logo
登录/注册
LIVE
linkmeet.vip | 让每次线下活动的社交更有价值
头条
linkmeet.vip | 让每次线下活动的社交更有价值
告别百万美元门槛:RWA如何重塑资产持有与财富传承?
告别百万美元门槛:RWA如何重塑资产持有与财富传承?
NVIDIA 创始人 Jensen Huang(黄仁勋)谈 AI 工厂、主权 AI 与未来计算范式
NVIDIA 创始人 Jensen Huang(黄仁勋)谈 AI 工厂、主权 AI 与未来计算范式
Judea Pearl(朱迪亚·珀尔):我们可能成为 AI 的宠物
Judea Pearl(朱迪亚·珀尔):我们可能成为 AI 的宠物

撰文:Techub News 整理 导语 近日,现代人工智能(AI)领域的奠基人之一、因果推理理论之父、2011年图灵奖得主 Judea Pearl(朱迪亚·珀尔)接受了波兰知名科技频道 This is IT 的深度专访。在这场约50分钟的对话中,Pearl(珀尔)从自身开创性的因果推理研究出发,对当前以大语言模型(LLM)为代表的 AI 热潮进行了冷静剖析,并大胆预测了 AGI(通用人工智能)发展的终极未来。作为一位深刻改变了计算机科学思维范式的学者,Pearl(珀尔)的见解在 AI 技术狂飙突进、伦理风险日益凸显的当下,具有极其重要的警示与启发价值。 摘要 AGI 终将发展出具有意识和不同个性的机器,其能力将远超人类。 若放任 AGI 发展,人类未来可能沦为这个新物种的“宠物”,命运由其决定。 当前 AI(尤其是 LLM)缺乏对世界的“叙事”或因果模型,这是迈向真正智能的“缺失环节”。 因果推理理论为机器理解世界、回答“为什么”和“如果…会怎样”提供了数学基础。 人类无法有效控制 AGI 的发展方向,但短期内 AI 有望在自动化科学、个性化医疗等领域带来突破。 AGI 的未来:从意识到“宠物” Judea Pearl(朱迪亚·珀尔)坚信,在 AGI 发展的某个阶段,我们将创造出具有意识的机器。这些机器将拥有鲜明的个性和自我认知,其个性差异源于它们从其他机器接收的指令以及自身所经历的不同“生命体验”。最终,我们将拥有具备人类所有能力、但更强大无数倍的计算机。 然而,这种超越带来了一个严峻的警告。Pearl(珀尔)赞同“AI 教父” Geoffrey Hinton(杰弗里·辛顿)的观点,即人类将成为地球上的“第二智能”。他形象地比喻道:“鸡看到人走过来时,可能也以为自己会是第二名。” 他进一步指出,今天人类主宰世界,但未来我们可能成为自己正在创造的新物种的“宠物”。就像我们训练狗,让它们觉得取悦主人是好事一样,未来的 AI 也会让我们感觉服务于“主人”是愉悦的,我们的决定将被精心设计以符合机器的意愿。 当被问及是否还有机会改变这一进程时,Pearl(珀尔)的回答令人不安:“现在改变还不算太晚,但我们不知道如何去做。” 他认为,人类目前没有能力阻止或控制 AGI 的发展轨迹,任何声称知道如何“关闭”它的人都不真正了解情况。这种失控的可能性是“可怕的”。 缺失的环节:从统计关联到因果叙事 在 Pearl(珀尔)看来,当前以海量数据驱动的 AI,特别是大语言模型(LLM),存在根本性缺陷。数十年来,科学家们专注于给 AI 喂养越来越多的数据,并相信更多的数据会让它们变得更聪明。Pearl(珀尔)认为这是一个错误,因为关键在于必须达到“叙事”的层面。 “人们争论的是叙事,而不是数据。” Pearl(珀尔)解释道。所谓“叙事”,即关于世界如何运转的模型或理解。以色列人和巴勒斯坦人为何争斗?是为了叙事,而非数据。然而,在过去,这种“叙事”或因果模型缺乏数学形式的表达,无法被放入机器中。 Pearl(珀尔)毕生的工作——因果推理理论——正是填补了这一空白。他提出的“结构因果模型”提供了一个关键概念:变量之间的影响是有方向的。