Интервью с Хасабис от Sequoia: информация — это сущность вселенной, ИИ откроет совершенно новую научную ветвь

Исходный текст整理: Гуэ Гэ AI Новые знания

Этот материал подготовлен по интервью с Demis Hassabis на канале Sequoia Capital, опубликованному 29 апреля 2026 года.

Краткое содержание: Интервью с Demis Hassabis на AI Ascent 2026 от Sequoia Capital

Связь AI и игр: игры — отличная лаборатория для искусственного интеллекта. Использование AI в качестве основной механики не только эффективно проверяет алгоритмические идеи, но и обеспечивает раннюю вычислительную поддержку для разработки технологий.

“Теория времени” для стартапов: предпринимательство должно “опережать эпоху на пять лет, а не на пятьдесят”. Важно остро чувствовать баланс между технологическими прорывами и практическими потребностями, слишком раннее опережение зачастую мешает успеху.

Путь развития AGI: миссия DeepMind ясна и тверда — первый шаг, создание универсального искусственного интеллекта (AGI); второй — использование AGI для решения всех сложных задач, включая науку и медицину.

Ключевая ценность “AI for Science”: AI — идеальный язык для описания биологических и сложных природных систем. Благодаря моделированию на базе AI, цикл разработки новых лекарств может сократиться с нескольких лет до нескольких недель, а также стать возможным персонализированное лечение.

Появление новых научных дисциплин: сложность систем AI сама по себе породит новые инженерные науки, такие как “механизмная интерпретируемость”. В то же время, моделирование на базе AI позволит проводить управляемые эксперименты в таких сложных социальных системах, как экономика, открывая новые области науки.

Информация — суть вселенной: материя, энергия и информация могут взаимно преобразовываться. Возможно, суть Вселенной — это огромная система обработки информации, что придает AI глубокий смысл в понимании фундаментальных закономерностей её функционирования.

Границы вычислений тьюринговой машины: современные системы AI, такие как нейронные сети, уже доказали, что классическая тьюринговая машина способна моделировать задачи, ранее считавшиеся решаемыми только квантовыми вычислениями (например, сворачивание белков). Человеческий мозг, вероятно, — это своего рода высоко приближенная тьюринговая машина.

Философия сознания: сознание, возможно, состоит из компонентов, таких как самосознание и временная непрерывность. В пути к AGI мы должны рассматривать его как мощный инструмент и с его помощью исследовать философский вопрос о “сознании”.

Краткое содержание

Соучредитель и CEO Google DeepMind, лауреат Нобелевской премии по химии 2024 года за AlphaFold, Demis Hassabis, в диалоге с партнером Sequoia Capital Konstantine Buhler на AI Ascent 2026 обсудили путь к AGI и будущее после него.

В беседе он объяснил, почему уверен, что к 2030 году возможно создание AGI, почему долгий цикл разработки новых лекарств может сократиться с десятилетий до нескольких дней, а также почему “информация”, а не материя или энергия, — это самая фундаментальная суть вселенной. Также он затронул, как бы оценил ограничения современных AI Эйнштейн, если бы он был жив, и почему ближайшие один-два года станут ключевыми для судьбы человечества.

Полное интервью

Ведущий: Demis, большое спасибо, что пришли.

Демис Хассабис: Очень рад быть здесь. Благодарю всех за приглашение, очень приятно общаться.

Ведущий: Для нас большая честь пригласить вас на наш шоколадный завод.

Демис Хассабис: Только что услышал об этом. Очень жду, чтобы попробовать шоколад.

Ведущий: Отлично. Demis, перейдем к сути. Сегодня у нас в гостях настоящий ветеран индустрии: он — оригинальный мыслитель, основатель, провидец и пионер во всех областях AI. Demis — искренний верующий и ученый.

Начало и внутренний мотив Demis

Наш разговор начнется с ранней истории основания DeepMind, затем углубимся в науку и технологии, и завершится вопросами аудитории. Тогда начнем.

Demis, ты был гением шахмат, основателем игровой компании и нейроученым. Ты — основатель DeepMind и сейчас руководишь крупной, влиятельной компанией. Эти роли кажутся разными, но ты говорил, что у них есть одна внутренняя нить. Можешь поделиться ею?

Демис Хассабис: Да, есть одна основная линия, хотя, возможно, это — постфактум объяснение. Но я давно хотел заниматься AI. Уже в ранние годы я был уверен, что это — самое важное и увлекательное дело в моей жизни. С 15-16 лет все мои учебные выборы и дела были направлены на то, чтобы однажды создать такую компанию, как DeepMind.

