Интервью Sequoia с Демисом Хассабисом: информация — это сущность Вселенной, ИИ откроет новую научную дисциплину

Оригинал подготовлен: Guā Gē ИИ-новости

Настоящий материал подготовлен по итогам интервью Демиса Хассабиса на канале Sequoia Capital, опубликованного 29 апреля 2026 года.

Краткое содержание интервью Демиса Хассабиса на конференции Redpoint AI Ascent 2026

• Истоки ИИ в играх: игры — идеальная испытательная площадка для искусственного интеллекта. Интеграция ИИ в качестве ключевого игрового механизма не только эффективно проверяет алгоритмические концепции, но и обеспечивает раннюю вычислительную поддержку для исследований.
• «Теория моментального времени» при создании стартапов: предпринимательство должно опережать эпоху на пять лет, а не на пятьдесят. Необходимо точно улавливать баланс между технологическими прорывами и реальными потребностями в их внедрении: чрезмерное опережение часто ведёт к провалу.
• Эволюционный путь к ИИ общего назначения (AGI): миссия DeepMind чётка и неизменна — во-первых, создать ИИ общего назначения (AGI); во-вторых, использовать AGI для решения всех сложнейших задач в науке, медицине и других областях.
• Ключевая ценность «ИИ для науки»: ИИ — идеальный язык описания биологических и других сложных природных систем. Благодаря моделированию на основе ИИ цикл разработки новых лекарств может сократиться с нескольких лет до нескольких недель, а персонализированная медицина станет реальностью.
• Возникновение новой научной дисциплины: исключительная сложность ИИ-систем породит новые инженерные науки, например «механизмную интерпретируемость». Кроме того, ИИ-моделирование позволит проводить контролируемые эксперименты над сложными социальными системами, такими как экономика, открывая тем самым совершенно новые научные направления.
• Информация как сущность Вселенной: материя, энергия и информация взаимопреобразуемы. Возможно, сама Вселенная представляет собой грандиозную информационно-обрабатывающую систему, что придаёт ИИ глубокий смысл в понимании фундаментальных законов её функционирования.
• Вычислительные границы машины Тьюринга: современные ИИ-системы, такие как нейронные сети, уже доказали, что классическая машина Тьюринга способна моделировать задачи, ранее считавшиеся решаемыми лишь квантовыми вычислениями (например, свёртка белков). Вероятно, человеческий мозг — это своего рода высокоуровневое приближение машины Тьюринга.
• Философские размышления о сознании: сознание, возможно, состоит из компонентов, таких как самосознание и непрерывность во времени. На пути к созданию AGI мы должны прежде всего рассматривать его как мощный инструмент и с его помощью исследовать фундаментальные философские вопросы, связанные с природой сознания.

Краткое описание

Демис Хассабис, соучредитель и генеральный директор Google DeepMind, лауреат Нобелевской премии по химии 2024 года за разработку AlphaFold, провёл широкомасштабный и глубокий диалог с партнёром Sequoia Capital Константином Бухлером на конференции AI Ascent 2026, обсудив путь к достижению ИИ общего назначения (AGI) и будущее после его появления.

В ходе беседы он объяснил, почему твёрдо верит в достижение AGI к 2030 году, почему длительный цикл разработки новых лекарств может сократиться с десяти лет до нескольких дней и почему «информацию», а не материю или энергию, следует считать наиболее фундаментальной и первичной сущностью Вселенной. Кроме того, он затронул вопрос о том, как Эйнштейн, будь он жив сегодня, оценил бы ограничения современных ИИ-моделей, и почему ближайший один-два года станут решающими для судьбы человечества.

Полный текст интервью

Ведущий: Демис, спасибо большое за ваше участие.

Демис Хассабис: Очень рад быть здесь. Спасибо всем за приход — прекрасно иметь возможность пообщаться с вами.

Ведущий: Мы очень honoured пригласить вас в нашу «шоколадную фабрику».

Демис Хассабис: Я только что узнал об этом. С нетерпением жду возможности попробовать шоколад.