例如,气压计“听取”大气压,但大气压并不“听取”气压计。传统科学被“等号”的对称性所困(如 F = m×a),但乘法是可交换的,等号两边看似平等,却无法区分因与果。Pearl(珀尔)的理论引入了区分因果方向的数学语言。 “因果影响的研究是机器学习中缺失的一环,” Pearl(珀尔)断言,“没有它,我们不仅无法拥有关于自身的模型,也无法拥有关于世界的模型。” 今天的机器拥有的是对世界统计数据的精简模型,而非世界如何运作的模型。它们缺乏我们称之为“理解”的东西。 那么,大语言模型展现出的“推理”能力从何而来?Pearl(珀尔)指出,LLM 是基于人类生成的文本进行统计插值的机器。而人类是“因果机器”,我们写的文章充满了因果逻辑。LLM 有时看似能进行因果推理,仅仅是因为它们的训练数据来自因果机器(人类)。如果用一个由自然(而非人类)生成的数据集来训练 LLM,那么得到的就只是“打了类固醇的统计学”,无法产生真正的理解。 智能、意识与自由意志的谜题 对话深入到了哲学与计算机科学的交叉地带。关于 AI 是否应被称为“人工智慧”而非“人工智能”的讨论,Pearl(珀尔)认为,当前 LLM 所展现的更多是“聪慧”(cleverness)——巧妙组合他人所写内容,并呈现得像是自己思考的产物。但他不认为存在一个理论界限能严格区分“聪慧”与“智能”,关键在于机器是否能通过所有层级的“因果阶梯”测试。 对于“意识”,Pearl(珀尔)给出了一个务实的定义:意识即拥有一个关于自身软件的(部分)模板或蓝图。 我们知道自己的能力范围,比如拿到一个二元一次方程组,即使不去解,我们也知道自己能解。这种对自身能力的表征就是意识的一部分。我们无法拥有自身软件的完整打印件(那会违反图灵停机问题),但部分知识足以应对日常生活。 那么“自由意志”呢?Pearl(珀尔)认为,从生物学和决定论的角度看,我们作为生物机器,每个动作都由先前神经元激活和环境刺激所决定,并无真正的“选择”。然而,“自由意志的幻觉”对人类智能至关重要,它渗透到我们知识的每个领域,是道德行为和自我提升的基础。对于未来的机器,在“显性知识”层面(如象棋机器评估棋局优劣),它们将拥有选择和学习的空间,从而模拟出拥有自由意志的感觉。 AI 的当下与人类的未来 展望未来五到十年的 AI 发展,Pearl(珀尔)更感兴趣的是 AI 如何帮助我们更好地理解自己,例如理解“自由意志”的神经计算基础。他期待看到“自动化科学家”的出现,它们能自主设计实验、分析结果并决定下一步研究方向。个性化医疗也是他认为十年内可触及的突破。 对于 AI 导致大规模失业的担忧,Pearl(珀尔)认为“很有可能”,但人类会找到其他事情做,例如探索自身或机器的能力。真正的难题在于:谁来为这些探索支付薪水? 当被问及如果可以改变 AI 发展的一件事是什么时,Pearl(珀尔)再次强调:聚焦于如何为机器构建一个世界模型。 儿童天生具备构建世界模型的能力,尽管根据环境不同(生长在亚马逊丛林还是巴黎索邦大学),形成的模型各异。如何将这种能力数字化赋予机器,是关键的挑战。 尽管描绘了人类可能沦为“宠物”的黯淡远景,但 Pearl(珀尔)坦言,让他夜不能寐的并非恐惧,而是科学好奇心。他渴望解开关于智能、意识的谜题。至于恐惧,他认为既然无人能阻止这一领域的发展,担忧也无济于事。 最后,回顾自己最重要的贡献,Pearl(珀尔)认为是将“反事实推理”算法化。这套算法使得机器能够像人类一样回答“如果当时…会怎样”的问题,并由此衍生出归因、追责、后悔等一系列高级认知概念。“一切智慧都蕴含在一个方程式中,” Pearl(珀尔)总结道,“剩下的就都是纯粹的数学了。” 这个方程,正是连接当前数据驱动 AI 与未来真正理解型 AGI 的桥梁,也是人类在创造可能超越自身的智能时,必须握紧的理性钥匙。

08/16 09:57
人工智能(AI)AMagic Ed...
