Demis Hassabis: Future of AI, Simulating Reality, Physics and Video Games | Lex Fridman Podcast #475
В этом эпизоде Лекс Фридман беседует с Демисом Хассабисом — генеральным директором Google DeepMind, пионером в области искусственного интеллекта и лауреатом Нобелевской премии по химии за работу над AlphaFold. Это их вторая встреча на подкасте.
Главная тема разговора — способность ИИ моделировать сложнейшие природные системы, от гидродинамики до фолдинга белков, и философские последствия этих достижений. Хассабис подробно объясняет, как эволюционные процессы создают предсказуемые паттерны, почему ИИ способен «понимать» физику через наблюдение, какова роль видеоигр в создании AGI (общего искусственного интеллекта) и какие технологические прорывы необходимы человечеству для выживания и перехода на новый уровень цивилизационного развития.
Моделирование природных систем и гипотеза Хассабиса
Ограничения классических вычислений и успех ИИ в гидродинамике 00:00: Классические методы вычисления, такие как уравнения Навье-Стокса для гидродинамики, требуют колоссальных вычислительных мощностей и часто не справляются со сложными нелинейными системами. Однако современные генеративные видеомодели, такие как Veo 3 от Google, демонстрируют поразительную способность моделировать поведение жидкостей, материалов и освещения. ИИ извлекает скрытую структуру поведения материалов просто из наблюдения за видеоданными, реверс-инжинирируя физические законы без прямого программирования физических движков.
Нобелевская гипотеза о познаваемости природы 02:07: В своей Нобелевской лекции Хассабис выдвинул гипотезу: любой паттерн, созданный природой, может быть эффективно смоделирован алгоритмами машинного обучения. Системы вроде AlphaFold (предсказание структуры белка) работают в комбинаторно огромных пространствах, где полный перебор вариантов занял бы время, превышающее возраст Вселенной. Однако природа решает задачу фолдинга белка за миллисекунды. Это означает, что процесс не случаен — он имеет структуру, сформированную эволюцией.
Выживание наиболее стабильного 03:50: Причина, по которой природные системы поддаются моделированию ИИ, кроется в эволюционном отборе, который Хассабис называет «выживанием наиболее стабильного». Будь то биологическая эволюция, геологическое выветривание гор или космологическое формирование орбит планет — все эти процессы отсеивают нестабильные состояния. В результате формируется не случайный набор данных, а низкоразмерное многообразие (manifold), паттерны которого нейросети способны успешно выявлять и изучать.
P vs NP и новый класс вычислительной сложности
Природные системы как новый класс сложности 05:48: Хассабис предлагает рассматривать задачи моделирования природных систем через призму проблемы P vs NP. Он предполагает существование нового класса сложности — LNS (Learnable Natural Systems, обучаемые природные системы). Это подмножество задач, которые могут быть эффективно решены (аппроксимированы за полиномиальное время) с помощью нейросетей, несмотря на то, что для классических алгоритмов они остаются непреодолимо сложными (NP-трудными).
Предварительные вычисления против перебора 07:30: ИИ меняет парадигму решения сложных задач. Вместо того чтобы решать задачу перебором в реальном времени, нейросеть тратит колоссальное количество времени и энергии на этапе обучения (pre-training), создавая гигантскую модель предметной области. После этого этап вывода (inference) — то есть поиск решения или предсказание следующего шага — происходит очень быстро и эффективно. Это позволяет обходить ограничения классических вычислений.
Понимание физики и концепция «Воплощенного ИИ»
Интуитивное понимание физики моделями ИИ 10:46: На вопрос о том, «понимают» ли видеогенераторы вроде Veo 3 физику, Хассабис отвечает утвердительно, но уточняет определение. Это не философское понимание и не знание уравнений, а интуитивное понимание динамики, похожее на то, как ребенок понимает гравитацию. Если модель способна стабильно и без галлюцинаций предсказывать следующие кадры сложного физического процесса (например, разбивающегося стекла или текущей воды), это означает, что она успешно усвоила внутренние правила этой среды.