Ведущий: Отлично! Демис, давайте сразу перейдём к сути. Сегодня мы пригласили настоящего OG («оригинального парня») отрасли — выдающегося мыслителя, основателя и дальновидного лидера, пионера во всех сферах ИИ. Демис — искренний верующий и истинный учёный.

Первоначальное стремление Демиса и сквозная тема

Сегодняшний диалог начнётся с ранней истории создания DeepMind, затем перейдёт к научно-техническим вопросам и завершится сессией вопросов от аудитории. Приступим без промедления.

Демис, вы были юным шахматным вундеркиндом, основателем игровой компании и нейронаучным исследователем. Вы — основатель DeepMind и сегодня руководите крупной, влиятельной организацией. Эти роли кажутся несвязанными, однако вы упоминали, что существует единая сквозная тема, объединяющая их все. Не могли бы вы рассказать нам о ней?

Демис Хассабис: Да, такая тема действительно существует, хотя, возможно, здесь присутствует элемент постфактум-обоснования (post hoc reasoning). Однако моё стремление заняться ИИ возникло давно. Я ещё в юности убедился, что это самое важное и интересное дело, которым я могу заниматься всю жизнь. Начиная с 15–16 лет, каждый выбранный мной предмет обучения и каждое действие были направлены на то, чтобы однажды создать компанию вроде DeepMind.

Игры: тренировочная площадка для искусственного интеллекта

Я намеренно «пошёл окольным путём» в игровую индустрию, поскольку именно там в 1990-х годах зарождались самые передовые технологии — не только в области ИИ, но и графического рендеринга и аппаратного обеспечения. Современные GPU изначально создавались для графических движков, а в конце 1990-х я уже работал с одними из первых GPU. Во всех играх, которые я разрабатывал — как для студии Bullfrog («Лягушачья студия»), так и для собственной компании Elixir Studios — ИИ был центральным игровым механизмом.

Моя самая известная работа — игра «Тематический парк» (Theme Park), созданная в возрасте примерно 17 лет. Это симулятор парка развлечений, где тысячи миниатюрных персонажей заполняют территорию, пользуются аттракционами и решают, что купить в магазинах. Под внешней оболочкой игры работает полноценная экономическая ИИ-модель. Как и «СимСити» (SimCity), она стала пионером в своём жанре. Увидев, что игра продалась более чем в 10 миллионов копий, и наблюдая, как игроки получают удовольствие от взаимодействия с ИИ, я ещё больше укрепился в решении посвятить всю свою жизнь развитию ИИ.

Позднее я перешёл в нейронауку, стремясь черпать вдохновение из механизмов работы мозга и выводить из них принципиально иные алгоритмические подходы. Когда настал идеальный момент для основания DeepMind, всё накопленное знание сошлось воедино — и создание компании стало естественным и логичным шагом. Естественно, мы также использовали игры как раннюю тренировочную площадку для проверки наших ИИ-идей.

Предпринимательский опыт в Elixir Studios

Ведущий: Сегодня в зале присутствует множество предпринимателей, и вам, безусловно, близка эта тема: вы основали не одну, а две компании. Давайте вернёмся к вашему первому стартапу — Elixir Studios. Что это была за история? Хотя эта компания не так широко известна, она принесла вам огромный успех. Как вы управляли ею? Чему этот опыт научил вас в части построения компании?

Демис Хассабис: Да, я основал Elixir Studios сразу после окончания университета. Мне повезло поработать ранее в Bullfrog Productions. Все, кто знаком с игровой индустрией, знают, что это была легендарная студия начала эпохи, возможно, лучшая в Великобритании и даже в Европе того времени.

Тогда я хотел сделать нечто, расширяющее границы ИИ. По сути, в те годы я использовал разработку игр как «окольный путь» для финансирования исследований в области ИИ, постоянного продвижения технологических границ и сочетания этого с высочайшим уровнем творчества. Думаю, эта философия по-прежнему актуальна для сегодняшних фундаментальных исследований (Blue-sky Research).

