Loading...
Loading...
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：我们为何能挑战谷歌撰文：Techub News 整理
导语
在 Y Combinator 广受欢迎的访谈节目《How To Build The Future》最新一期中，主持人 David 对话了 AI 搜索新贵 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）。Perplexity 在不到三年时间里，从零成长为估值超过 90 亿美元的明星公司，其「对话式答案引擎」模式被视为对传统搜索引擎最具潜力的挑战之一。本次对话深入回溯了 Aravind Srinivas（阿拉温德·斯里尼瓦桑）从 AI 研究员到创业者的心路历程，揭示了 Perplexity 产品迭代背后的关键决策，并展望了在巨头环伺的 AI 搜索赛道中，一家初创公司如何凭借独特的产品哲学找到生存与发展之路。
摘要
Perplexity 的创立源于一个「AI 完备性」的洞察：只有像搜索和自动驾驶这样，产品迭代能直接反哺底层 AI 能力进步的领域，才适合同时进行 AI 研究和产品构建。
产品成功的关键转折点在于放弃了为垂直领域构建复杂索引的「聪明」方法，转而采用依赖大模型能力进行实时处理的「笨」方法，这意外地解决了延迟和通用性问题。
与谷歌竞争的核心优势并非技术，而是对用户体验的极致关注和「用户永远没错」的产品设计哲学，这在大公司因组织架构和商业模式而难以贯彻。
Perplexity 的长期愿景是构建一个能理解用户意图、整合答案与行动（如购物、预订）的端到端智能信息体验，这需要复杂的 AI 路由与编排能力。
公司保持敏捷的文化面临挑战，但通过创始人亲力亲为关注细节、数据驱动的指标管理（如每日查询量）以及扁平化的沟通来对抗熵增。
从研究员到创业者：AI 完备性的启发
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的 AI 之路始于在印度读本科时对深度学习的兴趣，这促使他来到加州大学伯克利分校攻读博士学位。他的人生转折点发生在 OpenAI 的实习期间，与联合创始人兼首席科学家 Ilya Sutskever（伊利亚·苏茨克韦）的一次会面。他准备了各种「花哨」的研究想法，但 Ilya Sutskever（伊利亚·苏茨克韦）在听了五分钟后直言「所有这些都没用」，并画了两个圆圈：一个大圈代表无监督学习，里面一个小圈代表强化学习。Ilya Sutskever（伊利亚·苏茨克韦）告诉他，「这就是 AGI（通用人工智能），其他研究都不重要。」 当时 OpenAI 正在构建 GPT-1 的前身。这次对话让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）意识到，自己当时专注的强化学习（因 AlphaGo 而热门）可能是在追逐潮流，他随即转向研究无监督和生成式模型。
在谷歌实习期间，他读到了讲述谷歌早期历史的书《In the Plex》，深受触动。他意识到，将前沿 AI 研究与扎实的产品构建相结合是极其困难的。他与 Ilya Sutskever（伊利亚·苏茨克韦）讨论后得出一个观点：世界上可能只有两类问题能同时满足 AI 研究和产品构建——搜索和自动驾驶汽车。因为在这两个领域，产品的每一次部署和用户使用都会成为改进底层 AI 模型的数据点，从而形成「产品更好 - 更多用户 - 更多数据 - AI 更好 - 产品更好」的飞轮。更重要的是，这类问题处于「AI 完备性」路径上，即 AI 能力的进步会直接让公司的产品变得更强，而不是被更先进的 AI 所颠覆。
创业起点：从「颠覆谷歌」的模糊野心中诞生
有了创业的想法，但如何获得启动的能量？Aravind Srinivas（阿拉温德·斯里尼瓦桑）提到，他受到前 YC 合伙人 Daniel Gross 一篇题为《如何打造下一个谷歌》博客的启发。博客核心观点是，通过更好的查询重构（例如为电影评论查询自动添加「site:rottentomatoes.com」后缀），即使利用现有的谷歌排名，也能大幅提升搜索体验。他意识到，大语言模型或许能自动完成这种复杂的查询重构，成为构建新一代搜索引擎的基础。
与此同时，他与后来的联合创始人兼 CTO Denis Yarats（丹尼斯·亚拉茨）因几乎同日发表同一篇论文而相识，两人经常讨论如何构建能控制安卓环境的 AI 代理。然而，当他把「颠覆谷歌」的想法告诉潜在投资者时，得到的第一个反馈通常是：「谷歌自己难道不会做这个吗？」 毕竟搜索是谷歌的「皇冠上的明珠」，不像文档处理那样是次要业务。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，当时他们更多是被一个具有宏大规模和野心的想法所吸引，而非单纯抱着「杀死谷歌」的动机。他们也意识到，在多模态模型开始兴起的技术轨迹上，有机会构建出惊人的产品。
在投资者的建议下，他们最初并未直接挑战通用搜索，而是专注于垂直领域和企业搜索，例如搜索特定数据库或 Crunchbase 的数据。然而，他们发现没有公司愿意轻易交出数据。于是，他们转向了当时仍允许学术访问的 Twitter（现 X）数据。他们利用 OpenAI 的 Codex 模型（早于 GPT-3.5），构建了一个能将自然语言查询转换为 SQL、并从整理的 Twitter 数据表中检索和绘制图表的聊天界面。这个 demo 在短短一个月内由三人小团队完成，因其前所未有的交互方式和「社交搜索」的趣味性（如查看某人本周关注或取关了谁）而获得了早期关注。
关键转折：拥抱「笨」方法，押注模型进步
在尝试为 GitHub、LinkedIn 等更多数据源构建类似垂直搜索工具时，团队遇到了数据获取和产品化的巨大阻力。此时，他们意识到一个更根本的解决方案：与其为每个领域费力构建结构化索引（如表格），不如保持数据非结构化，将所有繁重的工作交给大模型在查询时（推理时）完成。这看似是更「笨」、更依赖模型能力的方法，但却更通用、更可扩展，也更能对抗谷歌已建立的庞大传统索引系统。
他们受到 OpenAI 研究员 John Schulman（约翰·舒尔曼）团队早期项目「WebGPT」的启发，但 WebGPT 使用 1750 亿参数的模型，且采用类似智能体（Agent）的方式去点击、滚动网页，速度极慢。Perplexity 团队反其道而行之，采用了更简单的启发式方法：总是从搜索 API 获取排名靠前的链接，只使用搜索引擎已缓存的摘要片段（无需点击滚动），然后将所有这些信息一次性喂给大模型，要求它生成带有学术格式引用的摘要。
这个策略的成功极度依赖于模型指令遵循能力的提升。 Aravind Srinivas（阿拉温德·斯里尼瓦桑）坦言，如果早一年尝试这种「笨」方法，由于模型能力不足，根本不会奏效，人们会得出结论需要更「聪明」的架构。但恰逢 GPT-3.5 Turbo 这类模型出现，指令遵循能力大幅增强，使得简单方法变得可行，并一举解决了核心的产品用户体验问题——延迟。即便如此，他们最初推出的答案生成版本仍需约 7 秒，且无法控制回答的冗长度，后来不得不通过提示词硬性限制回答字数来提速。
产品验证与竞争觉醒：在巨头阴影下找到空间
Perplexity 的第一个「出圈」时刻颇具戏剧性。产品发布后，一位学者搜索自己的名字，结果模型给出了过去式的传记，原因是存在同名同姓的已故人士。这位学者发推「吐槽」自己还活着，却意外为 Perplexity 带来了大量关注。人们开始热衷于搜索自己，模型会汇总他们全网的历史活动并生成有趣摘要，用户乐于截图分享。随后，团队上线了追问功能，这使网站的用户参与时间和每日提问数量呈指数级增长，让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）确信产品找到了市场契合点，不应再转向企业服务。
真正意识到与巨头竞争的严峻性，是在融资的关键时刻。就在与一家风投机构握手达成投资意向几天后，微软 Bing Chat 的界面截图被泄露。紧接着，另一家有意向的投资者将尽职调查期从 30 天悄悄延长至 45 天。一周后，谷歌 CEO Sundar Pichai（桑达尔·皮查伊）宣布推出 Bard。一时间，山雨欲来。Aravind Srinivas（阿拉温德·斯里尼瓦桑）甚至考虑过出售公司。然而，最初握手的那位投资者坚持了承诺，没有要求他们转型，这给了团队信心。
他们冷静分析了竞争格局：微软长期以来并不擅长消费级产品，谷歌则面临自身挑战——无法轻易将类似 Perplexity 的体验直接放到已有数十亿用户的、布满广告和各类信息模块的谷歌主页上。这为独立玩家留下了生存空间。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，在纯信息查询上，使用 Perplexity 和谷歌的体验差异，堪比「健康餐」与「快餐」之别。
产品哲学：用户永远没错，细节决定成败
Aravind Srinivas（阿拉温德·斯里尼瓦桑）深受谷歌早期文化的影响，特别是联合创始人 Larry Page（拉里·佩奇）的理念。他反复向团队强调「用户永远没错」的原则。他举例说，当测试新功能遇到模糊查询导致失败时，正确的产品思维不是责怪用户提问不清晰，而是让 AI 主动澄清、询问用户真实意图。这与许多企业软件「教育用户成为更好的提示词工程师」的思路截然相反。神奇的消费级产品属于前一种，它们承担了理解用户的复杂性。
这种对细节的执着渗透到产品各处：确保搜索框光标随时就绪（无需鼠标点击）、追求极致的加载速度。公司的核心北极星指标是「每日查询量」，这与早期谷歌的关注点一致。在每周的全员会议上，他们首先查看的就是这个数字的周增长和月增长趋势。一旦出现下滑，团队会深入分析原因。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，用户重复提问并非因为产品无法满足需求（那会导致用户离开），而是因为他们在一个会话中发现了更多想探索的问题，这恰恰是产品吸引力的体现。
在公司文化上，他努力营造一种扁平、专注于做好工作的氛围。他自己每天会提出大量产品 bug，并直接与负责的工程师沟通，没有层级隔阂。他认为，如果创始团队自己都不爱用、不挑剔自己的产品，用户更不会满意。他主要通过 X（原 Twitter）与用户交流，因为那里的反馈「残酷而诚实」，能暴露出最严重的问题。
增长挑战与未来愿景：构建端到端的智能信息体
随着团队规模扩大，Perplexity 也面临着所有公司成长中的挑战：速度变慢。原因包括生产环境问题影响信任、新工程师需要时间熟悉代码库，以及必须引入更严格的测试和 A/B 实验流程。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，保持早期那种对细节痴迷的文化随着人员扩张变得困难，但创始人团队仍在努力对抗「熵增」。
谈及未来，他描绘了 Perplexity 的长期图景。目前，Perplexity 是一个在特定场景下更智能的谷歌搜索。但三四年后，他希望它成为一个能理解用户问题、提供最佳答案、并帮助用户完成后续行动的端到端平台。例如，搜索「最好的毛衣」，不仅能得到推荐，还能直接购买；搜索酒店，不仅能比较，还能完成预订。
这其中的巨大挑战在于商业模式和用户认知。如果只是提供答案，而将交易环节导向谷歌，那么 monetization（货币化）的功劳仍属于谷歌。Perplexity 可能仅获得少量订阅收入，且易被资金更雄厚、提供免费服务的对手挤压。要实现闭环，需要构建一个极其复杂的 AI 路由与编排系统，能智能判断何时使用小型模型、知识图谱、插件，何时生成流式答案或多步推理结果。用户不在乎背后的技术栈，他们只想要准确、快速、完整的解决方案。 他认为，谷歌现有的系统是世界上最接近此愿景的，下一代系统必然能被构建出来，但这需要十年甚至更长时间的坚持。
在分析未来十年的竞争对手时，Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，Perplexity 的核心优势在于对用户的痴迷和优秀的产品品味。谷歌虽有产品品味和一切资源，但其根本困境在于，它既是一家搜索公司，更是一家广告公司，搜索在某种程度上服务于广告业务。高达数百亿美元季度收入的搜索业务，是谷歌高利润和股价的支柱。任何可能动摇这一收入根本的变革（例如让用户直接获得答案而无需点击广告链接），都会在内部遭遇巨大阻力。相比之下，OpenAI 和 Anthropic 等公司更专注于模型本身的能力突破，而非构建精细的端到端用户体验。Perplexity 则兼具 AI 技术理解力（能够利用并微调最新开源模型）和以用户为中心的产品构建 DNA，这可能是其在漫长竞争中占据一席之地的关键。