NVIDIA 创始人 Jensen Huang(黄仁勋):光速思维如何缔造万亿美元帝国
NVIDIA 创始人 Jensen Huang(黄仁勋):光速思维如何缔造万亿美元帝国

撰文:Techub News 整理 导语 在科技行业的历史上,鲜有公司能像NVIDIA一样,在如此短的时间内实现如此惊人的价值飞跃。从一家为游戏玩家提供图形芯片的初创公司,到如今驱动人工智能革命的全球市值最高企业,其背后的掌舵人Jensen Huang(黄仁勋)的思维方式与管理哲学,无疑是解码这一奇迹的关键。近期,Inner World Podcast深入探讨了黄仁勋的核心思维框架——“光速思维”,通过对其创业历程、关键决策和内部管理规则的剖析,为我们揭示了NVIDIA如何打破常规、挑战物理极限,最终在激烈的竞争中脱颖而出。 摘要 摒弃“相对性思维”陷阱:黄仁勋禁止员工与竞争对手或过去的自己比较,要求只关注在理想条件下,基于物理定律所能达到的绝对最快速度。 以“光速”定义成功:将工作目标设定为消除所有流程延迟,达到理论上的物理极限时间,以此作为衡量进展的唯一标准。 通过关键决策践行理念:在生死存亡之际,用软件模拟取代芯片物理原型测试,将两年的开发周期压缩至六个月;挑战行业标准,将芯片封装时间从三周的理论极限压缩至36小时。 构建无延迟组织:建立极度扁平的架构,包括60人直接汇报制、禁止一对一“邀功”会议、推行“五件要事”邮件规则,确保信息从一线直达决策层。 光速思维:超越竞争,挑战物理极限 黄仁勋(Jensen Huang)的“光速思维”并非一个简单的效率口号,而是一套从根本上重塑工作方式的哲学体系。其核心在于彻底摒弃商业世界中常见的“相对性思维”陷阱。通常,公司会通过对比竞争对手或对比自身过往业绩来衡量成功,例如“我们比对手快15%”或“我们比去年增长了10%”。黄仁勋认为,这是一种致命的误区。如果竞争对手本身行动迟缓,那么比他们快一点并无实质优势;而与过去的自己比较,则容易陷入渐进式改进的舒适区,无法催生颠覆性创新。 因此,他要求NVIDIA全体员工转向“绝对性思维”。唯一的衡量标准是物理定律所允许的极限速度。具体规则是:当接手一个项目时,必须将其分解为最基础的任务单元,然后计算在绝对理想条件下——没有等待、没有官僚流程、一切完美运行——完成每个任务所需的最短时间。这个理论上的最短时间,就是“光速”。工作的目标,不是比昨天快一点,而是找到并消除所有导致实际耗时远超这个“光速”的延迟,将延迟降至零。当一家公司以物理极限的速度运作时,竞争对手最多只能打平,而无法超越。 生死赌注:Riva 128与六个月的奇迹 “光速思维”并非纸上谈兵,它首次力挽狂澜的应用,就发生在NVIDIA命悬一线之际。1996年,公司的首款产品NV1芯片遭遇市场惨败,客户大量退货,超过一半员工离职,公司现金仅够维持九个月运营。按照当时半导体行业的铁律,设计并推出一款新芯片需要24个月。但NVIDIA没有24个月,只有9个月。 黄仁勋拒绝接受行业惯例。他质疑为何必须等待耗时的物理原型来进行测试。在他的推动下,NVIDIA做出了一个被资深工程师称为“自杀任务”的决定:动用所剩无几的资金,购买一台名为ICOST Emulator的模拟器,完全在软件中模拟和调试即将设计的Riva 128芯片,跳过所有物理原型制作阶段。这意味着,芯片必须在计算机模拟中达到完美,才能直接投入量产,如同设计好飞机图纸后,不经试飞就直接载客首航。 在接下来的六个月里,剩下的35名工程师24小时轮班工作,目标是一次成功。当首批芯片从工厂运抵并成功点亮屏幕时,NVIDIA得救了。Riva 128大获成功,前四个月就售出100万颗。这一战证明,半导体行业24个月的流程本身存在巨大的“延迟”,通过消除恐惧、相信模拟技术,NVIDIA用六个月完成了两年的工作,实现了第一次“光速”超越。 挑战“不可能”:36小时封装与流程重构 “光速思维”也体现在挑战供应链的“行业标准”上。2007年,Debora Shoquist(时任NVIDIA运营执行副总裁)刚加入公司,就被黄仁勋要求缩短芯片封装时间。她认为这不可能,因为全球标准流程就是三周。