Самый важный урок, который я усвоил, — это необходимость опережать эпоху на пять лет, а не на пятьдесят. В Elixir Studios мы пытались разработать игру под названием «Республика» (Republic), которая должна была симулировать целую страну. Игрок мог свергать диктатора различными способами, а в игре мы реализовали правдоподобную симуляцию живых, «дышащих» городов.

Учитывайте: это было конец 1990-х годов, компьютеры работали на процессорах Pentium. Нам требовалось запускать графическую отрисовку и ИИ-логику для ста тысяч персонажей на домашних ПК того времени. Это было чрезмерно амбициозно — почти фантастически — и вызвало массу проблем.

Я твёрдо усвоил этот урок: нужно идти впереди эпохи, но если вы опережаете её на пятьдесят лет, скорее всего, потерпите поражение. Конечно, когда идея становится очевидной для всех, уже слишком поздно входить в рынок. Ключ — найти этот тонкий баланс.

Основание DeepMind в 2009 году

Ведущий: Отлично. Говоря о том, чтобы не слишком опережать эпоху, перенесёмся в 2009 год, когда вы твёрдо верили в неизбежность создания ИИ общего назначения (AGI). На этот раз, возможно, вы опередили эпоху лишь на десять лет — что всё же лучше, чем на пятьдесят. Расскажите присутствующим здесь предпринимателям о 2009 году. Как вам удалось убедить первых выдающихся специалистов присоединиться к вам? Ведь вы действительно собрали команду высочайшего уровня. В то время AGI звучало как научно-фантастический роман — как вы заставили их поверить в это?

Демис Хассабис: В тот период мы заметили несколько любопытных сигналов. Мы думали, что опережаем эпоху на пять лет, но, вероятно, на самом деле — на десять. Глубокое обучение (Deep Learning) только что было изобретено Джеффом Хинтоном и его коллегами в академической среде, но почти никто не осознавал его масштабного значения. У нас же был богатый опыт в области обучения с подкреплением (Reinforcement Learning), и мы полагали, что комбинирование этих двух технологий приведёт к прорыву. До этого они практически никогда не использовались вместе — если и применялись, то лишь в рамках академических «игрушечных задач» (toy problems). В сообществе ИИ эти два направления существовали как полностью изолированные друг от друга острова.

Кроме того, мы видели потенциал роста вычислительных мощностей (Compute): GPU должны были стать ключевым драйвером. Сейчас мы используем TPU, но тогда именно ускорение вычислений должно было стать мощнейшим импульсом. Также, завершая докторантуру и постдокторантуру, я собрал команду вычислительных нейронауков, и из механизмов работы мозга мы извлекли достаточно ценных идей и принципов. Один из ключевых выводов состоял в том, что обучение с подкреплением в конечном счёте может достичь AGI через масштабирование (Scale).

Мы почувствовали, что собрали все необходимые компоненты. Мы даже ощущали себя хранителями некоего сокровенного знания, поскольку ни в академической, ни в промышленной среде никто не верил в возможность серьёзных прорывов в ИИ. Фактически, когда мы заявили о намерении сосредоточиться на разработке AGI — или, как иногда называли его тогда, «сильного ИИ» (Strong AI), — многие учёные просто закатывали глаза. Для них это был явный тупик: ведь в 1990-х годах все уже пробовали и терпели неудачу.

Я проходил постдокторантуру в Массачусетском технологическом институте (MIT), где доминировали экспертные системы (Expert Systems) и системы на основе логики первого порядка (First-order Logic Language Systems). Оглядываясь назад, это кажется невероятным, но уже тогда мне казалось, что такой подход устарел. Тем не менее, как в Кембридже, так и в MIT — традиционных центрах исследований ИИ — по-прежнему использовались эти старые методы. Это лишь укрепило мою уверенность в правильности выбранного нами пути. По крайней мере, если мы и потерпим неудачу, то сделаем это новаторским способом, а не повторим провал 1990-х годов. Это делало любое начинание достойным попытки — даже если это будет рискованное исследование, которое в итоге провалится, мы хотя бы потерпим неудачу оригинально.