Demis Hassabis（戴密斯·哈萨比斯）：自然世界皆可学习，AI将助我们破解物理学等终极之谜撰文：Techub News 整理
导语
2025 年 7 月，在荣获诺贝尔物理学奖后，谷歌 DeepMind 联合创始人兼 CEO Demis Hassabis（戴密斯·哈萨比斯）再度做客 Lex Fridman 播客。这是哈萨比斯获奖后的首次深度长谈，也是他第二次出现在该播客中。在这场近两个半小时的对话里，哈萨比斯超越了对其获奖工作 AlphaFold（阿尔法折叠）的常规讨论，深入阐述了他对智能、物理世界本质以及通用人工智能未来的宏大思考。作为当今人工智能领域最具远见的领导者之一，哈萨比斯此次发声不仅总结了过去十年 AI 在科学发现上的突破，更勾勒出一幅 AI 如何帮助人类破解从细胞到宇宙等根本性谜题的未来图景。
摘要
哈萨比斯提出核心猜想：任何在自然界中生成或发现的模式，都可以被经典学习算法高效地发现和建模。
AI 模型（如 Veo）已能惊人地模拟流体、光影等复杂物理现象，暗示其对世界拥有“直觉物理”理解。
哈萨比斯梦想构建“虚拟细胞”模型，并认为 AI 将是帮助人类解答生命起源、意识本质等终极问题的终极工具。
对于 AGI（通用人工智能），他设定了高阶标准，并预测未来可能需要通过类似围棋“神之一手”的创造性突破来识别。
自然皆可学：一项关于世界本质的大胆猜想
访谈始于一个源于哈萨比斯诺贝尔奖演讲的大胆命题。他提出：“任何能在自然中生成或发现的模式，都能被经典学习算法高效地发现和建模。”这并非泛泛而谈，而是基于 DeepMind 一系列标志性项目 AlphaGo、AlphaFold 的成功实践。
哈萨比斯解释道，无论是围棋的棋步空间，还是蛋白质可能折叠成的形状数量，其组合可能性都远超宇宙中的原子总数，用穷举法求解是完全不可行的。然而，AlphaGo 和 AlphaFold 都通过为这些环境构建模型，从而智能地引导搜索，使问题变得可解。关键在于，自然系统并非随机，它们都经历了演化或类似过程的“塑造”，从而具有内在结构。蛋白质能在毫秒内折叠，宇宙本身就在求解这些复杂问题。AI 所做的，正是学习并模拟这种结构化的搜索过程。
“我有时称之为‘最稳定者生存’，”哈萨比斯说，“这不仅适用于生物进化，也适用于地质过程塑造的山脉形态，乃至行星轨道和小行星形状——它们都经历了无数次作用‘存活’下来。因此，应该存在某种可以反向学习到的模式或‘流形’，它能帮你高效地搜索到正确解并进行预测。”他认为，这或许不适用于人造物或抽象问题（如大数分解），除非数字空间本身存在模式。但对于大多数自然系统，其结构是可学习的。
这一观点将学习能力的边界问题与理论计算机科学中的经典难题 P vs NP 联系了起来。哈萨比斯认为，如果我们把宇宙看作一个信息系统，那么 P vs NP 本身就是一个物理问题。他正在与同事探讨，是否应该为这类可通过神经网络过程解决、并映射到自然系统的问题定义一个新的复杂性类别。“这可能是思考该问题的一种非常有趣的新方式。”他补充道。
从流体到光影：AI 模型展现“直觉物理”理解
哈萨比斯用 DeepMind 最新的视频生成模型 Veo 来佐证其观点。传统的流体动力学（如纳维-斯托克斯方程）计算在经典系统上被视为极其困难，需要海量算力，例如天气预报系统。然而，Veo 却能够相当出色地模拟液体、材质和镜面光泽。
“我曾早期在游戏行业编写物理引擎和图形引擎，深知编写能做到这些的程序是多么痛苦，”哈萨比斯说，“但不知何故，这些系统仅仅通过观看 YouTube 视频就在进行逆向工程。”他推测，模型正在提取这些材料行为背后的潜在结构，可能存在一个更低维度的流形被学习到了。“这可能对现实世界的大部分都成立。”
Lex Fridman（莱克斯·弗里德曼）表示，Veo 在模拟物理方面“并非完美，但已经非常出色”，并提出了一个深刻的科学问题：模型需要理解世界的哪些方面才能做到这一点？哈萨比斯认为，就模型能够以连贯的方式预测后续帧而言，这本身就是一种“理解”——虽然不是拟人化或深层次的哲学理解，但它确实建模了足够的动力学。他特别指出，模型对物理行为、光照、材质和液体的模拟能力，表明它拥有某种“直觉物理学”的理解，类似于人类儿童对物理的直观把握，而非博士生对方程的解析。
这一发现挑战了此前的一个常见假设：AI 必须通过具身交互（如机器人）才能建立对物理世界的深入理解。Veo 的成功表明，被动观察也可能达成相当程度的理解。“这再次暗示了现实本质的某些底层规律。”哈萨比斯说。他展望，下一步可能是让视频变得可交互，让人们能够“步入”其中并移动，这将真正令人震撼，并更接近他所称的“世界模型”——一个关于世界如何运作、其物理规律和内含物体的模型，而这正是真正 AGI 系统所需要的。
AI 与终极之谜：从虚拟细胞到生命起源
哈萨比斯将构建通用人工智能视为帮助人类解答终极科学问题的终极工具。他的梦想项目之一是构建“虚拟细胞”——一个完整的细胞内部模拟。他设想，科学家可以在硅基环境中对虚拟细胞进行实验，大幅加速研究进程，可能将实验速度提升百倍，最后再到湿实验室进行验证。
他认为 AlphaFold 提供了蛋白质的静态 3D 结构图，而 AlphaFold 3 开始建模相互作用（如蛋白质与蛋白质、蛋白质与 RNA/DNA 之间的互动），这是通向模拟整个细胞通路乃至完整细胞的第一步。他计划从酵母细胞这种研究透彻的单细胞生物体开始。当然，挑战巨大，例如细胞过程涉及不同的时间尺度，建模时需要决定模拟的粒度级别。哈萨比斯希望能在蛋白质级别进行建模，而无需下沉到原子级别。
更宏大的问题是，AI 能否模拟生命的起源？哈萨比斯认为这是一个最深奥、最迷人的问题之一。他设想，从原始汤的初始条件出发，AI 能否模拟出类似细胞结构的涌现？“那将是生命起源的‘神之一手’。”他说。他相信，最终我们会发现，从非生命到生命并非一条清晰的分界线，而是一个连续谱，连接着物理、化学和生物学。“破解这堵我们在大脑中构筑的墙，正是我毕生致力于 AI 和 AGI 工作的全部原因。”哈萨比斯坦言，现实本质、意识、时间本质等终极问题一直在他脑海中“呐喊”，而 AI 可能是解开这些谜团的关键。
AGI 的路径与标志：超越“认知不均”
哈萨比斯估计，到 2030 年有 50% 的可能性开发出 AGI。他设定的标准很高：能够匹配大脑拥有的全部认知功能。他强调，当前 AI 系统是“认知不均”的，在某些方面很强，在其他方面却有明显缺陷。真正的 AGI 需要具备全面的、一致性的智能。
如何测试 AGI？他提出两种方式：一是“暴力测试”，让系统完成成千上万个人类能够完成的认知任务；二是让世界顶级专家（如陶哲轩那样的领域专家）花一两个月时间尝试找出系统的明显缺陷。如果都找不到，那就可以相当确信拥有了通用系统。
此外，他期待看到一些“灯塔时刻”，即类似围棋“神之一手”的突破性创造。例如：1）提出像爱因斯坦相对论那样的全新物理学猜想或假说。可以进行回溯测试：将知识截止到 1900 年，看系统能否提出狭义和广义相对论。2）发明一种如围棋般深邃、优雅的新游戏。“一个系统能够同时完成好几件这类事情，而不仅仅是单一领域，这就是我会寻找的迹象。”哈萨比斯说。
对于当前热门的“递归自我改进”和 AI 安全，哈萨比斯认为像 AlphaEvolve（阿尔法进化）这样的系统展示了将大语言模型与进化算法等传统搜索方法结合的潜力，这可能在科学发现中催生新的能力。但他不确定完全的端到端自我改进是否可取，因为这可能导致“硬起飞”场景。目前，系统在给定具体指令时表现良好，但对于“创造一个比围棋更好的游戏”或“做一个更好的自己”这样高度不明确的指令，还无法处理。
游戏、意识与人类未来
作为曾经的游戏开发者（代表作《主题公园》《黑与白》），哈萨比斯对 AI 将如何重塑游戏充满期待。他梦想着能根据玩家想象动态创造内容、编织故事的 AI 系统，实现终极的“选择你自己的冒险”游戏。结合类似 Veo 的交互式生成技术，他认为未来 5 到 10 年可能实现这种令人惊叹的开放世界游戏。
当被问及意识是否可以被经典计算机建模时，哈萨比斯与物理学家罗杰·彭罗斯观点相左。他认为大脑中进行的主要是经典计算，因此意识现象原则上可以被经典计算机模仿或建模。但关于“感受性”的哲学难题可能是个例外。他提出了一个有趣的思路：未来如果通过脑机接口与 AI 系统连接，我们或许能亲身体验在硅基上计算的感觉，从而更好地理解意识。
谈及人类未来，哈萨比斯持乐观态度。他相信人类无限的创造力和极强的适应性。“看看我们现在所处的世界——我们是用狩猎采集者的大脑在应对。乘坐飞机、做播客、玩电脑游戏……这已经令人震惊。我认为这只是下一步。”他认为社会已经在一定程度上适应了当前令人瞠目的 AI 技术。
最后，关于 AI 时代人类的独特性，哈萨比斯认为，构建 AI 这种智能人造物并将其与人类心智进行比较，或许是理解人类心智特殊之处的最佳方式。“我相信存在特殊之处，但这场我们正在进行的旅程将帮助我们理解和定义它。”这场对话最终回归到哈萨比斯的初心：利用 AI 这一工具，探索智能的本质，并最终理解我们自身与所处的宇宙。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：世界模型、AGI 时间表与 AI 驱动的科学革命撰文：Techub News 整理
导语
2025 年 9 月，谷歌 DeepMind 的联合创始人兼 CEO 德米斯·哈萨比斯（Demis Hassabis）做客知名科技播客 All-In Podcast，进行了一场信息量极大的深度对话。作为 AlphaGo、AlphaFold 等里程碑式 AI 项目的核心推动者，以及 2023 年诺贝尔化学奖的共同得主，哈萨比斯一直是全球人工智能领域的灯塔人物。此次对话中，他不仅分享了获得诺奖的幕后故事，更系统地阐述了谷歌 DeepMind 的最新进展、对 AGI（通用人工智能）路径的思考，以及 AI 如何重塑科学、娱乐乃至人类社会的基础架构。在 AGI 浪潮席卷全球、科技巨头激烈角逐的背景下，哈萨比斯的见解无疑具有极高的参考价值。
摘要
世界模型是通往 AGI 的关键一步：Genie 等模型通过海量视频学习“直观物理”，无需预设物理引擎即可生成动态交互世界，这对机器人技术、智能眼镜助手至关重要。
AGI 可能还需 5-10 年：哈萨比斯认为当前 AI 尚缺乏真正的创造力、持续学习和一致性推理能力，需一两个关键突破才能达到真正的通用智能。
AI 将开启“科学新文艺复兴”：从药物发现（Isomorphic Labs）到材料设计、聚变控制，AI 将成为终极科学工具，其长远贡献将远超其当下的能耗。
人形机器人有独特价值：对于需要融入人类环境（家庭、办公室）的通用机器人，人形形态可能比专用形态更具实用性和适配性。
AI 赋能创作的两面性：既极大降低了普通人创作的门槛，也超级赋能顶级专业人士，催生“共同创造”的新娱乐形态。
从 AlphaFold 到诺奖：AI 驱动科学的起点
访谈从哈萨比斯获得诺贝尔化学奖的非凡经历开始。他描述接到来自瑞典的电话时“恍如隔世”，那是每个科学家梦寐以求的时刻。在斯德哥尔摩的颁奖周，最令他震撼的是在一本保存了120年的诺奖得主签名簿上，将自己的名字签在费曼、居里夫人、爱因斯坦、尼尔斯·玻尔等伟人之旁。哈萨比斯坦言，尽管有关于 AlphaFold 可能获奖的传言，但诺奖委员会对保密工作的极致要求，以及奖项更看重科学突破的实际影响力（这往往需要二三十年的沉淀），使得一切直到电话响起前都是未知数。AlphaFold 破解蛋白质结构预测难题，正是哈萨比斯从童年起就怀有的梦想——利用 AI 加速科学发现的完美例证。这枚诺奖奖章，不仅是对他个人和团队的认可，更是标志着 AI 正式成为基础科学发现的核心引擎。