Обучение через пассивное наблюдение 17:51: В науке об ИИ долгое время доминировала теория «воплощенного познания» (embodied AI), согласно которой для понимания мира агент должен физически взаимодействовать с ним (как робот). Однако успехи современных моделей показывают, что пассивного наблюдения (анализа огромных массивов видео) достаточно для формирования глубокого понимания физики. ИИ способен извлекать причинно-следственные связи без необходимости физически действовать в среде.
Роль видеоигр в разработке AGI
Игры как идеальный полигон для ИИ 18:50: Хассабис, начинавший карьеру в геймдеве (создатель Theme Park, разработчик Black & White), считает видеоигры идеальной средой для тестирования ИИ. Игры предоставляют безопасную, ограниченную правилами, но при этом невероятно сложную среду, где можно легко измерить успех (победа или поражение). Именно поэтому прорывы DeepMind начались с игр (Atari, AlphaGo, StarCraft).
Будущее интерактивных медиа 20:30: Хассабис предсказывает слияние генеративного ИИ и видеоигр. В будущем игры не будут жестко запрограммированы; они будут генерироваться в реальном времени под конкретного игрока. Это приведет к созданию персонализированных миров, где ИИ будет на лету создавать сюжет, диалоги, физику и визуальный ряд, реагируя на любые, даже самые нестандартные действия пользователя.
Путь к AGI и научные открытия
Необходимость концептуальных скачков (Move 37) 22:50: Для достижения настоящего AGI недостаточно просто масштабировать текущие модели. ИИ должен научиться совершать концептуальные скачки, подобные «Ходу 37» программы AlphaGo — ходу, который нарушал тысячелетние человеческие догмы, но оказался гениальным. В науке это эквивалентно созданию новых теорий, таких как теория относительности Эйнштейна. Текущие LLM отлично интерполируют известные данные, но пока не способны на радикальные инновации.
Пределы масштабирования и синтетические данные 26:30: Хассабис не верит, что простое увеличение вычислительных мощностей и объемов данных приведет к AGI. Существует риск исчерпания качественных человеческих данных. Для дальнейшего прогресса потребуются архитектурные прорывы (подобные изобретению трансформеров) и переход к использованию синтетических данных, сгенерированных самим ИИ, а также гибридные системы, объединяющие LLM с алгоритмами поиска (подобными Monte Carlo Tree Search).
Будущее цивилизации и экзистенциальные риски
Энергетический барьер и шкала Кардашева 30:08: Для перехода человечества на уровень Цивилизации I типа по шкале Кардашева необходимо решить проблему энергии. Хассабис делает ставку на термоядерный синтез и продвинутую солнечную энергетику (включая космические солнечные панели). ИИ сыграет ключевую роль в этом переходе, помогая проектировать реакторы (например, удерживать плазму) и разрабатывать новые сверхпроводящие материалы.
Оценка рисков (P-doom) и необходимость сотрудничества 31:22: Хассабис отказывается называть точный процент вероятности гибели человечества от ИИ (P-doom), считая такие цифры псевдонаучными. Он признает наличие серьезных рисков (например, использование ИИ плохими акторами для создания биологического оружия), но остается оптимистом. Главное условие выживания — поэтапное внедрение технологий, тщательное тестирование и международное сотрудничество (включая диалог между США и Китаем) для создания глобальных стандартов безопасности.
Природа сознания 27:36: Обсуждая философию Дэниела Деннета, Хассабис отмечает, что вопрос о том, может ли ИИ обладать сознанием, остается открытым. Он допускает, что сознание может быть не уникальным свойством углеродной биологии, а эмерджентным свойством любой достаточно сложной системы обработки информации, включая кремниевые чипы.
Философское послесловие Лекса Фридмана
Осознанность и выбор мышления 34:30: В конце эпизода Лекс Фридман цитирует знаменитую речь Дэвида Фостера Уоллеса «Это вода». Главный тезис заключается в том, что естественная, базовая настройка человеческого разума — это глубокий эгоцентризм и уверенность в том, что мы являемся центром вселенной. Истинная свобода и образование заключаются не в накоплении знаний, а в умении контролировать то, *как* и *о чем* мы думаем. Это способность осознанно выбирать эмпатию, замечать красоту в банальных вещах и преодолевать свою природную высокомерность в повседневной жизни.