Миссия DeepMind и ставка на AGI

Ведущий: Столкнулись ли ваши ранние убеждения с каким-либо распространённым сопротивлением? Чтобы привлечь первых последователей, вам пришлось ли доказывать что-то себе или им?

Демис Хассабис: Независимо от обстоятельств, я посвятил бы всю свою жизнь искусственному интеллекту. Фактически, его развитие превзошло даже наши самые оптимистичные прогнозы. Тем не менее, это попадает в рамки нашего прогноза 2010 года, согласно которому это будет двадцатилетний проект.

Я считаю, что прогресс нашей области соответствует ожиданиям, и мы, безусловно, сыграли в этом свою роль.

Если бы всё сложилось иначе, и ИИ по-прежнему оставался бы узкоспециализированной областью, я всё равно продолжал бы двигаться в этом направлении, поскольку для меня это самая важная технология в истории. Моя цель чётко сформулирована: первая задача DeepMind — «расшифровать интеллект», то есть создать ИИ общего назначения (AGI); вторая — использовать его для решения всех остальных задач. Я всегда считал, что это самая важная и самая увлекательная технология, которую человек может изобрести.

Это и инструмент научного исследования, и само по себе увлекательное творение, и один из лучших способов понять природу человеческого разума — сознания, сновидений, творчества. Как нейронаучный исследователь, я раньше чувствовал, что мне не хватает такого аналитического инструмента, как ИИ. Он даёт нам возможность сравнения, позволяя проводить контрольные эксперименты, сравнивая два разных типа систем.

Культура «ИИ для науки»

Ведущий: Сравнение различных систем. Давайте поговорим о «ИИ для науки» (AI for Science). Вы занимались этим с самого начала, являетесь страстным сторонником и чистым идеалистом. Это ваша главная миссия. Какая модель и культура, заложенные вами при создании DeepMind, позволили компании сохранять лидерство в этой сфере?

Демис Хассабис: Именно это и является нашей конечной целью. Для меня лично главный стимул — создание ИИ как средства продвижения науки, медицины и расширения нашего понимания мира. Я реализую эту миссию через «мета-подход»: сначала создаю окончательный инструмент, а затем, когда он станет зрелым, применяю его для достижения научных прорывов. Мы уже добились таких результатов, как AlphaFold, и я уверен, что впереди нас ждут ещё более значимые достижения.

DeepMind всегда ставила эту цель во главу угла. У нас даже есть отдел «ИИ для науки», возглавляемый Пушмитом Кохли, который существует уже почти десять лет. Мы начали эту работу практически сразу после победы в Сеуле в матче AlphaGo — ровно десять лет назад.

Раньше я ждал, пока алгоритмы станут достаточно мощными, а идеи — достаточно универсальными. Для меня победа в го стала историческим переломным моментом: именно тогда мы поняли, что пришло время применить эти идеи к важнейшим практическим задачам, начав с самых масштабных научных вызовов.

Мы всегда твёрдо верили, что это — самое благоприятное применение ИИ. Что может быть прекраснее, чем использовать его для лечения болезней, увеличения продолжительности здоровой жизни и помощи медицине? Следующими по значимости будут материалы, экология и энергетика. Я убеждён, что в ближайшие годы ИИ достигнет в этих областях выдающихся результатов.

Прорывы в биологии и Isomorphic Labs

Ведущий: Как ИИ добился прорывов в биологии? Вы активно участвуете в работе Isomorphic Labs — это область, которой вы посвящаете особую страсть. С самого начала вы твёрдо верили в потенциал ИИ для лечения заболеваний. Когда же биология наконец переживёт свой «звёздный час», аналогичный тому, что произошёл в области языков и программирования?

Демис Хассабис: Я считаю, что рождение AlphaFold уже стало «звёздным часом» биологии. Проблема свёртки белков и определения их трёхмерной структуры оставалась нерешённой в течение 50 лет. Если вы хотите разрабатывать лекарства или расшифровывать базовые биологические коды, её решение крайне важно. Конечно, это лишь один этап в процессе открытия лекарств — ключевой, но не единственный.