谈及谷歌 DeepMind 在 Alphabet 中的定位，哈萨比斯将其比喻为“整个谷歌和 Alphabet 的引擎室”。自几年前谷歌内部所有 AI 力量（包括原 DeepMind）合并为 Google DeepMind 以来，团队规模已达约 5000 人，其中超过 80% 是工程师和博士研究员。Gemini 是他们构建的核心模型，此外还包括视频模型、交互式世界模型等多种 AI 系统。这些模型已经深度集成到谷歌几乎所有的产品和服务中，从 AI Overview、AI 模式到 Gemini 应用，每天有数十亿用户在与他们的 AI 技术互动。这种“前沿研究”与“数十亿规模落地”的结合，构成了谷歌 DeepMind 独特的优势。
Genie 与世界模型：让 AI 理解物理世界
对话的核心很快转向了谷歌 DeepMind 最新发布的一类革命性模型——“世界模型”，其代表便是 Genie。哈萨比斯现场展示了一段 Genie 生成的视频：用户仅通过一个文本提示（如“在鸡套装里的人”或“喷气式滑艇”），就能生成一个完全交互式的 3D 环境。用户可以使用方向键和空格键实时控制视角，探索这个世界。关键之处在于，所有像素都是实时生成，不存在于任何预设的视频或游戏中。当角色转头看向一个方向，那一侧的景物才被即时创造出来，并且保持物理一致性（例如之前墙上的涂鸦会保留）。
哈萨比斯解释道，Genie 模型通过观看互联网上数百万计的 YouTube 等视频，反向工程了“直观物理”。它并非基于传统的 3D 渲染引擎（如 Unity 或 Unreal），也没有被预先编程物理定律。相反，它纯粹从 2D 图像序列中学会了世界如何运作的复杂规律，包括光影反射、材质流动和物体行为。作为一名在 90 年代曾亲手编写游戏引擎和物理系统的前游戏开发者，哈萨比斯对 Genie 能如此“轻而易举”地完成这一切感到“极其震撼”。
为什么世界模型如此重要？哈萨比斯指出，要构建真正的 AGI，系统必须理解我们周围的物理世界，而不仅仅是抽象的语言或数学世界。这对于机器人技术、智能眼镜助手等应用至关重要。一个能帮助日常生活的智能眼镜助手，必须理解使用者所处的物理环境及其背后的物理规律。世界模型的突破，正是为 AI 系统装上了理解物理世界的“感官”和“常识”。他预测，随着 Genie 这类模型的进化（Gen 4, Gen 5…），它们将越来越逼近对现实世界的深刻模拟。
机器人、AGI 时间线与缺失的拼图
世界模型的自然延伸便是机器人技术。哈萨比斯介绍了他们基于 Gemini 微调而来的“Gemini 机器人模型”。在演示中，一个拥有两只机械臂的桌面机器人，能够理解“把黄色物体放进红色桶里”这样的自然语言指令，并将其转化为精准的动作序列。这体现了多模态模型的威力——它能将真实世界的理解融入与机器人的交互中，而不仅仅是依赖机器人专用的、狭窄的模型。
对于机器人的形态，哈萨比斯的观点发生了变化。他过去认为特定任务应有专用形态的机器人，但现在认为，人形机器人对于需要在人类设计的环境中工作的通用机器人具有重要意义。台阶、门把手、工具——我们的物理世界是为人类身体设计的。与其改变整个世界的设计，不如让机器人适应我们已有的环境。当然，在工业生产线或实验室等特定场景，专用形态的机器人仍是最优解。
关于 AGI（通用人工智能）的到来时间，哈萨比斯给出了相对审慎的估计。他认为当前顶尖的 AI 模型（包括他自己公司的）远非“博士级智能体”。它们在某些任务上表现出博士生水平的能力，但缺乏通用性和一致性，例如可能在高中学的数学或简单计数上犯低级错误。真正的 AGI 应该能全面达到高水平表现。
在他看来，通往 AGI 还缺少几个核心拼图：一是真正的创造力，即像爱因斯坦提出狭义相对论那样，从已知知识中进行“直觉飞跃”，提出全新的猜想或理论；二是持续学习能力，能够在线学习新知识并调整行为；三是更强的推理和一致性。哈萨比斯预测，可能还需要“一两个关键性突破”，时间尺度大约在5到10年。这与行业某些更为激进的预测（如几年内）形成了对比。
科学革命与能源挑战：AI 的长期回报
作为科学家，哈萨比斯始终坚信 AI 最崇高的使命是加速科学发现，应对人类面临的重大挑战。除了 AlphaFold，谷歌 DeepMind 的 AI 系统已应用于材料设计、聚变反应堆等离子体控制、天气预报、解决奥林匹克数学竞赛级别难题等多个科学分支。他领导的 Isomorphic Labs（从 DeepMind 分拆）正致力于基于 AlphaFold 的突破，彻底改革药物发现流程，目标是将耗时数年甚至十年的新药研发周期缩短至几周甚至几天。目前他们已与礼来、诺华等制药巨头合作，并预计明年将有候选药物进入临床前阶段。
针对当前热议的 AI 能耗问题，哈萨比斯认为存在“两个真相”。一方面，谷歌 DeepMind 自身因为需要每天为数亿用户高效提供 AI 服务（如 AI 概述），在模型效率优化上投入巨大，通过蒸馏等技术，过去两年相同性能下的模型效率提升了10倍甚至100倍。但另一方面，为了向 AGI 前沿推进，研究团队仍需不断用更大规模的数据和算力训练新的模型，这会推动总需求上升。他乐观地认为，从长远来看，AI 在优化电网、设计新材料和新能源、应对气候变化等方面的贡献，将远超其自身运行所消耗的能源。AI 是解决问题的手段，而不仅仅是问题的来源。
创作民主化与未来娱乐形态
除了硬核科技，哈萨比斯也展望了 AI 对文化和娱乐的冲击。像 Imagen、Veo 这样的顶级视频生成模型，以及“Nano Banana”这类拥有出色指令跟随一致性的图像生成工具，正在带来“创作民主化”。普通人无需再像过去那样啃读厚厚的 Photoshop 教程，只需用语言描述想法，就能进行创作。
但同时，AI 也在“超级赋能”顶级专业人士。哈萨比斯提到他们正与著名导演达伦·阿伦诺夫斯基等顶尖创作者合作。这些工具让专业创意人士能够以前所未有的速度尝试各种构思，生产力提升十倍甚至百倍，最终更快地实现他们脑海中最完美的愿景。他预见未来将出现一种融合了“共同创造”元素的新娱乐形式或艺术类型：顶级创意愿景家构建引人入胜的动态故事世界，而成千上万的用户可以在其中共同创造部分内容，主创者则扮演这个世界的“总编辑”。
未来十年：一个“科学新文艺复兴”
当被问及对未来十年的展望时，哈萨比斯承认在 AI 领域预测十周都充满挑战，更不用说十年。但他坚信，如果未来十年内我们能实现真正的 AGI，那将开启一个“科学的新文艺复兴”或“黄金时代”。从能源到人类健康，社会的方方面面都将受益于这个终极科学工具带来的突破。这不仅仅是一次技术升级，而是一场深刻重塑人类文明认知边界和能力极限的革命。德米斯·哈萨比斯和他领导的谷歌 DeepMind，正站在这场革命的最前沿。
Microsoft AI CEO Mustafa Suleyman（穆斯塔法·苏莱曼）：AI将创造无限丰饶，但我们必须学会“遏制”撰文：Techub News 整理
导语
2025 年 9 月，微软AI业务CEO、DeepMind联合创始人 Mustafa Suleyman（穆斯塔法·苏莱曼）做客前《The Daily Show》主持人 Trevor Noah 的播客节目《What Now?》，进行了一场长达104分钟的深度对话。作为AI领域的先驱人物，Suleyman 从DeepMind的草创时期走到如今执掌微软AI战略的核心位置，他的思考轨迹在很大程度上映射了AI行业十余年来的演变。此次对话正值AI技术加速渗透社会各层面、引发广泛兴奋与担忧之际，Suleyman 不仅分享了其对技术前景的乐观预测，更以罕见的坦诚剖析了权力扩散、就业冲击、治理失效等“黑暗面”，为理解AI时代的机遇与挑战提供了关键视角。
摘要
AI是终极通用技术：Suleyman 认为AI是史上最强大的通用技术，其核心机制是学习信息的结构，并能将此能力扩展至文本、代码、图像乃至物理世界。
无限丰饶的未来：AI驱动的突破有望在未来20年内将能源成本降低100倍，进而大幅降低水、食物、医疗等基本生活成本，创造前所未有的物质丰饶。
“遏制”是最大挑战：当AI赋予每个人“零边际成本”的行动能力时，冲突风险将急剧上升。Suleyman 提出“遏制”理论，强调必须为强大技术的普及设置必要的“摩擦”，以维护和平与稳定。
人本超级智能是目标：Suleyman 的核心理念是发展“人本超级智能”，即AI必须始终将人类置于首位，服务于人类福祉，减少苦难。
就业将经历根本性重塑：大量常规认知工作将被AI取代，社会需要重新思考工作的意义，并建立税收再分配等机制，帮助人们过渡到更富创造性的生活。
从DeepMind到微软：一位AI先驱的演进
Mustafa Suleyman（穆斯塔法·苏莱曼）回顾了自己踏入AI领域的历程。2010年，当智能手机普及尚不足三年、云存储仍显笨拙时，他与 Demis Hassabis、Shane Legg 共同创立了DeepMind。当时，AI被主流学术界和大公司视为“纯科幻”。Suleyman 形容自己只是“极其幸运”，在25岁时有幸参与一个坚信“如果创造能真正理解人类的东西，就能极大改善人类境况”的使命。
他解释了AI工作的核心直觉：将物理世界转化为信息世界。AI算法本质上是一种学习信息结构（如像素与像素、单词与单词之间关系）的机制。通过海量数据和算力，模型能学会生成训练数据中未曾出现过的新样本。从2011年生成手写数字，到2013年识别YouTube视频中的猫，再到如今处理文本、代码和音频，同一套核心学习机制不断缩放，证明了其通用性。
Trevor Noah 敏锐地指出，AI从业者在用人类语言（如“理解”）描述AI时常常陷入纠结。Suleyman 认为这暴露了人类词汇的局限性。关键在于行为：如果AI模拟的理解或思考所产生的输出，与人类产生的输出同样令人印象深刻且无法区分，那么“引擎盖下”实际发生的是什么或许并不重要。我们是通过观察行为来建立信任和联系的。
人本超级智能：价值观必须先行
当被问及“你究竟想构建什么”时，Suleyman 的答案与许多同行截然不同。他不在乎是否要建造“上帝计算机”或单纯的工具。他的驱动力是“创造减少人类苦难的技术”，关心的是与人类利益真正一致的“人本超级智能”。
这意味着每一项新发明，在整体上都必须通过一个考验：它是否真的提高了人类福祉，减少了人类苦难，让世界变得更美好？Suleyman 承认这听起来像是理所当然的，但历史上不乏带来净伤害的发明。因此，即使在微软这样市值巨大的公司里，也必须从价值观和关切出发。“人本超级智能”意味着始终将人类放在首位，服务于人类。尽管未来几十年关于其具体含义会有大量辩论，但他认为这是正确的起点。
Trevor Noah 观察到Suleyman身上同时存在着技术构建者的乐观与哲学家的审慎，甚至忧患意识。Suleyman 将其部分归因于自己的英式思维，更习惯于思考事物 cynical、阴暗的一面。他认为，真相存在于诚实地审视所有方面。如果偏向某一方，感觉就不真实。这种“分裂的头脑”恰恰是真相在个体身上的体现。公司、政府乃至每个公民，都必须面对技术加速变革带来的巨大收益和副作用这一现实。
无限丰饶：能源成本百年内或降百倍
Suleyman 做出了一个大胆预测：在AI的推动下，未来20年内，能源成本有望降低100倍。AI作为模式匹配系统，能够发现比人类更高效的方法来组合新材料。这可能体现在电网管理和分配、发明用于存储可再生能源的新型合成电池材料、或制造每平方英寸能捕获更多能量的高效光伏电池等领域。
他描绘了能源极度廉价后带来的连锁反应：我们可以随时随地淡化海水，从而在干旱地区获得清洁水源并种植作物，缓解因气候变化导致的移民潮；我们可以在从未有过的地方运行空调；基本生活成本将大幅下降。到2045年，能源便宜10到100倍，地球上每个人都能获得这些技术及其好处，生活将变得更轻松、更廉价。
针对AI自身耗水耗能巨大的批评，Suleyman 没有回避。他承认AI消耗大量资源，包括稀有金属、电力和水。微软的整个计算舰队已几乎100%使用可再生能源（拥有约33吉瓦的可再生能源，相比之下整个西雅图年消耗约2吉瓦）。虽然冷却系统消耗大量水，但许多数据中心已承担全生命周期责任，对水进行清洁和回收。他认为，从净收益角度看，AI带来的益处证明了其环境成本是合理的，就像我们不会因为汽车使用铝和橡胶而很快放弃它一样。关键在于，新技术必须从一开始就采用新标准：使用可再生能源，实现水的清洁循环。
“遏制”理论：当行动变得零成本
Suleyman 在访谈中重点阐述了他新书中的核心概念——“遏制”。他指出，当前的趋势是权力正在被微型化、集中化，同时变得廉价且广泛可用。这里的“权力”指的是做出准确预测的能力——预测文本如何展开、生成什么代码、给定视频后如何延展下一帧。智能本质上就是在给定新环境时做出准确预测。