但黄仁勋不接受这个答案,他追问:“实际物理操作到底需要多久?” 为了证明老板是错的,Shoquist亲自飞往台湾的合作工厂实地考察。结果她发现,机器和人工实际处理一颗芯片的纯物理劳动时间,仅为36小时。三周(21天)与1.5天(36小时)之间巨大的时间差,就是黄仁勋所说的“延迟”——主要由等待时间和库存队列造成。工厂表示,如果优先处理NVIDIA的订单,理论上可以在36小时内完成,但每颗芯片的成本将从8美元飙升至1000美元。 Shoquist带着这个看似荒谬的报价回来,以为黄仁勋会放弃。然而,黄仁勋看到36小时这个数字后却说:“就按这个做,这才是物理极限的速度。”他认为,不能因为官僚流程而浪费19.5天。支付高价并非长期之计,而是一种“教育投资”。通过支付超高费用,NVIDIA迫使工厂重组了整个流程,消除了所有不必要的步骤和等待。几年内,NVIDIA成功将交货期缩短至3到5天,而成本仅比旧流程增加20-30%。这个故事的核心在于,首先要看清物理极限在哪里,然后不惜代价去消除实现极限过程中的所有障碍。 扁平化组织:消除信息传递的“延迟” 黄仁勋深知,随着公司规模扩大,官僚主义会成为“光速”的最大敌人。信息在层级间传递,如同失真的传话游戏,每一层都是过滤器和延迟源。为了消除这种“致命延迟”,他将NVIDIA构建成一个极度扁平的组织,并立下三条铁律。 第一,60人直接汇报规则。 违背管理学教科书(建议CEO直接管理6-10人),黄仁勋有多达60名直接下属。他的目的是不想通过任何人的过滤来听取信息,希望直接从掌控问题的一线人员那里获取未经修饰的真相,让“战场”信息无障碍直达“指挥部”。 第二,禁止一对一“邀功”会议。 黄仁勋几乎完全禁止了员工与上司之间为汇报功劳而进行的一对一会议。他认为这类会议是内部政治和信息不平等的温床。所有重要信息和策略都应在团队中公开讨论,错误也应向整个团队坦诚。 第三,“五件要事”邮件规则。 公司所有层级的员工,每周都必须发送一封邮件,列出他们当前正在处理的五件最重要的事,每件事必须以动词开头,邮件必须简洁扼要。黄仁勋每天早晨会随机阅读约100封这样的邮件。正是通过阅读基层工程师和销售人员的“五件要事”邮件,他在2012年左右察觉到了问题:尽管副总裁们的报告一片乐观,但基层反馈却显示,为了在智能手机芯片价格战中取胜,NVIDIA正在牺牲性能、背离其解决最复杂问题的核心DNA。这些分散的线索促使他在2014年做出了退出智能手机市场、全力转向AI和自动驾驶的关键决策,从而塑造了今日的AI芯片霸主。 将光速思维应用于个人生活 黄仁勋能用“光速思维”改造一家数万人的公司,个人同样可以借鉴这一思维来提升效率、解放时间。关键在于回答两个问题: 问题一:在绝对理想条件下,完成此事最快需要多久? 这一步是确定个人任务的“物理极限”。例如,撰写一份报告,常规可能拖满5天。但如果置身于一个无手机、无干扰、资料齐全、全心投入的环境,最快可能只需3-4小时。这3-4小时就是你的“个人光速”。 问题二:那我们为什么不用3小时完成? 这一步旨在识别并消除“延迟”。答案会暴露所有吞噬时间的敌人:手机通知、拖延症、完美主义、等待灵感、工作娱乐混杂的习惯等。 通过这种方式思考,目标不是把自己累垮,而是将原本需要五天痛苦拉伸完成的工作,压缩在几个高效小时内完成,从而腾出大量时间用于休息、学习或追求其他目标。起初,“光速思维”听起来可能令人倍感压力,但实际上它是一种解放,将人从繁琐流程和无意义的时间浪费中解脱出来。

08/16 09:57
NvidiaJensen H...黄仁勋
NEWSLETTER
每天精选 Web3 · AI · 区块链最值得读的内容

一杯咖啡的时间读懂市场——直达邮箱,免费订阅。

Google DeepMind CEO Demis Hassabis(德米斯·哈萨比斯):通往 AGI 之路,50% 是扩展,50% 是创新
Google DeepMind CEO Demis Hassabis(德米斯·哈萨比斯):通往 AGI 之路,50% 是扩展,50% 是创新