Наша недавно выделенная компания Isomorphic Labs (которой я также с большим удовольствием руковожу) занимается созданием ключевых технологий в области биохимии и химии. Эти технологии автоматически проектируют соединения, идеально подходящие для конкретных участков белка. Поскольку мы уже знаем форму белка и структуру его поверхности, мы фактически определили мишень. Теперь нам необходимо создать соединение, которое будет сильно связываться с этой мишенью и, по возможности, избегать побочных эффектов, вызванных взаимодействием с другими мишенями.

Наша конечная мечта — перенести весь процесс поиска, составляющий 99 % текущих трудозатрат и времени, в компьютерное моделирование (In Silico), оставив реальные «влажные» эксперименты (Wet Lab) только для финальной верификации. Если это удастся — а я твёрдо верю, что это произойдёт в ближайшие годы, — мы сможем сократить средний срок открытия лекарств с десяти лет до месяцев, недель и в дальнейшем — до нескольких дней.

Я уверен, что, перейдя этот рубеж, мы сможем взяться за лечение всех заболеваний. Такие концепции, как персонализированная медицина (например, препараты, специально адаптированные под конкретного пациента), станут реальностью. Я считаю, что вся карта медицины и фармакологических исследований будет полностью переопределена в ближайшие годы.

Новые науки, рождающиеся из симуляторов

Ведущий: Потрясающе. Вы неоднократно упоминали «ИИ для науки». Считаете ли вы, что в какой-то момент ИИ породит совершенно новую научную парадигму — как промышленная революция породила термодинамику? Появятся ли в наших образовательных программах принципиально новые дисциплины? Если да, то какими они будут?

Демис Хассабис: По этому поводу я предвижу следующее.

Во-первых, понимание и анализ самих ИИ-систем превратятся в самостоятельную дисциплину — инженерную науку (Engineering Science). Создаваемые нами системы чрезвычайно увлекательны и одновременно исключительно сложны. В конечном итоге их сложность будет сопоставима со сложностью человеческого разума и мозга. Поэтому мы должны глубоко изучать их, чтобы полностью понять принципы их работы — это далеко превосходит наши сегодняшние возможности. Я уверен, что возникнет совершенно новая область знаний; «механизмная интерпретируемость» (Mechanistic Interpretability) — лишь верхушка айсберга, и у нас ещё многое предстоит исследовать.

Во-вторых, я также убеждён, что ИИ сам по себе откроет двери в новые научные области. Самое захватывающее для меня — это «ИИ для симуляций» (AI for Simulations). Я увлечён симуляциями: все игры, которые я писал, содержали ИИ и по своей сути были симуляторами. Я считаю, что симуляторы — это наш окончательный путь к решению сложнейших задач в социальных науках, таких как экономика, и в гуманитарных дисциплинах.

Сложность этих наук заключается в том, что они, как и биология, относятся к категории «эмерджентных систем» (Emergent Systems), где крайне сложно проводить воспроизводимые контролируемые эксперименты. Предположим, вы хотите повысить процентную ставку на 0,5 % — вы можете сделать это только в реальном мире и наблюдать за последствиями; у вас могут быть теории, но вы не сможете повторить этот эксперимент тысячи раз. Однако если мы сможем точно смоделировать такие сложные системы, то строгая выборочная эвристическая оценка на основе высокоточных симуляторов, возможно, позволит создать новую науку. Я уверен, что это даст нам возможность принимать более обоснованные решения в тех областях, где сейчас царит высочайшая степень неопределённости.

Ведущий: Какие условия необходимы для создания таких высокоточных симуляторов? Например, нужны ли «модели мира» (World Models)? Какие научные и инженерные прорывы необходимы для достижения этой цели?

