講，即使事情沒有如此發展，AI 至今仍是個小眾學科，我依然會堅持這條路，因為它是我心中有史以來最重要的技術。 我的目標非常明確，DeepMind 最初的使命陳述是： 我始終認為，這是人類可能發明的最重要、也是最迷人的科技。

它既是科學探索的工具，其本身也是一件迷人的創造物，更是我們理解人類自身心智（如意識、夢境、創造力的本質）的最佳途徑之一。 身為神經科學家，過去在思考這些問題時，常常感到缺失了像 AI 這樣的分析工具。 它提供了一個對比機制，讓我們能像做對照實驗一樣，對兩個不同的系統進行深入研究與比對。

「AI 助力科學」的文化

 對不同系統進行比對。 我們來談談「AI 助力科學」(AI for Science) 吧。 你很早就涉足該領域，是一名堅定的信徒，也是一個純粹的理想主義者。 這是驅動你們的核心使命。 你在創立 DeepMind 時所建立的模式和文化，是如何讓它始終屹立於「AI 助力科學」最前沿的？

 這正是我們的終極目標。 對我個人而言，最根本的驅動力就是建構 AI，以此來推動科學、醫學以及我們對世界的認知。 這就是我實踐使命的方式──透過一種「元方法」(Meta Way)，先打造出終極工具，等它成熟後，再利用它去實現科學上的突破。 我們已經取得了像 AlphaFold 這樣的成就，我相信未來還會出現更多。

DeepMind 始終將此目標視為重中之重。 事實上，我們有一個由 Pushmeet Kohli 領導的「AI 助力科學」部門，成立至今已有近十年。 我們在首爾打完 AlphaGo 比賽回來後，幾乎立刻就正式啟動了這項工作，滿打滿算剛好過去十年。

之前我一直在蟄伏，等待演算法變得足夠強大、理念變得足夠通用。 對我而言，攻克圍棋就是一個歷史性的轉捩點；那一刻我們意識到，時機已到，是時候將這些理念應用於現實世界的重要問題了，我們要從這些重大的科學挑戰開始著手。

我們一直深信，這是 AI 最具福祉的歸宿。 還有什麼比用它來治癒疾病、延長人類健康壽命、輔助醫療事業更美好的事呢？ 緊隨其後的必然是材料科學、環境和能源等關鍵領域。 我相信，AI 在未來幾年內將在這些領域大放異彩。

生物學的突破與 Isomorphic Labs

 AI 是如何在生物學領域取得突破的？ 你深度參與了 Isomorphic Labs 的工作，這是一個讓你傾注熱情的領域。 從一開始，你就堅定不移地相信 AI 治癒疾病的潛力。 在生物學領域，我們什麼時候才能迎來像語言和程式設計領域那樣的「高光時刻」？

 我認為，AlphaFold 的誕生已經讓我們迎來了屬於生物學的「高光時刻」。 蛋白質折疊及其三維結構是一個長達 50 年的科學難題。 如果你想設計藥物或破解生物學的基礎密碼，攻克這個難題至關重要。 當然，這只是藥物發現過程的一環，它極為關鍵，但也只是其中一環。

我們最新拆分出的公司 Isomorphic Labs（我自己也非常享受管理這家公司的流程），正致力於在生物化學和化學領域構建相關的核心技術。 這些技術能自動設計出與蛋白質特定部位完美嵌合的化合物。 既然我們已經掌握了蛋白質的形狀及其表面結構，就等於鎖定了靶點。 接下來，我們必須製造出能與此標靶強效結合的對口化合物，同時理想情況下，也要避免任何可能引發副作用的脫靶反應。

我們的終極夢想是：將佔據目前研發 99% 工作量和時間的探索過程，全部轉移到電腦模擬(In Silico)中完成，只將實體濕實驗(Wet Lab)留給最後的驗證階段。 如果能做到這一點——我也堅信未來幾年內定能實現——我們就能將平均長達 10 年的藥物發現週期縮短至幾個月、幾週，未來甚至只需幾天。

我相信，一旦跨越這個臨界點，攻克所有疾病都將變得觸手可及。 像是個人化醫療（例如針對患者個體客製化的藥物變異）這類概念也將化為現實。 我認為，整個醫療和藥物研發的版圖將在未來幾年內被徹底重塑。