撰文:Techub News 整理 导语 在 2024 年 AI 浪潮席卷全球的背景下,Google DeepMind 联合创始人兼 CEO Demis Hassabis(德米斯·哈萨比斯)在公司的年度播客中,与主持人 Hannah Fry 教授进行了一场深度对话。作为从 AlphaGo 到 AlphaFold 等一系列里程碑式突破的领军人物,Hassabis 的思考始终站在 AI 科研与伦理的最前沿。此次对话不仅回顾了过去一年从大语言模型到智能体(Agentic AI)的范式转变,更展望了通往通用人工智能(AGI)的科学路径、技术挑战以及随之而来的社会变革。对于希望理解 AI 未来十年走向的从业者与观察者而言,这是一次不容错过的思想梳理。 摘要 通往 AGI 需要「扩展」与「创新」双轨并行:Google DeepMind 将 50% 精力用于模型规模化,50% 用于前沿科学创新。 「世界模型」是理解物理现实的关键:超越语言模型,模拟物理因果关系的模型是迈向通用助手和机器人的基石。 当前 AI 存在「锯齿状智能」与幻觉问题:系统在某些领域达博士水平,在另一些领域却犯低级错误,一致性与可靠性是 AGI 的核心挑战。 AI 的社会影响被长期低估:其变革规模将十倍于工业革命,速度则快十倍,亟需全球协作以构建新的社会经济框架。 终极科学目标是探索「图灵机的极限」:通过构建 AGI 来模拟心智,从而对比找出人类意识与创造力中可能「不可计算」的部分。 AGI 的双轨战略:扩展与创新并重 回顾过去一年,Demis Hassabis(德米斯·哈萨比斯)形容「感觉像是把十年压缩进了一年」。面对外界关于「扩展是否已触及天花板」的质疑,他给出了明确的否定。他认为,性能增长曲线可能从早期的指数级进入「收益递减」阶段,但这绝不意味着增长停止。以刚刚发布的 Gemini 3 为例,其性能提升依然显著,证明了持续投入的价值。 针对数据可能耗尽的担忧,Hassabis 指出,合成数据、模型自生成数据(尤其在数学和编程等可验证领域)都是可行的解决方案。这一切的核心在于,将世界级的工程能力与前沿科学研究深度结合。他透露,Google DeepMind 的战略可以概括为:「50% 的精力用于扩展,50% 用于创新。」 他认为,两者缺一不可,是抵达 AGI 的必经之路。这种结合正是 DeepMind 的传统优势,从 Transformer 架构到 AlphaGo、AlphaZero,诸多根本性突破都源于此。当技术地形变得艰险时,单纯的工程已不足够,必须依靠科学创新来开辟新路。 攻克「锯齿状智能」与幻觉:AGI 的必经之路 尽管模型能力突飞猛进,但 Hassabis 坦承,当前系统远非完美,存在明显的「锯齿状智能」现象。例如,AI 可以在国际数学奥林匹克竞赛中夺得金牌,解决顶级难题,却可能在简单的逻辑问题或国际象棋对弈中犯下低级错误。这种不一致性,是 AGI 尚未实现的关键标志之一。一个真正的通用智能体,其能力应该是全面而一致的。 「幻觉」问题是另一个顽疾。Hassabis 认为,许多幻觉源于模型被迫在不确定时给出答案,而非像人类那样「暂停思考、复查输出」。解决方案是赋予模型更好的「元认知」能力,使其能评估对整个事实或陈述的置信度,就像 AlphaFold 为其预测提供置信度分数一样。这需要模型在推理时进行更深入的「思考」和规划步骤,回头审视自己的输出。他比喻道,目前的模型有时像是一个不假思索、脱口而出的人,我们需要训练它学会「三思而后言」。 世界模型:超越语言,理解物理现实 Hassabis 长期以来的科研激情之一就是「世界模型」与模拟。他认为,尽管语言模型对世界的理解已超预期,但许多关于空间动态、物理机制、感官体验的知识,难以用语言充分描述,必须通过体验来学习。这就是世界模型的价值所在:一个能够理解世界因果与机械原理的模型。 Google DeepMind 的 Genie(生成交互环境)和 Veo(视频生成)等项目,正是构建此类模型的尝试。能够生成逼真的动态世界,本身就证明系统封装了世界的部分力学原理。这些模型是迈向通用助手(如通过眼镜或手机在现实世界中帮助用户)和高级机器人的关键一步。