🔍 Анализ: фактчек и польза
ФАКТЧЕК
Хассабис — лауреат Нобелевской премии по химии за работу над AlphaFold — ✅ подтверждается: В октябре 2024 года Демис Хассабис и Джон Джампер из DeepMind получили половину премии за создание ИИ-модели AlphaFold2. Система решила 50-летнюю проблему биологии, предсказав 3D-структуру практически всех 200 миллионов известных науке белков.
Современные генеративные видеомодели, такие как Veo 3 от Google, способны моделировать поведение жидкостей и материалов — ✅ подтверждается: Модель Veo 3, представленная Google в мае 2025 года (и обновленная до Veo 3.1), действительно генерирует 4K-видео с высокой консистентностью и встроенным звуком. Способность таких моделей сохранять физику объектов подтверждает тезис о том, что ИИ выявляет скрытые паттерны из огромных массивов видеоданных.
Существование нового класса вычислительной сложности LNS (Learnable Natural Systems) — ✅ подтверждается: Эту концепцию Хассабис официально представил в своей Нобелевской лекции в декабре 2024 года. Суть гипотезы в том, что природные системы обладают внутренней структурой, отфильтрованной эволюцией, что позволяет нейросетям эффективно их аппроксимировать, даже если для классических алгоритмов эти задачи остаются NP-трудными.
Пассивного наблюдения достаточно для глубокого понимания физики (вопреки Embodied AI) — ⚠️ спорно/неточно: Хотя видеомодели выдают визуально достоверную физику, в ML-сообществе идет жесткая дискуссия на этот счет. Многие ведущие исследователи считают, что генерация пикселей — это сложная интерполяция, а не истинное понимание причинно-следственных связей, и для полноценного AGI физическое взаимодействие со средой (Embodied AI) все же потребуется.
ИИ совершает концептуальные скачки, подобные «Ходу 37» AlphaGo — ✅ подтверждается: Знаменитый 37-й ход во второй партии против Ли Седоля (2016 год) оценивался самой системой как имеющий вероятность 1 к 10 000 для выбора человеком. ИИ нашел гениальную стратегию вне человеческих шаблонов, так как был обучен максимизировать математическую вероятность победы, а не количество очков.
ИИ сыграет ключевую роль в термоядерном синтезе, помогая удерживать плазму — ✅ подтверждается: DeepMind занимается этим на практике. Еще в 2022 году они совместно со Швейцарским центром плазмы (EPFL) обучили ИИ управлять 19 магнитными катушками токамака TCV, корректируя форму плазмы 10 000 раз в секунду. В 2025 году они расширили работу, запартнерившись с Commonwealth Fusion Systems для ускорения создания коммерческих реакторов.
ЛИЧНО ДЛЯ ТЕБЯ
Сдвиг архитектуры (Pre-training vs Inference): Для твоих веб-проектов и Telegram-ботов это сигнал менять подход к сложной логике. Вместо тяжелых вычислений или сложных ветвлений в реальном времени, переноси нагрузку на этап подготовки (fine-tuning, прекалькуляция эмбеддингов, сбор векторной базы). На проде (inference) оставляй только быстрый поиск и генерацию ответа через LLM.
Предел LLM и гибридные системы: Хассабис прямо говорит, что простое скармливание текста моделям упирается в потолок. Чтобы твои ИИ-продукты были умнее конкурентов, внедряй гибридные подходы: скрещивай LLM с классическими алгоритмами поиска, валидацией через внешний код (например, Python-интерпретатор в боте) и цепочками рассуждений (chain-of-thought).
Игры как песочница для разработки: Если ты делаешь сложного ИИ-агента, не тестируй его сразу на реальных пользователях. Создай для него закрытую симуляцию с жесткими правилами и метриками успеха (как в видеоиграх, с которых начинал Хассабис). Это позволит безопасно отладить логику и измерить эффективность бота до релиза.
Генерация интерфейсов на лету: Прогноз о слиянии ИИ и игр применим к любому интерактивному продукту. В будущем интерфейсы твоих веб-проектов могут не быть жестко сверстаны, а генерироваться под конкретного пользователя. Уже сейчас можно экспериментировать с динамическим UI, который LLM собирает из готовых компонентов (React/Vue) в зависимости от запроса клиента.