模擬器孕育的新科學

 太精彩了。 你多次提到了「AI 助力科學」。 你認為在未來的某個節點，AI 會孕育出全新的科學體系嗎？ 就像工業革命催生了熱力學。 我們的教育體系中是否會出現本質上全新的學科？ 如果有，它會是什麼樣子？

 關於這一點，我認為將會發生以下幾件事。

首先，對 AI 系統本身的理解與剖析，將演變成為一門完整的學科－一種工程科學(Engineering Science)。 我們正在建造的這些造物無比迷人，同時也極為複雜。 最終，它們的複雜度將比肩人類的心智與大腦。 因此，我們必須對它們進行深入研究，以徹底弄清楚這些系統的工作原理，這遠不是我們今天的認知水平所能企及的。 我相信一個全新的領域必將崛起；機制可解釋性(Mechanistic Interpretability)只是其中的冰山一角，我們在解析這些系統上還有廣闊的探索空間。

其次，我也相信 AI 本身將開啟全新的科學大門。 其中最讓我興奮的是「AI 輔助模擬」(AI for Simulations)。 我沉迷於模擬；我寫過的所有遊戲不僅包含 AI，其本質也都是模擬器。 我認為，模擬器是我們破解諸如經濟學等社會科學及其他人文學科難題的終極路徑。

這些學科的棘手之處在於，它們和生物學一樣，屬於湧現系統(Emergent Systems)，極難進行可重複的受控實驗。 假設你要將利率上調 0.5%，你只能在真實世界裡硬著頭皮操作，然後觀察後果；你可以有一套套理論，卻無法把這個實驗重複成千上萬次。 然而，如果我們能精準地模擬這些複雜系統，那麼基於高度精準的模擬器進行嚴謹的抽樣推演，或許就能確立一門全新的科學。 我相信，這將賦予我們在那些目前充滿高度不確定性的領域中，做出更優決策的能力。

 要實現這些極為精準的模擬，我們需要哪些條件？ 例如世界模型(World Models)，我們需要什麼樣的科學和工程突破才能抵達這一步？

 我一直在深入思考這個問題。 在我們的工作中，我們大量使用學習型模擬器(Learning Simulators)。 這些模擬器應用在那些我們要麼對數學原理了解不足，要麼系統過於複雜的領域。 我們無法僅僅透過編寫針對特定情況的直接模擬程式來解決問題，因為那種方式不夠精確，也無法涵蓋所有的變數。

我們已經在天氣預測上實踐了這一點。 我們擁有世界上最精確的天氣模擬器“WeatherNext”，它的運作速度遠遠超過氣象學家目前使用的工具。 我不確定我們是否能洞悉一切，也不確定那是否是個好主意，但第一步是更好地理解這些複雜系統。

即便是生物學領域，我們也正在研究所謂的「虛擬細胞(Virtual Cell)」－這是一個極其動態的湧現系統(Emergent System)。 在生物學和許多自然系統中，充斥著大量微弱的訊號、弱相關性以及海量的數據，這遠遠超出了人類大腦的分析能力。 然而，在這些海量資料之中，確實存在著內在的連結、相關性以及引人深思的因果關係。

機器學習是描述這類系統的完美工具。 直到今天，數學都還無法做到這一點，原因要么是系統過於複雜，即使是頂級數學家也難以駕馭；要么是數學的表現力不足以理解這些高度湧現的動態系統——部分原因是它們極其雜亂且具有隨機性(Stochastic Nature)。

最終，一旦你掌握了這些模擬器，或許就能衍生出一門新的科學分支。 你可以嘗試從這些隱式或直覺式的模擬器中提取出顯式方程式(Explicit Equations)。 既然你可以隨心所欲地對模擬器進行無數次採樣，或許終有一天，你能發現像麥克斯韋方程組那樣基礎的科學定律。

也許吧。 我不知道對於這樣的湧現系統是否存在這類定律，但如果它們真的存在，我看不出有什麼理由讓我們無法透過這種方法去發現它們。

 那將非常了不起。 你曾談到一個理論，即宇宙中萬物的基本構成單元(Building Block)可能類似於訊息，這屬於更理論化的層面。 你是如何看待這一點的？ 這對傳統的經典圖靈計算機又意味著什麼？