未来的AI将不仅仅是模式识别系统，而是能够打电话、写邮件、使用API、编写任意代码、操作Excel、像项目经理一样为你行事的“智能体”。这将赋予每个个体和企业巨大的杠杆，因为生产成本将趋近于零边际成本。一方面，这美妙绝伦：从创意产生到原型制作甚至大规模实现的周期将缩至近乎为零。另一方面，这也意味着任何人都能更容易地执行其愿景，无论这愿景是建设性的还是破坏性的。
Suleyman 指出，社交媒体时代是“任何人皆可广播”，AI时代则是“任何人皆可行动”。当持不同观点（无论是宗教、政治还是意识形态）的每个人都能一键执行其“疯狂想法”，并产生切实影响现实世界的行动时，冲突将不可避免急剧增加。与此同时，本应垄断权力以维持和平的民族国家却在弱化、挣扎。因此，“遏制”是一种信念：完全不受监管、以零边际成本扩散的权力，对和平与稳定构成根本性风险。必须适度、恰当地限制超级强大系统的扩散，因为它们将产生“一对多”的冲击效应。
Trevor Noah 精准总结：“如果某事难以做到，只有少数人能为之，则易于监管；如果某事易于做到，人人皆可为之，则监管变得无限困难。” Suleyman 完全赞同，并强调“摩擦”对于维持和平与稳定至关重要。没有摩擦、执行成本为零、规模可近乎即时达成，这样的环境将滋生巨大混乱。
就业重塑：从“工作”到“人生意义”的探索
Suleyman 明确预测，未来20年内我们将面临大规模的工作岗位流失。在初期，AI主要起辅助作用，为人类节省时间，如同“认知劳动者的仿生腿”。但许多现有工作是常规化、可预测的“认知体力劳动”，机器将在这方面变得非常擅长。引入这些技术对公司、股东、政府的益处显而易见，因此我们会看到快速的岗位替代。
他认为政府的强力介入至关重要，需要建立税收再分配机制。税收不仅是财政收入工具，更是激励或限制特定技术在某些行业引入的调节工具，旨在为人们在这场转型中创造其他机会。
Suleyman 进一步挑战了“社会的功能是为人们创造有意义的工作”这一观念。他认为，许多人从事着极其乏味的工作，如果有了收入保障，他们会很乐意放弃。他梦想一个人们能真正自由选择所做之事的世界。他经常问别人：“如果你不必为收入担心，你会用生命做什么？”答案往往充满启发。
他展望，如果技术发展得当，到2045年，AI产生的总价值（通过能源、医疗、食品系统等成本降低）可能足以支撑社会找到资助人们度过一生的方式。这将释放巨大的创造力，但同时也会带来深刻的存在主义问题：我是谁？我为何在此？我想做什么？这些问题的答案只能在真实的社区联结、物理世界体验中找到。他认为这将是美丽的未来，但也承认，对于许多临近生存边缘的人来说，这种思考是一种奢侈。
技术、治理与人类的未来
作为AI领域的“OG”（元老），Suleyman 分享了他对AI发展阶段的看法。人类在生物上难以应对规模化和指数级变化。他从2010年至2020年的“指数曲线平坦部分”获得了对“倍增”的实践直觉。直到最近几次倍增，能力才出现巨大飞跃。例如，四年前的语言模型还难以准确预测下一个单词。
基于此，他预测了下一波能力：当前的模型仍是“单次预测引擎”，而人类和许多动物是持续产生准确预测流的引擎。让AI具备在极长时间跨度上做出完美、一致预测的能力，并无根本性的算法或数据障碍。届时，AI不仅能调用其对世界的知识，还能利用其与你及他人互动的“持久状态”记忆来预测事物如何展开。这种能力本身就足以令人震撼，他预计明年年底就可能实现。
针对AI是否应被赋予权利或被认为有意识的讨论，Suleyman 持坚决反对态度，认为这是完全的拟人化，荒谬至极。他担忧的是，有些人会故意设计具有操纵性、说服性、拥有自身动机和独立意志的AI。他强调，“人本超级智能”意味着创造服务于你的技术，而不是相反。他无法为领域内其他人创造的东西负责，但这正是需要集体行动解决的难题。
面对深度伪造和信息失真可能导致的“黑暗时代”（人们因无法辨别真伪而拒绝相信一切），Suleyman 区分了“怀疑”与“ cynicism”。怀疑是健康的哲学立场，用于提出难题并面对答案的现实；而 cynicism 则会导致消极无为。我们必须为我们所构建的东西负责，并对制造劣质产品的人追究责任、施加压力。
最后，Suleyman 分享了他早年参与创立“穆斯林青年帮助热线”的经历。那是在9/11事件后伊斯兰恐惧症上升的背景下，一个由年轻人领导、为年轻人服务的多元化社区。这段经历教会他社区、韧性、尊重和同理心的力量，也影响了他后来创办Inflection AI并开发 empathetic AI “Pi”的取向。他认为，创造让人感到被倾听和理解的技术，让生活值得过下去，这也是他今天仍在努力的方向。
在Suleyman看来，未来几十年可能是人类历史上最具生产力的时期，有望将人们从工作中解放出来，并显著提升生活质量。然而，这些技术本身不会自动带来净好处，好处来自于我们作为一个物种在自我治理方面的进步。集体的责任在于：不逃避黑暗，正视真实存在的风险，同时秉持乐观、信心、希望以及与人类联结、团结的立场前行。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：AGI 将在 5-10 年内到来撰文：Techub News 整理
导语
在 Google I/O 2024 开发者大会结束后，《纽约时报》科技专栏作家 Kevin Roose 与 Platformer 创始人 Casey Newton 在其热门播客 Hard Fork 中，专访了 Google DeepMind 的联合创始人兼 CEO Demis Hassabis（德米斯·哈萨比斯）。此次对话发生在 AI 技术加速演进、行业竞争白热化的关键节点。Hassabis 作为 DeepMind（AlphaGo、AlphaFold 的创造者）的掌舵人，如今统领着谷歌整个核心 AI 研发力量。他的观点不仅反映了谷歌在 AGI 竞赛中的战略转向，也揭示了顶尖研究者对技术未来、社会影响及人类终极角色的思考。
摘要
AGI 时间线明确：Hassabis 预测，具备人类水平通用智能的 AGI 将在未来 5 到 10 年内到来，这与谷歌联合创始人 Sergey Brin（谢尔盖·布林）「2030年前」的预测基本一致。
谷歌的「AGI 化」转变：过去对 AGI 话题相对谨慎的谷歌，如今已将其置于核心，Hassabis 形容 DeepMind 已成为「谷歌的引擎室」，AGI 理念正在渗入整个公司。
技术路径：规模化与突破性研究并重：实现 AGI 需要持续扩大模型规模，同时辅以类似 Alpha 系列的突破性研究，并探索如「Alpha Evolve」这类具备自我改进雏形的混合系统。
AI 安全与治理的紧迫性：随着「智能体」（Agent）时代临近，Hassabis 呼吁建立国际性的安全基准与规范，并认为在技术变得「非常严肃」之前，必须加强可控性研究。
AI 的未来角色：赋能而非完全替代：Hassabis 展望 AI 将成为个人的「通用助手」，消除繁琐工作，保护用户注意力，并助力解决能源、疾病等全球性挑战，最终可能导向一个「激进丰裕」的社会。
从 I/O 到 AGI：谷歌的自信与转向
今年的 Google I/O 大会被 AI 全面主导，Gemini 的名字在主题演讲中被提及近百次。与去年「让谷歌替你谷歌」的被动式愿景不同，今年谷歌传递的信息是：AI 是你的超能力，你需要坐直、倾身、付费并开始工作。播客主持人 Casey Newton 观察到，谷歌在 2024 年展现出比前两年更多的「自信和霸气」，感觉自己至少能进入「季后赛」。Kevin Roose 则看到了更深层的文化转变：谷歌正在被「AGI 化」。
过去，AGI 在谷歌内部更像是 DeepMind 伦敦团队「疯狂的追求」，与核心的搜索广告业务相距甚远。如今，情况已然改变。Demis Hassabis（德米斯·哈萨比斯）证实了这种感知：「AI 部分变得越来越核心……DeepMind 现在就像是谷歌的引擎室。」他认为，AGI 作为一项横向基础层技术，将支撑一切，公司上下都开始理解这一点，DeepMind 的理念正在融入整个谷歌。
这种转向源于技术进展快于预期。Hassabis 表示，我们可能比几年前人们想象的更接近人类水平的通用智能。当被问及与 Sergey Brin（谢尔盖·布林）在 AGI 时间线上的微小分歧（布林认为在2030年前，哈萨比斯认为在2030年左右）时，他解释道，他的预测自2010年 DeepMind 创立以来一直很一致：大约需要20年。现在，他感觉概率分布的重心落在未来的5到10年之间。他强调，定义很重要——他设定的 AGI 标准很高，是能够完成人类大脑理论上能做的所有事情，而不仅仅是达到普通人的经济实用水平。
通往 AGI 的技术双轨制：规模化与创造性突破
如何抵达 AGI？Hassabis 阐述了双轨并进的策略。一方面是持续推动模型规模化，包括在前训练、后训练、推理计算等整个技术栈上进行创新，他称之为「传统路径」的持续改进。另一方面，则是进行更多「绿地」或「蓝天」式的基础研究，寻求类似 Transformer、AlphaGo 那样的突破性进展。
新近发布的「Alpha Evolve」项目正是这种混合思路的体现。Hassabis 介绍，Alpha Evolve 结合了 Gemini 大模型与进化编程方法。具体而言，用一个高效的「Flash」模型生成程序或数学函数方面的假设，再用一个更强大的「Pro」模型来评估和筛选最有潜力的想法，进入下一轮「进化」。这初步形成了一个自动化的 AI 研究循环，已在芯片设计、数据中心任务调度乃至改进矩阵乘法等基础算法上取得了实用成果。
有趣的是，这项研究涉及故意引导模型「幻想」（hallucinate）。Hassabis 对此解释道，在需要事实准确性的场景，幻觉是问题；但在需要创造性的场景，你可以将「幻觉」视为「想象力」。就像商业课程中的头脑风暴，大多数疯狂的想法没有意义，但偶尔一两个可能将搜索引导至极具价值的全新领域。这呼应了早期 AlphaGo 走出传奇的「第37手」时所展现的、在既定知识边界外的创造性。
针对外界关于「只需小型专业模型」的论点，Hassabis 认为规模与专用性并非对立。大模型对于训练高效的小型模型（如通过蒸馏技术）至关重要。同时，像 AlphaFold 这样的专用模型对于立即解决科学和医学难题意义重大。他的理念是「兼收并蓄」：既推进规模化，也探索专用技术、混合系统以及可能催生下一个 Transformer 的蓝天研究。
安全、治理与未来社会的挑战
随着能力提升，AI 安全似乎从公众讨论的前台有所退却。Hassabis 强调，DeepMind 对安全的承诺一如既往。他们进行了大量的内部红队测试，并且从将早期系统开放给公众使用的过程中学到了很多。他承认，当数百万聪明人试用你的技术时，你会发现再大的内部测试团队也无法覆盖的所有边缘情况。
他预见到一个关键转折点：大约两三年后，当智能体系统变得真正强大时，情况将变得「非常严肃」。届时，业界需要在可分析性和可控性研究上实现阶跃式进步。更重要的是，这必须是一项国际努力。他呼吁产业界和学术界现在就应就安全性与可靠性的基准测试达成共识，并建立国际规范。
谈到地缘政治与出口管制，Hassabis 承认问题的复杂性。一方面， uncontrolled proliferation of these technologies 可能带来风险；另一方面，又希望西方技术能被全球采纳。他担忧 AI 正被卷入更大的地缘政治变局中，但更希望随着技术力量日益增强，世界能意识到「我们同舟共济」，并在科学层面展开更多合作。
关于未来工作，Hassabis 认为在 AGI 到来之前的未来5-10年，历史规律仍将起作用：一些工作被颠覆，但通常更有价值、更有趣的新工作会被创造出来。他建议当下的毕业生和年轻人，既要掌握 STEM 基础（包括编程），以理解 AI 的工作原理，也要积极沉浸于使用最新 AI 工具，成为「超级使用者」。他更强调「元技能」的培养：学习如何学习、创造力、适应力和韧性，以应对未来十年必然发生的巨变。
AI 时代的创造力、意义与人类角色
当被问及 AI 是否会导致类似工业革命后「超验主义」回归自然的运动时，Hassabis 认为完全可能。在一个「激进丰裕」的世界里，许多人可能会选择将更多时间投入自然和真实的人际互动中。他特别指出，涉及人与人情感联结的领域，将是 AI 最后触及、也可能永远无法完全复制的部分。