Демис Хассабис: Я постоянно размышляю над этим вопросом. В нашей работе мы активно используем «обучающиеся симуляторы» (Learning Simulators). Они применяются в тех областях, где либо математические принципы нам неизвестны, либо системы слишком сложны. Мы не можем просто написать прямой симулятор для конкретного случая, потому что такой подход недостаточно точен и не охватывает все переменные.

Мы уже применили это в прогнозировании погоды. У нас есть самый точный в мире симулятор погоды «WeatherNext», работающий значительно быстрее, чем инструменты, используемые метеорологами сегодня. Я не уверен, что нам удастся понять всё, и не уверен, что это вообще хорошая идея, но первый шаг — это лучше понять эти сложные системы.

Даже в биологии мы исследуем так называемую «виртуальную клетку» (Virtual Cell) — чрезвычайно динамичную эмерджентную систему (Emergent System). Как математика является идеальным языком описания физики, так и машинное обучение станет идеальным языком описания биологии. В биологии и многих других природных системах присутствует огромное количество слабых сигналов, слабых корреляций и массивных данных, которые превосходят возможности человеческого мозга. Тем не менее, среди этих огромных объёмов данных действительно существуют внутренние связи, корреляции и глубокие причинно-следственные отношения.

Машинное обучение — идеальный инструмент для описания таких систем. До сих пор математика не могла этого сделать: либо система слишком сложна даже для лучших математиков, либо математический язык недостаточно выразителен для понимания этих высокоэмерджентных динамических систем — частично из-за их хаотичности и стохастической природы (Stochastic Nature).

В конечном итоге, овладев этими симуляторами, мы, возможно, сможем породить новую научную дисциплину. Можно попытаться извлечь из этих неявных или интуитивных симуляторов явные уравнения (Explicit Equations). Поскольку вы можете многократно и свободно производить выборки из симулятора, возможно, однажды вы откроете фундаментальные научные законы, подобные уравнениям Максвелла.

Возможно. Я не знаю, существуют ли такие законы для эмерджентных систем, но если они существуют, я не вижу никаких причин, по которым мы не смогли бы их обнаружить таким способом.

Ведущий: Это было бы потрясающе. Вы упоминали теорию, согласно которой фундаментальным строительным блоком (Building Block) Вселенной может быть информация — это более теоретический уровень. Как вы относитесь к этому? Что это значит для классических компьютеров Тьюринга?

Демис Хассабис: Конечно, можно сослаться на знаменитое уравнение Эйнштейна E=mc² и все его работы, демонстрирующие эквивалентность энергии и материи. Однако я считаю, что информация также обладает подобной эквивалентностью. Организацию материи и структур — особенно таких систем, как живые организмы, способные противостоять росту энтропии (Resisting Entropy), — можно по существу рассматривать как информационно-обрабатывающую систему. Таким образом, я считаю возможным взаимное преобразование этих трёх компонентов.

Однако у меня есть ощущение, что информация является наиболее фундаментальной. Это прямо противоположно взглядам классических физиков 1920-х годов, считавших энергию и материю первичными. Я полагаю, что рассматривать Вселенную в первую очередь как информационную систему — это лучший способ понять мир.

Если это верно — а, по моему мнению, имеется множество подтверждающих доказательств, — то значение искусственного интеллекта окажется ещё глубже, чем мы можем себе представить. Его значение и так чрезвычайно велико, поскольку его суть — организация информации, её понимание и создание информационных объектов (Informational Objects).

На мой взгляд, ядро искусственного интеллекта — это обработка информации. Если рассматривать обработку информации как первичный способ понимания мира, то окажется, что между этими, казалось бы, совершенно разными областями существует глубокая внутренняя связь.

Ведущий: Считаете ли вы, что классическая машина Тьюринга способна вычислять всё?

Демис Хассабис: Иногда я размышляю о нашей работе и воспринимаю себя как «защитника Тьюринга», поскольку Алан Тьюринг — один из моих величайших научных кумиров. Я верю, что его труды заложили основы не только вычислительной техники и компьютерных наук, но и искусственного интеллекта. Теория машины Тьюринга — один из самых глубоких результатов в истории: любое вычислимое вещество может быть вычислено относительно простой машиной. Поэтому я считаю, что наш мозг, скорее всего, также представляет собой приближённую машину Тьюринга (Approximate Turing Machine).