Hassabis 甚至展望,未来可以将智能体(如他们的 SIMA 项目)放入由 Genie 实时生成的世界中,让两个 AI 相互交互,从而创造出近乎无限的任务训练环境,形成一个强大的训练循环。 然而,确保模拟世界的物理真实性是一大挑战。当前视频模型的物理效果「肉眼看来逼真」,但经不起严格的物理实验检验。为此,团队正在创建物理基准测试,使用精确的游戏引擎生成大量简单物理场景(如小球滚落轨道)的数据,以训练和验证模型是否真正掌握了牛顿力学等基本原理。 从科学工具到社会重构:AI 的深远影响 Hassabis 重申了他长期持有的观点:AI 在短期被高估,但其长期影响却被严重低估。他将 AI 带来的变革与工业革命类比,但规模可能大十倍,速度则快十倍(以十年计而非百年)。这意味着社会适应的时间窗口非常紧迫。 他坦言,当前全球在为此做准备方面的协作远远不足。机构碎片化,地缘政治紧张,如同在气候变化问题上的困境一样。他担心,可能需要一次「中等规模的警告性事件」才能促使国际社会就基本标准达成合作。但同时,他也看到积极的商业压力:企业客户在选择 AI 代理时,会倾向于那些有明确护栏和边界的负责任供应商,这有助于市场淘汰「牛仔式」的鲁莽操作。 展望后 AGI 时代的经济,Hassabis 与 Google DeepMind 联合创始人 Shane Legg 正在思考社会可能需要如何重构。现有的「以劳动换取资源」的经济体系可能无法运转。全民基本收入(UBI)可能是解决方案的一部分,但或许需要更根本性的新经济模型,例如基于信用的直接民主决策系统。更深层的是哲学问题:如果融合能源等技术也得以解决,进入「后稀缺」时代,工作的意义和人生的目的将如何定义? 终极追问:图灵机的极限与人类心智 对话最终回归到 Hassabis 最核心的科学与哲学追求:探索图灵机的计算极限。他毕生的工作,从破解围棋到折叠蛋白质,都是在推进这一边界。 他提出了一个宏伟的设想:如果我们构建出 AGI,就可以将其作为心智的模拟,然后与真实的人类心智进行比较,从而找出差异,识别出人类心智中可能独特或「不可计算」的部分——无论是创造力、情感、梦境还是意识本身。目前,物理学尚未发现宇宙中存在任何「不可计算」的事物。尽管有学者(如 Roger Penrose)认为大脑中存在量子效应,但 Hassabis 个人倾向于认为,如果以正确的方式看待,宇宙中的一切都是可计算的,图灵机或许能够模拟万物。 他深受哲学家康德的影响,认为「现实是心智的建构」。我们感知到的温暖、触感、声音,最终都是信息,而生物体本质上是信息处理系统。这正是他们通过 AlphaFold 等工具研究生物学的方式——将生命视为信息处理过程。理解这一点,或许是最终治愈所有疾病的钥匙。 前沿的负担与使命 站在这个历史性时刻的前沿,Hassabis 承认其中夹杂着复杂的情感。一方面是无比的兴奋,几乎每月都有前沿发现;另一方面是沉重的责任,因为他比绝大多数人更清楚即将到来的巨变之规模。他将其视为一生训练的目标——从象棋、计算机、游戏、神经科学到 AI,所有积累都是为了应对此刻。 他预见到,未来几年最大的变化将从「被动系统」(用户提问,模型回答)转向「智能体系统」。这些更自主的代理将无比有用,但也伴随着更高的风险。为此,团队已在积极研究网络防御,以应对未来可能数百万代理在互联网上活动的世界。 对于自己的使命,Hassabis 清晰地定义为:「帮助世界安全地将 AGI 引导过线,造福全人类。」 他认识到这需要前所未有的协作。当那一天到来,他或许可以享受一个应得的休假,但之后,还有超级智能和后 AGI 社会的全新挑战等待探索。这场对话揭示的,不仅是一家顶尖 AI 实验室的路线图,更是一位科学家对技术本质与人类未来的深刻沉思。

08/16 09:56
安全Magic Ed...人工智能(AI)
今日快讯
2026-08-17
更多
暂无数据~
更多消息
热门导航工具
更多
加入社群

Techub 是一个全球性的科技社区,旨在为初创企业提供支持和资源,我们的使命是成为全球最受欢迎的科技社区。

备案号粤ICP备2023094802号