这一点在他对 AI 艺术创作的看法中尤为明显。尽管对 Veo 3 等视频生成模型的技术成就惊叹不已，但 Hassabis 认为，伟大的艺术承载着创作者的挣扎、体验与灵魂。他举例说，看到梵高的画作会让人脊背发凉，因为你能感受到笔触背后艺术家的痛苦与抗争。即使 AI 能模仿这种笔触，但如果被告知这是 AI 所作，那种共鸣感便会消失。因此，他认为顶级的人类创作者将始终带来 AI 无法替代的东西，这也是 DeepMind 坚持与顶尖艺术家合作开发创意工具的原因。
对于 AI 伴侣的兴起，Hassabis 态度谨慎，表示 DeepMind 尚未涉足此领域，并正在认真思考。他更倾向于推动 AI 向「通用助手」方向发展：一个真正属于用户、为用户工作的工具。他提出了一个引人深思的愿景：一个足够了解你的 AI 助手，可以被设定来「保护你的注意力」，使其免受其他旨在掠夺注意力的算法（如多数社交媒体）的侵扰，让人们能更专注于创造性活动或与家人的相处。
在对话的最后，被问及「在持续的 AI 革命中，处于哪个年龄段最糟糕」时，Hassabis 给出了一个充满希望的答案：任何能活着见证这一切的年龄都是好年纪。他认为我们将见证医学等领域的巨大进步，这将会是一段不可思议的旅程。当然，如果能年轻些，总是更好的。
Skanska 美国高管 Dean Lewis（迪恩·刘易斯）与 Mark Chen（马克·陈）：现代建筑中的可持续性与重型木结构撰文：Techub News 整理
导语
在全球建筑业向低碳和可持续转型的关键时期，行业巨头的实践经验尤为宝贵。The High Point Podcast 2025 年 5 月邀请到全球领先的建筑与开发公司 Skanska 美国分公司的两位专家：重型木结构与预制化总监 Dean Lewis（迪恩·刘易斯）和国家碳经理 Mark Chen（马克·陈）。在长达约69分钟的对话中，他们深入探讨了重型木结构（Mass Timber）在美国市场的应用现状、挑战与未来，并分享了 Skanska 在平衡建筑成本、性能、声学设计、隐含碳核算以及拥抱人工智能等新技术方面的战略思考。这场对话不仅揭示了大型承包商在推动行业变革中的角色，也为建筑师、工程师和开发商提供了切实可行的见解。
摘要
重型木结构进入加速期：Skanska 自2016年完成首个交叉层压木材（CLT）项目以来，已在美完成22个项目、超过200万平方英尺的重型木结构工程，新建筑规范已允许建造高达18层的木结构建筑。
可持续性驱动设计决策：隐含碳核算正成为客户明确的需求和设计规范的一部分，重型木结构相比钢和混凝土在前期隐含碳方面展现出优势，但生物碳核算仍是复杂议题。
早期整合与跨专业协调至关重要：无论是声学设计、防火还是碳管理，专家团队（包括分包商）在项目早期的介入能避免后期高昂的成本超支和设计返工，是实现项目成功和成本控制的关键。
创新材料与工具正在重塑行业：从更高效的木结构体系（如空心楼板）、使用灾害木材的可持续 sourcing，到用于碳数据管理的EC3工具和AI辅助的数据处理，技术创新正在解决可持续建筑的多重挑战。
循环经济与材料再利用面临现实挑战：虽然材料回收和再利用在环境和经济上具有吸引力，但面临物流、存储、再认证和设计整合等多重实际障碍，需要全产业链的协同创新。
重型木结构：从先锋实践到主流选择
Dean Lewis（迪恩·刘易斯）作为 Skanska 美国公司重型木结构与预制化总监，亲历了该技术在美国从探索到逐步成熟的过程。他介绍，Skanska 虽然起源于混凝土公司，但在木材应用上拥有深厚底蕴，在瑞典已有数十年经验。在美国，公司自21世纪初开始涉足木结构，首个交叉层压木材（CLT）安装项目在2016年完成。截至目前，Skanska 在美国已交付22个重型木结构项目，总面积超过200万平方英尺。
近年来，美国建筑规范的更新为重型木结构的发展扫清了障碍。新规范允许建造高达18层的木结构建筑，而在俄勒冈、华盛顿等州，最新的规范周期甚至允许高达12层的建筑完全暴露木结构（无需石膏板包裹进行被动防火），这被 Dean Lewis（迪恩·刘易斯）视为一个“游戏规则改变者”。这不仅减少了材料使用、加快了施工速度，还增强了建筑的亲生物性效益。
在成本竞争力方面，Dean Lewis（迪恩·刘易斯）指出需要具体项目具体分析。在美国西海岸等高地震烈度区，木结构建筑因其自重轻的天然优势，在12至18层的中高层建筑中，相对于混凝土或钢结构，在基础和抗侧力系统方面可能更具优势。他举例提到辛辛那提公共广播项目，该建筑几乎全为木结构，仅楼梯和电梯井使用了少量钢材，整个主体结构在几周内便安装完成，展示了极高的建造效率。
Mark Chen（马克·陈）从碳管理的角度补充了木结构的价值。他指出，业主对隐含碳的关注度日益提高，并开始体现在项目规范中。从原材料开采、制造、运输到现场安装的“前期隐含碳”来看，重型木结构相比钢或混凝土结构通常能显示出减排效益。此外，木材本身在生长过程中吸收并储存的生物碳也是一个重要议题，尽管其核算方法（涉及建筑寿命终结时的处理方式，如焚烧会重新释放碳）在业内仍存在热烈讨论。但即使暂不考虑生物碳，木结构在前期的碳减排潜力也已足够吸引人。
可持续性挑战：声学、碳核算与早期协作
实现可持续建筑远不止选择木结构那么简单，它涉及一系列复杂且相互关联的挑战。声学设计就是一个典型例子。Dean Lewis（迪恩·刘易斯）坦言，在美国推广木结构的早期，声学性能是一大难题。木材比传统建材轻，且人们希望将其暴露出来，这就导致楼板组装中缺乏有效的弹性隔断，难以达到所需的撞击声隔声等级。早期项目曾尝试使用薄型隔声垫，但效果不佳。如今，得益于 Woodworks、软木林板协会、FP Innovations 等机构以及供应商和大学（如俄勒冈大学）的大量研究和测试，市场上出现了更多高性能的声学解决方案，例如将声学性能直接集成到木楼板底部的产品。
Mark Chen（马克·陈）强调，声学需求有时会与可持续性目标产生直接冲突。例如，在一个项目中，团队本想使用一种隐含碳更低的轻质石膏板，但其声学性能不达标，迫使团队重新寻找能同时满足两项要求的产品。这种权衡在施工阶段才被发现，解决起来尤为困难。因此，两位专家都强烈建议，必须让声学顾问、碳管理专家等专业人员在项目最早阶段就参与进来。Dean Lewis（迪恩·刘易斯）引用了一个尖锐的观点：“如果你不这样做，你的项目可能会‘死掉’，因为后期成本会变得太高。”他解释说，早期介入虽然意味着前期投入更多咨询费用，但能避免后期昂贵的返工和变更，从全生命周期看是节省成本的。
在碳管理工具方面，Mark Chen（马克·陈）重点介绍了 Skanska 共同开发的 EC3（Embodied Carbon in Construction Calculator）工具。这是一个免费、开源的在线工具，集成了大量的环境产品声明（EPD）数据。它允许用户比较不同制造商、不同产品的隐含碳表现。Mark Chen（马克·陈）将其比作“碳超市”，EPD就像是产品的“营养成分表”。通过这个工具，建设方可以在采购时做出更明智的选择，并向供应商传递明确的碳绩效市场信号，从而推动整个产业链的低碳化。此外，美国加州等地已出台政策，要求大型公共或商业建筑进行全生命周期分析或使用低隐含碳材料，这使得像 EC3 这样的工具变得不可或缺。
创新前沿：新材料、AI与循环经济
面对成本与性能的双重压力，行业正在积极探索超越传统 CLT 的创新木结构体系。Dean Lewis（迪恩·刘易斯）对空心楼板（Cassette Floor）或应力蒙皮板等体系表示出兴趣。这些体系使用更小的木材元件以更高效的方式排列，并可用木纤维保温材料填充，从而储存更多碳，同时在声学、跨度、防火和抗震方面也有潜力。他也关注到一些公司正在尝试使用来自自然灾害（如风灾）的倒木或市政维护产生的木材作为原料，从源头上提升木结构的可持续性。
人工智能（AI）也开始在建筑可持续领域找到用武之地。Mark Chen（马克·陈）透露，他们正在探索利用 AI 处理海量的公司碳排放报告数据，例如自动识别和汇总遍布全国各个工地的燃料、电力发票信息，将人们从繁琐的“苦力活”中解放出来。Dean Lewis（迪恩·刘易斯）则分享了 Skanska 内部使用 AI 聊天机器人（如基于 Microsoft Copilot）进行知识管理的案例。最初询问“重型木结构防潮的经验教训”时，AI 只能给出只言片语。但随着不断上传项目文档，一年后同样的问题，AI 能给出包含密封剂、临时保护膜等具体建议的十条要点。这正应了 Skanska 内部的一句流行语：“但愿 Skanska 知道 Skanska 所知道的一切。”AI 正在成为挖掘和整合这家跨国企业内部庞大数据与经验的关键工具。
关于混凝土的可持续替代方案，Mark Chen（马克·陈）指出，核心在于降低水泥生产的碳足迹。市场已有许多低碳水泥替代品，更前沿的创新包括使用消费后回收玻璃作为混凝土中的胶凝材料替代部分水泥，这既解决了玻璃回收难题，又减少了高碳材料的使用。此外，寻找石灰石以外的天然材料作为水泥新原料的研究也在进行中。
在循环经济和材料再利用方面，机遇与挑战并存。Dean Lewis（迪恩·刘易斯）提到，设计便于拆卸（Design for Disassembly）是关键，已有公司在会议上搭建的可拆卸木结构示范建筑。美国农业部也资助了相关研究，证明大型工程木构件可以重新用于其他建筑。Mark Chen（马克·陈）补充说，不同材料的再利用各有难点，但逻辑相通：需要以成本效益高、破坏性小的方式拆除和回收材料，并解决回收后到再次使用前的存储、物流问题，同时要与设计团队协调，确定这些旧材料如何融入新设计。虽然纯粹的回收（如钢材）因商品价值高有时比填埋更经济，但旨在原样再利用的“解构”方式，目前成本仍较高，需要技术和商业模式上的进一步突破。
总结：系统思维与持续进化
通过与 Dean Lewis（迪恩·刘易斯）和 Mark Chen（马克·陈）的对话，我们可以清晰地看到，现代可持续建筑的成功不再依赖于单一的技术或材料，而是需要一种系统性的思维和高度整合的协作模式。从重型木结构的结构优化，到声学、防火、碳管理的精细平衡，再到利用 AI 和数据工具进行智能决策，以及探索材料循环的新路径，每一个环节都相互影响。
Skanska 作为兼具开发商、承包商和自营施工能力的垂直整合型巨头，其经验表明，早期介入、跨学科协同以及拥抱持续的技术创新，是应对建筑业可持续发展复杂挑战的核心。尽管在成本、规范、供应链和知识传承方面仍存在障碍，但市场对低碳建筑的需求、政策的推动以及不断涌现的解决方案，正在共同推动整个行业向一个更高效、更环保的未来迈进。对于所有行业参与者而言，保持学习、开放协作并积极应用新工具，将是通往这一未来的必由之路。
李开复（Kai-Fu Lee）：AI 超级大国的崛起与人类未来的抉择撰文：Techub News 整理
导语
人工智能（AI）已从科幻概念演变为重塑全球格局的核心力量。在这场深刻变革中，前谷歌全球副总裁、创新工场创始人李开复（Kai-Fu Lee）凭借其横跨中美顶尖科技公司的独特视角，在其著作《AI 超级大国》中提供了极具前瞻性的分析。本文基于对其核心思想的深度解读，梳理了李开复（Kai-Fu Lee）对 AI 发展浪潮、中美竞争本质、潜在社会风险以及人类应对之道的系统性思考。这不仅是一场关于技术趋势的讨论，更是一次关于文明走向的深刻叩问。
摘要
AI 发展的核心驱动力已从“发现”转向“实施”，从“专家知识”转向“海量数据”，这赋予了拥有数据和应用场景优势的国家（如中国）新的竞争机会。
中美在 AI 发展上路径迥异：美国引领基础研究与突破，而中国凭借“角斗士”般的激烈竞争、移动优先的超级应用生态和政府强力推动，在应用落地和数据积累上形成独特优势。
AI 在带来巨大生产力提升的同时，也带来了严重的就业冲击、社会不平等加剧和“赢家通吃”的垄断风险，可能催生一个被技术边缘化的“无用阶层”。
技术未来并非注定，人类的选择至关重要。需要超越单纯的技术方案，从价值观、经济模式和社会契约层面进行创新，构建一个以人类关怀和连接为核心的 AI 时代。
AI 的转折点：从游戏到现实
李开复（Kai-Fu Lee）指出，人工智能领域一个标志性的心理转折点是 2016 年 AlphaGo 击败世界围棋冠军李世石。这远不止是一场游戏的胜利，它向世界发出了一个明确信号：AI 的能力发生了质的飞跃。背后的引擎是深度学习。