Интересно размышлять о связи между машиной Тьюринга и квантовыми системами. Однако с помощью систем вроде AlphaGo и особенно AlphaFold мы продемонстрировали, что классическая машина Тьюринга, «одетая» в современные нейронные сети, способна моделировать задачи, ранее считавшиеся решаемыми только квантовыми вычислениями. Например, свёртка белков в некотором смысле является квантовой системой, включающей чрезвычайно мелкие частицы, и, возможно, люди полагали, что для её решения необходимо учитывать все квантовые эффекты водородных связей (Hydrogen Bonds) и другие сложные взаимодействия.

Однако оказалось, что классическая система позволяет получить приближённо оптимальное решение. Поэтому мы можем обнаружить, что многие задачи, которые мы считали решаемыми только с помощью квантовых систем, на самом деле допускают моделирование и на классических системах — при условии правильного подхода.

Философия сознания

Ведущий: Вы всегда рассматривали искусственный интеллект как инструмент, подобный телескопу, микроскопу или астролябии, которые использовались в прошлые века. Но когда вы сталкиваетесь с машиной, способной почти идеально моделировать всё — как вы сами говорили, даже квантовые системы — когда она перестаёт быть просто инструментом? Наступит ли этот день?

Демис Хассабис: Я твёрдо убеждён, что на пути к созданию ИИ общего назначения (AGI) мы, как и многие из присутствующих здесь, считаем наилучшим подходом сначала создать инструмент — чрезвычайно умный, практичный и точный, — а затем перейти к следующему этапу. Сама по себе эта цель уже имеет глубокое значение. Разумеется, этот инструмент может становиться всё более автономным и обретать черты агента — именно это мы и наблюдаем сегодня. Мы находимся в разгаре эпохи агентов (Agent Era).

Однако остаются и более глубокие вопросы: обладает ли он агентством (Agency)? Обладает ли он сознанием? Это вопросы, которые нам предстоит решать. Однако я предлагаю рассматривать их как второй этап и, возможно, использовать инструмент, созданный на первом этапе, для изучения этих сложнейших проблем.

В идеале, в ходе этого процесса мы также сможем глубже понять собственный мозг и мышление и определить такие понятия, как «сознание», с гораздо большей точностью, чем сегодня.

Ведущий: Какое общее представление у вас о будущем определении сознания?

Демис Хассабис: У меня нет собственного определения, кроме того, что уже обсуждалось философами на протяжении тысячелетий. Однако для меня совершенно ясно, что некоторые компоненты являются обязательными. Они, возможно, являются необходимыми, но недостаточными условиями (Necessary but not sufficient). Такие элементы, как самосознание, понимание «я» и «другого», а также некая временная непрерывность, очевидно, необходимы для любого сущего, которое выглядит осознанным.

Тем не менее, полное определение остаётся открытым вопросом (Open Question). Я обсуждал это с множеством великих философов. Несколько лет назад я подробно говорил об этом с Даниэлем Деннетом (Daniel Dennett), недавно ушедшим из жизни. Одним из ключевых вопросов является поведение системы: выглядит ли она как осознанная? Можно предположить, что по мере приближения некоторых ИИ-систем к AGI они в конечном итоге смогут демонстрировать такое поведение.

Однако сразу возникает другой вопрос: почему мы считаем друг друга осознанными? Одна из причин — это наше поведение, наша внешняя проекция осознанной жизни. Но другой фактор — это то, что мы все работаем на одном и том же базовом субстрате (Substrate).

