Google DeepMind CEO哈萨比斯在最近一次深度访谈中，揭示了AI发展的核心逻辑——模拟。这位诺奖得主认为，机器学习正在把世界变成可模拟的过程，AGI将不再是玄学概念，而是工程结果。这一观点为理解AI未来路径提供了全新视角。
智能速览
AI正在从会说话的系统转变为世界的模拟器
机器学习的本质是学习世界的生成函数
世界模型需要空间、能量和因果结构的支撑
AI将从工具跃迁为解决硬问题的发动机
实现AGI预计还需5到10年时间
能源消耗是AI发展面临的主要挑战之一
精华内容
哈萨比斯提出，机器学习的本质是在学习世界的生成函数，一旦掌握就能预测和生成，这就是模拟的来源。VEO虽然只是视频生成器，但它证明了视觉现象本身是可以学习和重现的动态过程。
模拟的起源
自然界中任何现象只要反复发生且能稳定生成，背后就一定存在某种规律。机器学习的任务就是用数据提炼这些规律。这本质上是在学习世界的生成函数，掌握后就能做两件事：预测下一刻会发生什么，以及在相同规律下重新生成一次。
VEO的意义不在于画质，而在于它证明了视觉现象是一个可学习、可浮现的动态过程。要让视频连贯，必须在统计意义上猜对光影变化、物体运动、事件连续性等诸多要素。即便AI没有真正理解，只要能稳定复现这些动态规律，它就已经扮演了视觉模拟器的角色。
世界模型构建
模拟一段视频和模拟长期运行的世界是两码事。要模拟更广义的自然过程，必须补齐三个关键要素：空间、碰撞、约束和能量等物理规律；什么导致什么、什么只是相关的因果结构；以及为了目标能在内部做规划和试错的能力。
这三者合起来就是世界模型，是从生成画面升级到生成可交互现实的跨越。因此，开放世界游戏不再是单纯的娱乐，而是世界模型的测试场。在这里，AI可以学习在复杂环境中进行决策和行动，为真实世界的应用奠定基础。
研究品位的工程化
实现世界模型不仅仅需要更大的算力和数据，哈萨比斯强调，规模扩展重要但不足够。因为从会生成到会推演不是线性的变强，可能需要一到两次结构性突破，类似AlphaGo不是更大，而是方法上的革新。
更现实的难题是研究品位——选择什么问题、走哪条路线、何时押注何时止损。要让AI成为真正的自然模拟器，不仅要会算，还要在搜索空间里学会接近研究者的判断。将这种品位工程化，可能是通往AGI的关键一步。
解决硬问题的发动机
一旦AGI这个自然模拟器成立，AI的价值将从工具跃迁到解决硬问题的发动机。哈萨比斯最兴奋的地方在于，AI将成为解决能源、气候、疾病等人类重大挑战的终极工具。
这些问题之所以困难，不是因为缺少公式，而是因为搜索空间太大、试错成本太高、迭代周期太长。模拟器的意义在于把试错搬到模拟环境中，把昂贵的现实实验变成廉价的计算实验。当这件事持续发生，社会将获得解决复杂问题的新能力。
哈萨比斯的模拟视角为AI发展提供了清晰的路线图。当AI从对话系统进化为世界模拟器，AGI将不再是遥不可及的梦想。这个过程虽然面临能源、安全等挑战，但AI有望在5到10年内实现重大突破，成为人类认知边界的拓展者。人类准备好与这个日益强大的模拟器共舞了吗？
关键评论
哈萨比斯的认知和思考力确实很超群，最关键的是还很热爱AI，并希望AI能够帮助人类拓寘认知边界
AI本质就是一个模仿能力上不封顶但判断能力约等于0的巨婴，你喂它啥它就学啥
这种AI真的，跟我们普通人一点关系就没有了