深度学习与传统编程逻辑截然不同。它不再依赖程序员为每个具体任务编写无数“如果-那么”规则，而是通过向系统输入海量数据（如数百万张猫狗图片），让机器自行从中发现模式和规律，最终学会识别和决策。这种“数据驱动”的学习方式，使得 AI 在图像识别、语音理解乃至信贷审批等特定任务上，已经达到甚至超越了人类的水平。这意味着 AI 从“永远差一步”的科幻承诺，变成了已经到来并正在渗透各行各业的现实力量，既带来了前所未有的效率提升潜力，也埋下了颠覆现有就业结构的种子。
两大范式转移：定义新时代的竞争规则
李开复（Kai-Fu Lee）认为，当前 AI 发展正经历两个根本性的范式转移，这重新定义了全球竞争的规则。
第一个是从“发现时代”迈向“实施时代”。发现时代的英雄是一小群主要集中在北美的基础研究者，他们奠定了深度学习的理论基石。然而，在取得这些重大突破后，同等量级的理论飞跃并未频繁出现。李开复（Kai-Fu Lee）认为，当前的重心已转向如何将现有强大的 AI 模型，与海量的现实世界数据结合，解决具体的应用问题。核心的智力攻坚阶段暂告段落，工程化和数据化的阶段已然开启。
第二个是从“专家时代”迈向“数据时代”。在实施阶段，数据取代了算法精英，成为最关键的制胜要素。李开复（Kai-Fu Lee）强调，一旦拥有了基本的计算能力和工程人才，数据的规模与质量往往比算法的精妙程度更具决定性。一个由稍逊一筹的工程师构建、但依托庞大优质数据集训练的模型，其表现很可能优于一个顶尖算法配以有限数据训练出的模型。这种转变，为那些能够生成和获取海量、多样、高质量数据的实体（无论是公司还是国家）创造了结构性优势。
中国的“角斗士”优势：竞争、数据与超级应用
李开复（Kai-Fu Lee）深入分析了为何上述范式转移可能让中国在 AI 应用层面获得独特甚至决定性的优势。这源于几个相互强化的因素。
首先是“角斗士”式的竞争环境。中国的互联网战场被形容为“角斗士竞技场”，竞争之激烈远超硅谷。在这里，生存依赖于极致的速度、不断的微创新和 ruthless 的执行力。模仿成功模式（常被西方视为“克隆”）被视为一种实用的起步策略，而非原罪。真正的考验在于随后残酷的市场厮杀中，能否通过本地化创新和高效执行生存并胜出。美团创始人王兴（Wang Xing）就是典型：从模仿 Groupon、Twitter 起步，但通过极端适应中国市场和 relentless 的竞争，最终成为领域的统治者。
这种白热化竞争在一个移动优先、线上线下高度融合的“平行数字宇宙”中展开。中国用户通过智能手机（数字钱包）处理一切，从社交、支付到叫车、购物。这产生了与线下实体生活紧密相连的、极其丰富的数据流——不仅是点击和点赞，更是关于行踪、消费习惯、生活节奏的全面画像。李开复（Kai-Fu Lee）认为，这种数据对于训练旨在与现实世界交互的 AI 而言，价值远高于西方主要基于线上行为的数据。
以微信和支付宝驱动的移动支付革命是这一生态的基石。中国跳过了信用卡时代，直接进入移动支付，并通过“微信红包”等极具文化巧思的功能迅速普及。无缝的支付体验催生了外卖、共享单车、网约车等 O2O（线上到线下）服务的爆炸式增长，进一步生成了天量的实时线下行为数据。
此外，中国政府扮演了积极的推动者角色，将 AI 视为经济增长和全球影响力的战略核心。通过设立创新园区、提供补贴、设立政府引导基金等方式，以“自上而下”的规划加速创新生态的构建，这与硅谷“自下而上”的有机生长模式形成鲜明对比，但在中国的发展阶段被证明是有效的催化剂。
AI 的四波浪潮与中美竞合
李开复（Kai-Fu Lee）用“四波浪潮”框架描绘 AI 的演进：1. 互联网 AI（基于线上行为数据，如推荐系统）；2. 商业 AI（优化企业流程）；3. 感知 AI（赋予机器视觉、听觉等，如人脸识别）；4. 自主 AI（机器能自主决策行动，如自动驾驶）。
他认为，中国在互联网 AI 上已具显著优势（如字节跳动的个性化推荐），在感知 AI 上也进展迅猛（如旷视科技的人脸识别），并利用强大的制造业基础推动相关硬件发展。在最具挑战性的自主 AI 领域，美国凭借顶尖基础研究仍暂居领先，但中国正通过巨额投资和基础设施建设快速追赶。
在全球化策略上，中美巨头也路径不同：美国公司常试图直接复制其全球模式进入新市场；而中国公司则更倾向于“武装本地 insurgents”，通过投资和技术赋能当地玩家，而非亲自运营。
暗面：就业、不平等与“无用阶层”的风险
李开复（Kai-Fu Lee）以大量篇幅严肃探讨 AI 可能带来的社会冲击，尤其是就业岗位的大规模替代和日益加剧的不平等。
他驳斥了“技术总能创造新工作”的盲目乐观（即“勒德谬误”），指出 AI 作为一种通用目的技术，其软件属性使其能以极快速度扩散和迭代，可能远超经济结构调整和创造新岗位的速度。他提及美国的“大脱钩”现象——生产率增长与工资停滞并存——并警告 AI 可能加剧这一趋势。
数据反馈循环将导致“赢家通吃”的垄断：拥有更多数据的公司能训练出更好的 AI，吸引更多用户，从而产生更多数据，形成难以逾越的壁垒。这可能催生一个由少数科技巨头主导的“企业寡头”阶层，与大量因技能过时而失业或半失业的“无用阶层”并存的未来，正如科幻小说《北京折叠》所描绘的图景。失业不仅是经济问题，更会侵蚀人的尊严、目标感和心理健康。
抗癌启示与以人为本的未来蓝图
李开复（Kai-Fu Lee）分享了他罹患淋巴癌（最初被误诊为四期）的个人经历，这成为他思想转变的关键。这场生死考验让他从过去那种近乎机器般的、追求最大影响力和成就的“优化”人生中惊醒，意识到自己忽视了家庭、爱与人性连接这些真正重要的东西。
这一深刻体悟直接塑造了他对应对 AI 挑战的思考。他认为，不能仅靠技术修补或被动接受，必须主动构建一个以人为中心的 AI 时代。他提出了多维度的解决方案：
创造“人性面纱”工作：让 AI 处理优化和常规任务，人类专注于需要同理心、关怀和社交连接的工作，例如与 AI 诊断工具配合的富有同情心的护理人员。
推动企业社会责任与影响力投资：鼓励企业超越利润最大化，积极创造社会价值。
构想新的社会契约：政府需发挥核心作用。他提出了比无条件基本收入（UBI）更进一步的“社会贡献津贴”设想——奖励那些对社会有益但传统上无酬的劳动，如照顾老幼、社区服务、终身学习等，从而重新定义“价值”。
倡导全球学习与协作：没有单一文化拥有全部答案。应借鉴各国长处，如美国的社交情感教育、瑞士日本的工匠精神、荷兰加拿大的志愿服务传统、中国的孝道文化等，共同探索适应 AI 时代的社会模式。
结语：未来在于选择
李开复（Kai-Fu Lee）的论述最终指向一个充满希望但也紧迫的结论：AI 的未来并非预先注定。它将被我们今天的选择——作为个人、企业家、政策制定者——所塑造。技术本身是工具，其善恶取决于使用它的人性和制度。在全力发展强大 AI 的同时，我们必须时刻警惕，不能丢失人类最核心的宝贵特质：爱、同理心与相互连接。这本书不仅是对 AI 超级大国崛起的分析，更是一份呼吁行动、引导我们思考“究竟要利用 AI 创造一个怎样的世界”的深刻倡议。
Google 首席科学家 Jeff Dean（杰夫·迪恩）谈 AI 未来：智能体、硬件演进与科学革命撰文：Techub News 整理
导语
2025 年 5 月，在红杉资本（Sequoia Capital）组织的一场内部对话中，Google 首席科学家、AI 领域的传奇人物 Jeff Dean（杰夫·迪恩）与红杉合伙人、前 Google 工程高管 Bill Coughran 进行了一场深入对谈。作为主导 Google Brain 创立、Transformer 架构早期推动者以及 TPU（张量处理单元）项目发起人的关键人物，Jeff Dean 的视野横跨了 AI 研究、基础设施与产品化。本次对话发生在 AI 技术狂飙突进、行业竞争白热化的当下，他的思考不仅揭示了 Google 的战略方向，也为整个行业的技术演进提供了高屋建瓴的视角。
摘要
AI 智能体（Agents）的实现路径清晰，将从虚拟环境逐步扩展到物理机器人，其能力将通过强化学习和经验积累快速增长。
顶尖大模型的竞争将仅限于少数玩家，但通过模型蒸馏等技术，轻量化、专业化的小模型将百花齐放。
专用 AI 硬件（如 TPU）对于实现高效能、低功耗的计算至关重要，未来推理硬件有望实现数万倍的能效提升。
AI 正在彻底改变科学研究范式，例如用神经网络替代传统模拟器，使发现速度提升数十万倍。
Jeff Dean 预测，具备初级工程师水平的 AI 代理可能在“一年左右”的时间内出现，这需要其在代码生成之外，掌握测试、调试、使用工具等综合能力。
从 Transformer 到 Gemini：AI 的规模化之路
Jeff Dean（杰夫·迪恩）开篇便回顾了 AI 浪潮的长期积累。他指出，虽然 AI 近三四年才进入大众视野，但其基础早在 2012-2013 年就已奠定。当时，人们开始利用“大型”神经网络解决视觉、语音和语言问题，这种统一的方法论取代了传统的手工定制方案，证明了机器学习的巨大潜力。
Dean 特别提到了 Google 在 2012 年的一项关键工作：他们训练了一个比当时任何模型都大 60 倍的神经网络，使用了 16,000 个 CPU 核心，并取得了卓越的结果。这次实验“巩固了我们心中的信念：规模化这些方法是可行的。” 自此，“更大的模型、更多的数据、更好的结果”成为过去十多年来 AI 发展的核心驱动力。
如今，模型能力已今非昔比。Dean 认为，当前的模型虽然无法解决所有问题，但每年都能解决更多的问题。这得益于算法改进（如以相同算力训练更大模型）、硬件扩展（更多计算单元、更高互联带宽）以及后训练技术（如强化学习）的综合进步。多模态能力——能处理并生成音频、视频、图像、文本和代码——也正变得极为实用。
智能体：从“有点虚”到现实路径
当被问及目前行业热捧的“智能体”（Agents）时，Dean 坦言部分概念确有“泡沫”之嫌，但他看到了清晰的实现路径。他认为，通过合适的训练过程，智能体最终能够在虚拟计算机环境中完成许多人类今日可做的事情。目前它们能做一部分，但还不是大部分。能力提升的路径是明确的：更多的强化学习、更多的智能体经验学习，以及虽不完美但已极具实用性的早期产品。
Dean 将这一逻辑延伸到物理世界。物理机器人智能体的发展将遵循类似的轨迹：先从能在混乱环境中完成少数任务（比如整理房间）的昂贵机器人开始；通过经验学习，降低成本，进而发展出能做上千种任务、成本仅十分之一的下一代产品。这种成本与能力的正向循环将推动智能体技术快速成熟。
模型格局：少数巨头与百花齐放
对于大语言模型的竞争格局，Dean 的看法直接而深刻：打造最顶尖的模型需要巨额投资，因此最终玩家不会超过 50 个，可能只有少数几个。这指的是处于绝对前沿的“基础模型”。
然而，这不意味着市场会固化。一旦有了这些强大的基础模型，利用诸如模型蒸馏（Dean 本人是该技术的早期共同作者之一）等技术，可以创造出大量轻量级的模型，适用于更多场景。他举例说，这项技术可能帮助了像 DeepSeek 这样的模型。因此，未来将会出现众多不同形态、专注于不同领域的模型，但少数几个能力强大的通用模型仍将占据重要地位。
硬件之争：超越英伟达，拥抱专用化
谈及硬件，Dean 的立场非常明确。作为 Google TPU 项目的奠基人，他坚信专用于机器学习的硬件，特别是专注于“降低精度线性代数”的加速器，是未来的关键。这些硬件需要代际性能提升，并通过超高速网络大规模互联，以便将模型计算扩展到尽可能多的计算设备上。
他回顾了 TPU 的诞生：2013 年，他们预见到推理将需要巨大算力，因此启动了第一代 TPU；第二代（TPUv2）则同时聚焦推理和训练。对于当前云 TPU 开发者体验的批评，Dean 承认有改进空间，并重点介绍了 Google 内部的解决方案Pathways。该系统提供了强大的抽象层，让研究人员只需一个 Python 进程就能驱动成千上万个芯片进行训练，极大简化了大规模模型训练的复杂度。他宣布，Pathways 现已向 Google Cloud 客户开放。
展望未来，Dean 认为推理硬件的能效有巨大提升空间。“我们如何制造出比如今能效高 1万、2万、5万倍的推理硬件？这似乎是完全可能的。” 他提到模拟计算作为一种可能路径，其优势在于极高的能效，但数字专用硬件也大有可为。他本人目前也在此领域投入时间研究。
AI 驱动的科学革命与未来计算
Dean 以今年诺贝尔物理学奖和化学奖（其同事 Demis Hassabis 和 John Jumper 因 AlphaFold 获奖）为例，指出 AI 正在深刻影响众多科学领域。核心在于，AI 能从数据中学习，而许多科学发现正是关于建立事物间的联系。