Поэтому я считаю, что если оба этих условия выполняются, то логически наиболее экономное (Parsimonious) предположение — что ваш и мой опыт идентичны. Именно поэтому мы обычно не спорим о наличии сознания у другого человека. Очевидно, однако, что в искусственных системах мы никогда не достигнем эквивалентности субстрата (Substrate Equivalence). Поэтому, на мой взгляд, полностью устранить этот разрыв чрезвычайно сложно. Можно анализировать поведение (Behaviorally), но как насчёт субъективного опыта (Experientially)? После достижения AGI, возможно, появятся способы решения этой проблемы, но это выходит за рамки сегодняшнего обсуждения, даже в контексте «ИИ и науки».

Ведущий: Потрясающе. Мы скоро откроем сессию вопросов от аудитории — готовьте свои вопросы. Вы упомянули философов, особенно Канта (Kant) и Спинозу (Spinoza), назвав их своими любимыми. Кант — типичный деонтологический философ, чрезвычайно подчёркивающий концепцию долга; Спиноза же придерживается почти детерминистического мировоззрения. Как вы связываете эти две совершенно разные идеи? Каково ваше фундаментальное понимание устройства мира?

Демис Хассабис: Я восхищаюсь обоими философами, и вот почему: Кант высказал мысль — я осознал её ещё во время докторантуры по нейронаукам, — что «разум создаёт реальность» (The mind creates reality), и я считаю её в основном верной. Это даёт ещё один превосходный повод для изучения механизмов работы разума и мозга. Поскольку я в конечном счёте ищу сущность реальности, мне необходимо сначала понять, как разум интерпретирует реальность. Вот что я почерпнул у Канта.

Что касается Спинозы, то здесь речь идёт скорее о духовном измерении. Если вы пытаетесь использовать науку как инструмент для понимания Вселенной, вы уже начинаете прикасаться к глубинным тайнам её функционирования.

Именно это я чувствую в нашей сегодняшней деятельности. Когда я занимаюсь научными исследованиями, углубляюсь в ИИ и создаю эти инструменты, мне кажется, что мы каким-то образом читаем язык Вселенной.

Ведущий: Как красиво. Это самое прекрасное описание вашей повседневной работы: Демис (Demis), вы — учёный, оратор и философ в одном лице. Перед завершением проведём несколько быстрых вопросов и ответов. Он не видел эти вопросы заранее. Прогнозируйте год достижения ИИ общего назначения (AGI): раньше или позже ожидаемого срока? Или вы можете отказаться от ответа.

Демис Хассабис: Я выбираю 2030 год. В этом прогнозе я остаюсь неизменным.

Ведущий: Отлично, 2030 год. А какую книгу, стихотворение или научную статью вы порекомендуете прочесть, когда будет достигнут ИИ общего назначения (AGI)?

Демис Хассабис: Для мира после достижения ИИ общего назначения (AGI) моя любимая книга — «Структура реальности» (The Fabric of Reality) Дэвида Дойча (David Deutsch). Я считаю, что её идеи остаются актуальными. Я надеюсь, что с помощью ИИ общего назначения (AGI) мы сможем ответить на глубокие вопросы, поднятые в этой книге, — это и станет моей основной задачей в эпоху AGI.

Ведущий: Отлично. Какой момент в истории DeepMind вы считаете самым гордым на сегодняшний день?

Демис Хассабис: Нам повезло пережить множество кульминационных моментов. Я думаю, самым гордым является рождение AlphaFold.

Ведущий: Отлично. И наконец, несколько вопросов об играх. Если бы вы участвовали в высокорисковой пошаговой стратегической игре, например, в «Цивилизации» (Civ) или «Политопии» (Polytopia), и могли бы выбрать в команду одного учёного из истории — Эйнштейна (Einstein), Тьюринга (Turing) или Ньютона (Newton), кого бы вы пригласили?

Демис Хассабис: Я бы выбрал фон Неймана (von Neumann). В такой ситуации нужен эксперт по теории игр (Game Theory), и я считаю его лучшим.

Ведущий: Безусловно, это божественный союзник. Демис (Demis), вы — универсальный гений. Большое спасибо за сегодняшнее выступление. Давайте все вместе поаплодируем Демису (Demis) за его потрясающий рассказ. Большое спасибо.