 當然，你可以引用著名的 E=mc² 以及愛因斯坦的所有研究成果，說明能量和物質本質上是等價的。 但我實際上認為，訊息也具有某種等價性。 你可以將物質和結構的組織方式──特別是像生物這樣能夠抵抗熵增(Resisting Entropy)的系統──本質上視為資訊處理系統。 因此，我認為可以將這三者相互轉化。

然而，我有一種感覺，資訊才是最基礎的。 這與20世紀20年代經典物理學家的觀點恰好相反，那時人們認為能量和物質是首要的。

如果這一點成立——我認為目前有很多證據支持這一點——那麼人工智慧的意義就比我們想像的還要深遠。 它之所以已經意義非凡，是因為它的核心就是組織資訊、理解資訊並建構資訊客體(Informational Objects)。

在我看來，人工智慧的核心就是資訊處理。 如果你把資訊處理當作理解世界的首要方式，你會發現這些截然不同的領域之間，其實存在著極深的內在連結。

 那你認為經典的圖靈機能夠計算一切嗎？

 有時我會思考我們的工作，並自視為“圖靈的捍衛者”，因為艾倫·圖靈是我一生中最崇敬的科學英雄之一。 我相信他所做的工作不僅為電腦和電腦科學奠定了基礎，也為人工智慧打下了地基。 圖靈機的理論是史上最深遠的成果之一：任何可計算的事物，都可以被一台描述起來相對簡單的機器所計算。 因此，我認為我們的大腦很可能也是一種近似的圖靈機(Approximate Turing Machines)。

思考圖靈機與量子系統之間的連結非常有趣。 然而，我們透過 AlphaGo 和特別是 AlphaFold 等系統所展示的是，披著現代神經網路外衣的經典圖靈機，可以對那些先前被認為需要量子力學才能解決的問題進行建模。 例如，蛋白質折疊在某種意義上是一個涉及極微小粒子的量子系統，人們可能認為必須考慮氫鍵(Hydrogen Bonds)的所有量子效應以及其他複雜的相互作用。

然而事實證明，利用經典系統就可以得到一個近似最優的解。 因此，我們可能會發現，許多我們曾以為必須依賴量子系統才能模擬或運作的事物，只要方法得當，實際上在經典系統上也是可以建模的。

Consciousness Philosophy (意識哲學)

 你一直將人工智慧視為一種工具，就像過去幾個世紀裡的望遠鏡、顯微鏡或星盤(Astrolabe)一樣。 但是，當你面對一台幾乎能夠模擬萬物的機器——比如正如你所說，它甚至能模擬量子系統——它在何時會超越工具的範疇？ 這一天真的會到來嗎？

 我非常強烈地感覺到，在構建通用人工智能(AGI)的使命和征途中，我們這些同行者——包括在座的許多人——都認為最好的方式是先構建一個工具：一個極其智能、實用且精準的工具，然後再跨越下一個門檻。 這本身的意義已經夠深遠了。 當然，這個工具可能會變得越來越自主，越來越具有智能體的特徵，而這正是我們目前所目睹的。 我們正處於這樣一個智能體時代(Agent Era)的浪潮之中。

然而，還有更進一步的追問：它是否具備能動性(Agency)？ 它是否有意識？ 這些都是我們將不得不面對的問題。 但我建議我們將此作為第二步，或許可以使用第一步建構出的工具，來幫助我們探索這些深奧的問題。

理想情況下，透過這個過程，我們也能更好地理解我們自己的大腦和思維，並能比今天更精確地定義「意識」等概念。

 對於意識的未來定義，你有什麼大致的預判嗎？

 沒有，除了幾千年來哲學界已經探討過的內容外，我沒有太多能補充的。 但對我來說很明確的是，某些組件顯然是必要的。 它們可能是必要但不充分條件(Necessary but not sufficient)。 諸如自我意識、自我與他者的概念，以及某種時間上的連續性，對於任何看起來像是有意識的實體來說，顯然都是必需的。

不過，關於完整的定義究竟是什麼，這仍然是一個懸而未決的問題(Open Question)。 我曾與許多偉大的哲學家討論過這一點。 幾年前，我曾與不久前不幸離世的丹尼爾‧丹尼特(Daniel Dennett)就此主題進行過深入交流。 核心問題之一是系統的行為表現：它表現得像一個有意識的系統嗎？ 你可以認為，隨著某些人工智慧系統越來越接近 AGI，它們最終可能會做到這一點。