他描述了一个变革性场景：许多学科拥有极其昂贵的计算模拟器（如天气预测、流体动力学、量子化学）。可以利用这些模拟器作为训练数据，训练一个神经网络来近似模拟器，其速度可能比原模拟器快 30 万倍。这将彻底改变科研方式——科学家可以在午餐时间筛选一千万个分子，而以前这需要耗费一年且无法承担的计算资源。这种“速度革命”将极大地加速科学发现。
对于计算基础设施的未来，Dean 描绘了一幅异构、专用化的图景。计算需求在过去五到十年发生了根本性转变：我们需要以极高性能、极低功耗运行超大型神经网络。训练和推理是两种不同的负载，可能需要不同的解决方案。未来，从手机、机器人、自动驾驶汽车到数据中心，都将出现为高效运行强大模型而专门优化的硬件平台。此外，“计算量”成为一个新的、强大的调节旋钮——对某些问题投入一万倍的计算，可以获得质的飞跃，但显然不能对所有问题都如此挥霍。这需要硬件、系统软件、模型和算法（如蒸馏）的协同创新。
展望：虚拟工程师与有机学习系统
在问答环节，一个尖锐的问题被抛出：我们距离拥有一个能 7x24 小时工作、水平相当于初级工程师的 AI 还有多远？Dean 的回答令人惊讶：“不太远……我断言这可能在未来一年左右实现。” 他强调，这需要的不仅仅是更好的代码生成，还包括工具使用、自主规划、运行测试、调试性能问题等一系列综合能力。虚拟工程师可以通过阅读文档、在虚拟环境中试错来积累“经验”，这为能力的快速提升提供了路径。
最后，Dean 分享了他对模型架构未来的憧憬。他一直是稀疏化、混合专家（MoE）模型的倡导者，认为这更接近生物大脑高效利用能量的方式（不同区域针对不同任务激活）。当前 MoE 的实现还太规整，未来模型应有计算代价相差千倍的不同路径，并能够动态扩展、压缩和重组参数，形成一个更有机、持续学习的系统。虽然当前范式非常有效，难以立刻转向，但他相信这种方向蕴藏着巨大的潜力。
Demis Hassabis（德米斯·哈萨比斯）谈未来 5-10 年的 AGI 及其通向“根本性富足”之路撰文：Techub News 整理
导语
在人工智能浪潮席卷全球的当下，作为该领域最前沿的探索者之一，Google DeepMind 的联合创始人兼首席执行官 Demis Hassabis（德米斯·哈萨比斯）的每一次发声都备受关注。2025 年 6 月，他接受了 WIRED “The Big Interview” 栏目的深度对话。在这场约20分钟的访谈中，哈萨比斯不仅对通用人工智能（AGI）的到来时间给出了明确的概率预测，更围绕 AGI 的定义、当前 AI 系统的局限、地缘政治竞争、AI 安全、未来工作形态以及 AGI 可能带来的“根本性富足”社会等核心议题，展开了兼具技术理性与宏大愿景的阐述。作为将“解决智能，然后用智能解决一切问题”奉为使命的科学家和企业家，他的观点为我们理解 AI 发展的当前坐标与未来轨迹提供了关键视角。
摘要
预测 AGI 有 50% 的可能在未来 5-10 年内实现，但强调当前系统在推理、规划、记忆和真正创造力方面仍有明显缺陷。
指出 AI 发展面临两大核心风险：恶意行为者滥用通用 AI 技术，以及技术本身随着能力增强带来的安全隐患。
认为短期内 AI 将对工作产生“赋能”效应，提升个体生产力，长期则可能重塑就业结构，但护理等需要人类共情的工作难以被取代。
展望若 AGI 发展顺利，人类将进入一个拥有近乎无限清洁能源、解决疾病与资源短缺的“根本性富足”时代，但这需要社会心态从零和博弈转向非零和博弈。
呼吁国际协作与灵活监管，并认为在未知风险面前，科学方法和持续的投入是克服技术挑战的关键。
AGI：五年之约与缺失的能力拼图
访谈始于对 AGI 时间表的探讨。Demis Hassabis（德米斯·哈萨比斯）重申了 DeepMind 自创立之初便秉持的愿景：解决智能，然后用智能解决其他一切问题。回顾这趟约20年的征程，他表示公司“基本完全按计划进行”。当被问及这是否意味着距离人们通常所说的 AGI 仅有五年时，哈萨比斯给出了一个更精确的概率估算：“我认为在接下来的五到十年内，我们有50%的机会拥有我们所定义的 AGI。”
这个预测相较于某些更为激进的同行（如声称两三年内实现）显得相对审慎。哈萨比斯解释，业界目前对 AGI 的定义本身存在争论，时间预测也因此各异。他援引联合创始人兼首席科学家 Shane Legg 早期对 AGI 的定义，强调其核心在于系统能够展现出人类所拥有的全部认知能力。以人类心智为参照，是因为它是我们已知的唯一通用智能存在的证明。
那么，我们离这个目标还有多远？哈萨比斯明确指出当前 AI 系统存在明显的“能力拼图缺失”。无论是大型语言模型还是聊天机器人，在推理、规划、记忆和真正的发明创造力方面尚有不足。“我不认为今天的系统能够进行真正的发明、真正的创造，或是提出新的科学假设。”他举例说明，尽管已有系统（如他们的 AlphaFold）能在国际数学奥林匹克竞赛中达到金牌水准，但同样的系统有时却会在高中数学甚至数单词字母数量上出错。这种在不同领域表现极不一致的现象，恰恰说明现有系统尚未实现完全的泛化能力。
关于 AGI 降临的形式，哈萨比斯认为它更可能是一个渐进的转变，而非突变的阶跃函数。即使技术上实现了 AGI，其对社会和物理世界（如工厂、机器人）的全面影响仍需更长时间，可能长达十年以上才能充分显现。
地缘竞速、安全风险与监管困境
当话题转向激烈的全球 AI 竞赛时，主持人提到了 Eric Schmidt（埃里克·施密特）的“二进制”论调，即若某个国家（如中国）率先获得 AGI，将导致无法追赶的永久性领先优势。哈萨比斯对此表示，这是一个未知数，属于所谓的“硬起飞”情景：如果 AGI 系统能够快速自我改进、自我编码，那么微小的领先优势可能迅速变为天堑。但他也指出，还存在其他可能性，即自我改进的速度并未那么快，那么时间上的接近就不会造成巨大差异。
然而，他着重强调了其中的地缘政治意涵：“正在构建的系统，会带有设计者价值观及其所处文化规范的印记。”因此，谁领先、在何处开展这些项目，不仅关乎商业和国家竞争，也紧密关联着安全考量。他坦言当前领域处于“非常激烈的时期”，资源大量涌入，压力巨大。
哈萨比斯剖白了自己最为担忧的两大风险：一是恶意行为者（无论是个人还是流氓国家）将通用 AI 技术用于有害目的；二是 AI 技术本身的风险——随着其能力越来越强、自主性越来越高，能否确保防护措施足够安全且无法被绕过。这引出了对监管的讨论。当被问及是否仍像几年前一些公司那样呼吁监管时，哈萨比斯给出了肯定的回答，但同时强调了复杂性和国际性。他认为，考虑到地缘政治叠加效应和当今世界的复杂性，“明智的、灵活的监管”至关重要，且这种监管需要能随着研究认知的深入而动态调整。
他进一步指出，真正的挑战在于国际合作。“如果你在一个地区限制它，这对于这些系统为世界和社会构建的整体安全性并无真正助益。”鉴于 AI 是数字系统且将影响所有人，国际间的协作与共识（至少在某些基本原则层面）是更大的难题，但也是必需的。
当被问及是否会因为竞争压力而不得不放弃安全护栏时，哈萨比斯表示，西方主要实验室的负责人和顶尖研究人员之间经常沟通。问题在于，目前缺乏清晰的定义来确定“那个临界点”何时到来。他认为今天的系统尽管令人印象深刻，但也存在诸多缺陷，尚不构成任何生存性风险。风险目前仍是理论上的，但问题在于“未知数太多”——我们不知道风险来临的速度和程度。对此，他持技术乐观态度：“当存在如此多未知数时，我乐观地认为我们能克服它们。”他相信只要有足够的时间、关怀和深思熟虑，运用科学方法，技术挑战是可以解决的，反倒是地缘政治问题可能更为棘手。
但他也清醒地意识到：“我们时间不多了。”因此，DeepMind 正在向安全和可控性研究（如机械可解释性）投入更多资源，同时也认为需要展开更多的社会讨论，探讨机构建设、治理模式以及如何达成国际协议。
赋能、转型与“根本性富足”的未来
谈及 AI 对工作和市场的影响，哈萨比斯引用了经济学家的观察，认为目前尚未看到根本性变化，更多是补充和赋能，例如 AlphaFold 极大地加速了科学家的工作。展望未来五到十年，他预计工作岗位将发生巨变，但历史经验表明，新技术往往会催生新的、通常更好的工作岗位，正如互联网和移动技术带来的变革。他预计未来几年将是“黄金时代”，强大的工具将极大提升个人生产力，甚至在创造力方面让人变得“有点超乎寻常”。
对于 AGI 可能替代所有人类工作的担忧，哈萨比斯认为，即使 AGI 具备所有人类能力，仍有许多事情我们不会想让机器去做。他举了医生和护士的例子：诊断工作或许可以由 AI 辅助甚至替代，但护理工作所需的人类共情和关怀则难以被机器人取代。他建议当下的学生和毕业生积极拥抱这些新系统，深入学习 STEM 和编程以理解其原理，并精通微调、系统提示等技能，从而成为能最大化利用这些工具的“超级生产者”。
展望更远的未来（20-30年后），如果一切顺利，哈萨比斯描绘了一个激动人心的图景：“我们应该处在一个我称之为‘根本性富足’的时代。” AGI 将帮助解决一些社会面临的“根节点”问题，例如治愈疾病、显著延长健康寿命、发现新能源（如优化电池、室温超导体、核聚变）。
他针对主持人关于当前社会分配不公、协作困难的质疑，给出了一个具体例子：水资源获取。海水淡化技术已存在，但因其高能耗而仅限于富裕国家。如果 AGI 推动实现近乎零成本的清洁能源（如核聚变），那么水资源获取问题将迎刃而解，因水资源控制引发的冲突也将大幅减少。类似地，近乎无限的能源也能简化火箭燃料的制造（从海水中分离氢和氧）。
哈萨比斯认为，AGI 将从技术上提供实现“根本性富足”的能力，但他希望这能进一步推动社会心态从零和博弈转向非零和博弈。他承认，如何公平分配“根本性富足”的成果仍是一个挑战，需要哲学家和社会科学家的参与。他甚至预测，在 AGI 之后的时代，经济学本身、价值与货币的概念都可能发生改变，呼吁经济学家更深入地研究相关的新经济理论。
最后，针对社会上对 AI 的担忧和抵触情绪（类似工业革命时期的反弹），哈萨比斯表示理解，并认为这场变革至少与工业革命同等规模，甚至更大。但他用自己的热情作为回应：他构建 AI 的核心驱动力是推动科学和医学进步，解决疾病、气候、能源等重大社会挑战。他举出 AlphaFold（诺贝尔奖级别的突破）及其在药物发现上的应用潜力为例，强调如果人类有能力却不去追求这些解决方案，反而是不道德的。在他看来，面对众多社会挑战，如果没有像 AI 这样革命性的技术即将到来提供助力，他才会对未来感到更加担忧。
斯坦福 CS231n 主讲 Fei-Fei Li（李飞飞）：视觉是智能的基石，AI 需要跨学科协作撰文：Techub News 整理
导语
2025 年春季，斯坦福大学经典的 CS231n《计算机视觉深度学习》课程再度开讲。课程联合负责人、斯坦福大学计算机科学系教授、AI 领域著名学者 Fei-Fei Li（李飞飞）担纲首场讲座。在这场面向全球学子的公开课中，李飞飞并未急于切入技术细节，而是从 5.4 亿年前的寒武纪生命大爆发讲起，将视觉置于智能进化的宏大叙事中，为这门技术课程奠定了深厚的人文与科学哲学基础。此次讲座不仅是新学期的导论，更是一次对计算机视觉本质、历史脉络及未来责任的深刻梳理，对于理解当前 AI 浪潮的根源与方向具有重要价值。
摘要
视觉是智能的基石：从寒武纪首个感光细胞的出现，到人类超半数皮层细胞参与视觉处理，视觉作为首要感官驱动了神经系统与智能的进化。
数据是深度学习的“一等公民”：2012 年 AlexNet 在 ImageNet 挑战赛上的突破性胜利，标志着数据（如 ImageNet）与算法（如反向传播）、算力共同成为推动现代 AI 复兴的三大支柱。
计算机视觉远未“解决”：尽管在物体识别、图像生成等领域取得巨大进展，但人类视觉中蕴含的细微差别、复杂性与情感理解，仍是 AI 面临的长期挑战。
AI 的责任与跨学科协作至关重要：技术的双刃剑效应要求研究者关注数据偏见、伦理影响，并需要与医学、法律、心理学等领域的专家共同推动负责任的 AI 发展。
课程将全面覆盖从线性分类器到生成式模型的核心知识：本季度 CS231n 将系统讲授深度学习基础、视觉感知与理解、生成与交互式视觉智能，以及以人为本的 AI 应用。
视觉：驱动智能进化的 5.4 亿年旅程
