DeepMind CEO哈萨比斯在普林斯顿高等研究院访谈中，阐述了从游戏AI到科学发现的演进逻辑。他认为游戏是思考的沙盒，而AI的终极目标是成为科学探索的通用工具。他提出了关于自然模式可被高效学习的猜想，并强调在迈向AGI的进程中，建立类似国际原子能机构的新型全球治理框架至关重要。
在普林斯顿高等研究院的这场深度对话中，Google DeepMind的掌舵人德米斯·哈萨比斯回顾了自己从国际象棋神童到人工智能领袖的非凡历程。他并非将AI视为孤立的工具，而是将其定位为拓展人类知识边界的终极引擎。从AlphaGo的里程碑到AlphaFold破解蛋白质结构之谜，哈萨比斯系统地阐述了他的核心信念：通过构建能够学习和推理的通用系统，我们可以加速科学发现，解决如疾病、能源等关乎人类命运的重大问题。同时，他也冷静地指出了通往通用人工智能（AGI）道路上所必须面对的双重挑战——恶意行为者的滥用风险，以及确保日益自主的系统本身安全可控的技术难题。
展开「深读」看每一段讨论的问题与论据。
讨论的问题：本次访谈的核心议题是什么？嘉宾的关键身份与成就是什么？
论据 / 案例：冯·诺依曼名言：“我们正在创造的怪物，其影响将改变历史。”；奥本海默强调科学需与伦理、价值观结合；哈萨比斯成就包括AlphaGo、AlphaFold及诺贝尔奖。
讨论的问题：是什么引导哈萨比斯从国际象棋转向人工智能研究？
论据 / 案例：13岁欧洲国际象棋锦标赛后的顿悟：零和游戏过于简单；80年代训练营中的棋类计算机；1990年代游戏《主题公园》因自适应AI角色而成功。
讨论的问题：为何游戏（尤其是零和博弈）成为AI研究的理想测试案例？
论据 / 案例：冯·诺依曼与香农等先驱早期尝试编写国际象棋程序；围棋在亚洲文化中象征战略思维；AlphaGo可通过自我对弈生成训练数据。
讨论的问题：选择蛋白质折叠作为AI应用首个重大科学突破的关键原因是什么？
论据 / 案例：目标是解决“智能问题”以应用于科学；PDB数据库提供约15万个已知结构；AlphaFold预测了近100万结构并筛选出30万个最准确结果加入训练集。
讨论的问题：哈萨比斯选择并解决科学问题的通用方法论是什么？
论据 / 案例：AlphaGo使用蒙特卡洛树搜索；AlphaFold处理蛋白质10^300种可能构型；数学定理可在Lean等形式语言中验证。
讨论的问题：AI的突破如何影响我们对P vs NP等根本计算问题的理解？
论据 / 案例：冯·诺依曼与哥德尔1956年通信中首次提出P vs NP猜想；罗杰·彭罗斯曾因AlphaGo成功对经典计算能力感到惊讶。
讨论的问题：从专用AI到通用人工智能（AGI）的挑战与机遇是什么？
论据 / 案例：AGI旨在模拟人类心智全部能力；博士研究记忆与想象力的神经基础；Veo生成切番茄视频时能保持切片物理一致性。
讨论的问题：为何AI前沿研究主要由工业界而非学术界推动？学术界应如何应对？
论据 / 案例：DeepMind早期因资源与速度考量选择成立公司；当前大模型训练成本达数十亿美元；学术界应专注于模型解释、安全评估与社会影响研究。
讨论的问题：哈萨比斯如何评估AI的终极风险，并主张何种治理模式？
论据 / 案例：奥本海默的教训：技术需与伦理、政治、社会协同；提议建立类似国际原子能机构（IAEA）的AI监督组织；强调国际合作是应对恶意行为者的关键。