但隨之而來的問題是：為什麼我們認為彼此是有意識的？ 原因之一在於我們的行為方式，我們的表現像是有意識的生命體。 但另一個因素是，我們都在相同的底層基質(Substrate)上運作。

因此我認為，如果這兩點都成立，那麼假設你和我的體驗是相同的，這在邏輯上最符合簡約原則(Parsimonious)，這就是為什麼我們平時通常不會去爭論對方是否有意識。 但顯而易見，我們永遠無法在人工系統上實現同樣的基質等同性(Substrate Equivalence)。 所以我認為，要徹底消除這鴻溝是非常困難的。 你可以從行為層面(Behaviorally)去審視，但在體驗層面(Experientially)呢？ 在實現 AGI 之後，或許會有一些方法來處理這個問題，但那可能超出了今天的討論範圍，哪怕是在「AI與科學」的探討中也是如此。

 太棒了。 我們馬上就開放觀眾提問環節，請大家準備好問題。 你剛才提到了哲學家，特別是康德(Kant)和斯賓諾莎(Spinoza)，說他們是你最喜歡的兩位哲學家。 康德是典型的義務論(Deontological)哲學家，極度強調責任觀念；而斯賓諾莎則持有一種近乎宿命論(Deterministic)的宇宙觀。 你是如何將這兩個截然不同的理念連結起來的？ 你對世界運作方式的根本認知又是怎麼樣的呢？

 我之所以喜歡這兩位哲學家，並且對他們印象深刻，是因為康德曾提出過一個觀點——我在攻讀神經科學博士學位時就深有體會——即“心智創造了現實(The mind creates reality)”，我認為這基本是正確的。 這為我們研究心智和大腦的運作機制提供了另一個絕佳理由。 既然我最終探索的是現實的本質，我們就必須先理解心智是如何詮釋現實的。 這就是我從康德那裡獲得的啟示。

至於斯賓諾莎，則更多關乎精神維度。 如果你試著將科學當作工具去理解宇宙，你就已經開始觸及宇宙運作方式背後的深層奧秘。

這正是我對我們當下事業的感悟。 當我投身科學研究、深耕人工智慧並建構這些工具時，我感覺我們彷彿在以某種方式，。

 真美。 這是對你日常工作最美的詮釋：德米斯(Demis)，你集科學家、演說家和哲學家於一身。 在結束之前，我們來進行幾個快問快答。 他之前完全沒看過這些問題。 預測實現通用人工智慧(AGI)的年份，是早於還是晚於預期？ 或者你可以拒絕回答這個問題。

 我選2030年。 在這個預測上我一直很堅定。

 好的，2030年。 那麼，當我們實現通用人工智慧(AGI)時，你推薦必讀的書籍、詩歌或論文是什麼？

 對於實現通用人工智慧(AGI)之後的世界，我最喜歡的書是戴維·多伊奇(David Deutsch)的《真實世界的脈絡》(The Fabric of Reality)。 我認為這本書的想法依然適用。 我希望屆時能藉助通用人工智慧(AGI)來解答那本書中提出的深刻問題，那也將是我在AGI時代的後續工作重心。

 太棒了。 到目前為止你在DeepMind最自豪的時刻是什麼？

 我們很幸運地經歷過許多巔峰時刻。 我想，最自豪的應該是AlphaFold的誕生。

 好的，最後是幾個關於遊戲的問題。 如果你正在參與一場高風險的回合製策略遊戲，例如《文明》(Civ)、《低模之戰》(Polytopia)這類硬核遊戲，並且可以從歷史上挑選一位科學家作為隊友，比如愛因斯坦(Einstein)、圖靈(Turing)或牛頓(Newton)，你會選擇誰加入你的戰隊？

 我想我會選馮‧諾依曼(von Neumann)。 畢竟在這種局勢下你需要一位博弈論(Game Theory)專家，而我認為他是最頂尖的。

 那絕對是一位神級隊友。 德米斯(Demis)，你真是個全才。 非常感謝你今天做客我們的節目。 請大家和我一起掌聲感謝德米斯(Demis)的精彩分享。 非常感謝。