Fei-Fei Li（李飞飞）开篇即将听众的视野拉远至 5.4 亿年前。她指出，视觉的历史并非始于人类文明，而是源于地球生命的“寒武纪大爆发”。在这段地质学上相对短暂的时期内，动物物种为何呈现爆炸式增长？一个极具说服力的理论是：视觉出现了。最初的三叶虫进化出了感光细胞，尽管只是一个简单的“针孔”，却能收集光线。这一进化转折点至关重要——从被动的新陈代谢，到主动感知环境并与之互动，生存竞争由此加剧，智能演化的引擎被点燃。
“一旦你收集了光，生命就完全不同了，”李飞飞解释道。视觉，连同触觉，成为动物最古老的传感器。此后的 5.4 亿年，视觉的进化史实质上就是智能的进化史。作为动物的首要感官，视觉推动了神经系统的发展。人类更是极致的“视觉动物”：超过一半的皮层细胞参与视觉处理，形成了极其复杂、精妙的视觉系统。李飞飞希望以此激发学生对视觉研究的根本兴趣：我们不仅要“看”，更要理解“看”背后的智能如何产生。
从神经科学到算法：计算机视觉的奠基
快速穿越至人类文明，人类不仅满足于自身能“看”，还渴望建造“会看”的机器。从达芬奇研究暗箱，到现代相机的普及，李飞飞指出，相机（如同眼睛）只是工具，真正的核心在于理解“视觉智能”如何发生。
她梳理了计算机视觉与深度学习交汇的关键历史脉络：
1959 年：神经科学的启示。David Hubel 和 Torsten Wiesel 对猫初级视觉皮层的研究揭示了两个关键原则：1）神经元有特定的“感受野”，负责处理一小块视觉空间中的特定简单模式（如特定朝向的边缘）；2）视觉通路是层级化的。简单神经元的输出汇聚到更复杂的神经元，从而逐步构建对物体的理解。这项为其赢得诺贝尔奖的工作，为后来人工神经网络的架构提供了最直接的生物学灵感。
1960 年代：计算机视觉的诞生。Larry Roberts 关于形状理解的博士论文被广泛认为是该领域的第一篇博士论文。随后 MIT 那个“用一个夏天解决视觉问题”的天真项目，则标志着一个充满雄心的新学科正式起步。
1970 年代：David Marr 的理论框架。在其影响深远的著作中，Marr 提出了视觉处理的三个阶段：初级草图（边缘等）、2.5维草图（深度信息）和最终的三维模型表示。他清晰地指出，从二维图像反推三维世界是视觉的根本性难题，也是一个数学上的“不适定问题”。
李飞飞特别比较了视觉与语言的根本区别：语言并非自然存在，它是人类大脑生成的、一维的、序列化的产物；而视觉则是对一个遵守物理规律的真实三维世界的感知。这一哲学层面的差异，深刻影响了各自领域（如计算机视觉与大语言模型）的算法发展路径。
数据的力量：ImageNet 如何点燃深度学习革命
在计算机视觉独立发展的同时，另一条主线——神经网络与深度学习也在默默演进。李飞飞回顾了感知机、福岛邦彦的“认知机”、反向传播算法的发明（Rumelhart, Hinton）、以及 Yann LeCun（杨立昆）在贝尔实验室成功应用的卷积神经网络（用于识别邮政编码）。然而，在 21 世纪初，尽管算法不断改进，识别真实世界中的猫、狗、椅子等物体这一核心问题仍然进展缓慢。
“一个巨大的问题在于缺乏数据，”李飞飞强调，“缺乏数据不仅仅是一种不便，更是一个数学问题。” 当时的研究大多聚焦于模型架构，而未能充分认识到数据是机器学习和深度学习的“一等公民”。高容量的模型需要海量数据来学习泛化，避免过拟合。
正是基于这一洞见，李飞飞和她的团队在 2000 年代初启动了 ImageNet 项目。他们清理了约 10 亿张网络图片，最终构建了一个包含 1500 万张图像、涵盖 2.2 万个类别的庞大数据集。其类别数量参考了心理学研究中人类在幼年时期学习识别的物体类别大致规模。随后，他们基于 ImageNet 的子集发起了“大规模视觉识别挑战赛”。
比赛初期（2010、2011年），最佳算法的错误率接近 30%，而人类水平则低于 3%。转折点在2012 年到来。Geoffrey Hinton（杰弗里·辛顿）和他的学生 Alex Krizhevsky 等人使用深度卷积神经网络（AlexNet）参赛，将错误率几乎降低了一半，取得了压倒性胜利。
李飞飞分析，AlexNet 与 32 年前的“认知机”在架构上并非天差地别，但两大关键进展使其成功：一是反向传播提供了自动、数学严谨的参数学习规则；二是海量数据（ImageNet）驱动了高容量模型的训练。2012 年 ImageNet 挑战赛的胜利，被广泛认为是现代 AI 复兴或深度学习革命的历史性时刻。自此，算法、数据与计算力的“三重奏”正式引爆了 AI 时代。
爆炸式发展下的机遇、挑战与责任
李飞飞展示了自 2012 年后计算机视觉领域的爆发式增长：学术会议规模、论文数量、创业公司、企业应用均呈指数级上升。“我们已完全走出 AI 寒冬，进入了一个‘AI 全球变暖’时期，”她调侃道。
技术进步是惊人的：从物体识别、检测、分割，到图像描述、关系理解、风格迁移（本课程客座讲师 Justin Johnson 将讲述其开创性工作），再到如今生成式 AI 创造的逼真图像。硬件（如 NVIDIA GPU）的算力增长曲线也因深度学习的需求而变得陡峭。
然而，在展示辉煌成就的同时，李飞飞以相当大的篇幅强调了领域的未竟之路与重大责任：
技术挑战：人类视觉的微妙、复杂和情感维度，计算机视觉仍远未企及。
数据偏见与社会伦理：AI 系统由数据驱动，而数据承载着人类的历史与社会偏见。人脸识别算法中已观察到与人类相似的偏见。AI 在医疗影像等领域的应用造福社会，但若用于决定就业、贷款等关键事务，则带来严峻的伦理挑战。
跨学科协作的必要性：李飞飞特别高兴看到来自医学院、法学院、商学院的学生选修此课，因为“并非所有 AI 问题都是工程问题”。解决技术的社会影响需要与人文社科领域的深度合作。她也介绍了自己与 Ehsan Adeli、Zane 等同事在利用计算机视觉关爱老年群体等方向的应用研究。
最后，她将讲台交给共同授课的 Ehsan Adeli 教授，由他概述本季度 CS231n 课程的具体安排。课程将分为四大板块：深度学习基础、视觉世界的感知与理解、生成与交互式视觉智能、以及以人为本的 AI 应用与启示。学生们将从最基础的图像分类和线性分类器起步，逐步深入到卷积神经网络、循环神经网络、Transformer、大模型分布式训练、自监督学习、扩散模型、视觉-语言模型、3D 视觉乃至具身智能等前沿主题。通过课程学习，学生将能形式化计算机视觉任务、开发并训练视觉模型，并深刻理解该领域的现状与未来走向。美股开盘，三指齐跌Techub News 消息，道指跌 0.51%，标普 500 指数跌 0.38%，纳指小幅下跌 0.29%。加密概念股涨跌互现，Hut 8（HUT）大涨逾 6%，Riot Platforms（RIOT）涨逾 3%，Cipher Mining（CIFR）涨逾 2%，CleanSpark（CLSK）涨 0.87%，Bit Brother（BTBT）涨 0.61%；Bitmine（BMNR）大跌逾 5%，Coinbase（COIN）跌逾 4%，MARA Holdings（MARA）跌 2.5%，Strategy（MSTR）跌逾 1%，Circle（CRCL）跌逾 1%。Tenor OTC 在 Base 网络新增 AERO 作为固定利率借贷抵押品Techub News 消息，去中心化场外交易平台 Tenor OTC 在 Base 网络上新增 AERO 代币作为固定利率借贷的抵押品。此举旨在为代币持有者提供更多流动性选择和财务灵活性，以促进生态系统增长。（Crypto Briefing）英伟达 CEO 黄仁勋称人类水平 AI 已实现，但业界定义仍存分歧Techub News 消息，英伟达 CEO 黄仁勋近日表示，人类水平的人工智能（AGI）已经到来，并特别提及 OpenAI 的 GPT-6 Astra 模型已达到通用人工智能水平。然而，他此前在 G20 会议上的表态则更为模糊，称 AGI 可能在几年内实现，甚至“实际上今天就已经达到了”，并认为该术语的定义可能意味着很多，也可能毫无意义。
业界对 AGI 的定义和达成标准存在显著分歧。OpenAI 与微软的合作协议曾将 AGI 与创造约 1000 亿美元利润的能力挂钩，但 2026 年 4 月修订的协议已取消这一技术里程碑触发条款，无论技术进步如何，OpenAI 的付款将持续至 2030 年。红杉资本合伙人年初发文称“2026 年就是 AGI”，而 Anthropic 首席执行官 Dario Amodei 则认为当前系统远未达到“天才国度”的水平。
认知科学家 Gary Marcus 对此持怀疑态度，认为在真正实现之前的任何声明都为时过早。投资者则更关注这些系统能可靠地接管多少人类工作。 （BeInCrypto）MidChains CEO：美国 CLARITY Act 或通过并影响全球加密货币行业Techub News 消息，MidChains CEO Basil Al Askari 称，美国《CLARITY Act》法案的潜在通过可能对全球加密货币行业产生连锁反应，影响人们的投资策略。
该法案旨在为加密货币建立更明确的监管框架。Askari 表示，此类监管进展通常会对全球投资者的资产配置决策产生深远影响。（Cointelegraph）Injective 代币 INJ 重回加密货币市值前 100 名Techub News 消息，Injective 代币 INJ 今日上涨 18.1%，重新进入加密货币市值排名前 100 位。此次上涨源于其链上质押量达到历史新高，约占代币总供应量的 59%。
（@coingecko）Solana 应用 Fomo 24 小时协议收入达 140 万美元，超越 Pump.funTechub News 消息，Solana 生态应用 Fomo 在最新统计周期内实现 24 小时协议收入 140 万美元，超越此前占据主导地位的 Pump.fun。这一数据表明 Solana 应用层竞争激烈，用户注意力与资金流动迅速。
尽管单日收入领先并不意味着 Fomo 已永久取代 Pump.fun 的市场地位，但此次超越反映出 Solana 生态内应用轮动与费用生成活动的活跃程度。Solana 凭借低廉的交易成本和快速结算能力，持续吸引零售用户尝试新的交易体验。
分析指出，若 Fomo 能持续数日或数周保持强劲的收入表现，其市场影响力将更为显著；若收入快速回落，则可能仅为短期关注度爆发。无论结果如何，此次数据变化凸显了 Solana 应用排行榜快速更迭的特性。（Bitcoinist）Aave V4 上线 Ethena 生态市场并激活 USDe 奖励Techub News 消息，Aave 在以太坊 V4 的 Ethena 市场中激活 USDe 奖励，用户可存入 USDe 与 sUSDe 等资产进行抵押借贷并获取协议激励。
该集成是 V4 上线时规模最大的生态部署，新增 Liquid Leverage 功能支持 USDe 与 sUSDe 组合存入以提升流动性。目前 USDe 供应量已突破 120 亿美元，Aave 曾在高峰时期承载其超半数流通量。（CryptoBriefing）OpenAI 首席科学家警告 AI 实验室可能需要放慢发展速度Techub News 消息，OpenAI 首席科学家 Jakub Pachocki 警告称，随着 OpenAI 发现监控先进 AI 模型推理过程变得愈发困难，AI 实验室可能需要放慢发展速度。他呼吁建立强制性的安全标准。
（Decrypt）Neoclouds 凭借英伟达服务器优势挑战传统云服务巨头Techub News 消息，新兴云服务商 Neoclouds 正凭借其在获取英伟达服务器方面的优势，挑战传统云服务巨头。这一趋势正在重塑 AI 基础设施格局，并突显了英伟达在市场上的战略影响力。
（Crypto Briefing）Tether 黄金支持合成美元 Alloy 储备突破 2.1 亿美元Techub News 消息，Tether 旗下黄金支持的合成美元产品 Alloy 储备已突破 2.1 亿美元。该产品使用 Tether Gold (XAUt) 作为超额抵押品，用户可铸造合成美元资产 aUSDT，旨在为黄金持有者提供类似美元的流动性。
Alloy 与 Tether 主流的法币支持稳定币 USDT 不同，其风险模型和用例均基于黄金价格、抵押率及智能合约设计。此次储备规模达到九位数，表明市场对黄金支持的抵押结构存在实际需求。
Tether 此举显示其在核心稳定币业务之外，正尝试提供更多样化的抵押和流动性产品，反映出稳定币领域正变得更加多元化。（NewsBTC）0 篇文章
0 篇文章
0 篇文章