Игры: тренировочная площадка для искусственного интеллекта

Я “обходными путями” вошел в игровую индустрию, потому что в 90-х там зарождались самые передовые технологии. Не только AI, но и графика, и аппаратное обеспечение. Например, GPU, которые мы сейчас используем, изначально создавались для графических движков, и я уже в конце 90-х начал использовать ранние версии GPU. Все мои игры — для Bullfrog или моей собственной Elixir Studios — строились вокруг AI как основной механики.

Самая известная моя работа — это, наверное, “Theme Park”, разработанная мной примерно в 17 лет. Это симулятор парка развлечений, где тысячи маленьких персонажей посещают парк, используют аттракционы и выбирают, что купить в магазинах. За внешней оболочкой — полноценная экономическая модель AI. Аналогично “SimCity”, это был один из первых подобных проектов. Когда я увидел, что он продался более чем на 10 миллионов копий и что игроки получают удовольствие, взаимодействуя с AI, я окончательно решил посвятить жизнь AI.

Позже я переключился на нейронауку, чтобы черпать вдохновение из работы мозга и разрабатывать новые алгоритмы. Когда настал момент основать DeepMind, все мои накопленные знания и идеи слились воедино — и все стало казаться естественным. Мы также использовали игры как раннюю тренировочную площадку для проверки AI-концепций.

Создание Elixir Studios

Ведущий: Сегодня у нас много предпринимателей. Ты — человек, прошедший два стартапа. Расскажи о своем первом опыте — Elixir Studios. Это не самая известная твоя компания, но она принесла успех. Как ты руководил ею? Чему она тебя научила о создании компании?

Демис Хассабис: Да, я создал Elixir сразу после университета. Мне повезло поработать в Bullfrog Productions — легендарной студии, одной из лучших в Британии и Европе того времени.

Я хотел расширить границы AI. В те годы я использовал разработку игр как “обходной путь” для финансирования исследований AI, постоянно бросая вызов технологиям и сочетая их с креативностью. Это — подход, который актуален и сегодня в исследовательской работе.

Самое важное, чему я научился — это: нужно опережать эпоху на 5 лет, а не на 50. В Elixir мы пытались создать “Республику” — игру, моделирующую целую страну. В ней игрок мог свергнуть диктатора разными способами, а городские системы — живые, дышащие города.

Это было в конце 90-х, когда компьютеры работали на Pentium. Мы должны были на обычных домашних ПК прорисовать миллионы графических элементов и AI-логики. Это было очень амбициозно — даже слишком, и вызвало много проблем.

Я запомнил урок: нужно идти впереди времени, но если опередить слишком сильно — провалишься. Важно найти баланс.

Основание DeepMind в 2009 году

Ведущий: Хорошо, чтобы не опережать эпоху слишком сильно, расскажи о 2009 году. Ты был уверен, что к 2030 году достигнешь AGI. Тогда ты был примерно на 10 лет впереди, а не на 50. Как ты убедил первых талантов присоединиться? В то время идея AGI казалась фантастикой.

Демис Хассабис: Мы заметили некоторые признаки, что можем опережать на 5-10 лет. В то время глубокое обучение только появилось благодаря Jeff Hinton, но мало кто понимал его потенциал. Мы имели сильные позиции в усиленном обучении, и думали, что их сочетание даст прорыв. Тогда эти технологии почти не объединялись — только в учебных задачах.

Также мы увидели потенциал вычислительных мощностей: GPU тогда начали играть ключевую роль. Сейчас используют TPU, но тогда ускорители были важнейшим драйвером. В конце моего докторантурного пути, благодаря коллегам — вычислительным нейроученым — мы извлекли из работы мозга важные идеи, в том числе веру, что усиленное обучение при масштабировании может привести к AGI.

Мы собрали все эти компоненты. Чувствовали, что держим в руках секрет — никто в академии или индустрии не верил, что AI достигнет значительных успехов. Когда мы заявили о разработке AGI (или “сильного AI”), многие смотрели с недоверием. В 90-х уже пробовали — и не получилось.

Я делал постдок в MIT, где были эксперты по экспертным системам и логике. Тогда мне казалось, что эти подходы устарели. Но в Cambridge и MIT все еще использовали старые методы. Это укрепляло мою уверенность, что мы выбрали правильный путь. Даже если провалимся — сделаем это по-новому, не повторяя ошибок 90-х. Это было достойно попытки, даже если проект рискованный.

Миссия DeepMind и ставка на AGI

Ведущий: В начале у вас были сопротивления? Нужно было что-то доказывать себе или команде, чтобы поверили?

Демис Хассабис: Я всегда буду вкладывать всю душу в AI. Изначально я был уверен, что это — самое важное и захватывающее. И сейчас, спустя годы, я вижу, что прогресс идет быстрее, чем ожидали. Но это — в рамках наших прогнозов на 2010 год — примерно 20-летний проект.

Я считаю, что мы движемся по плану, и делаем важную работу.

Даже если бы все пошло иначе, я бы все равно шел этим путем, потому что AI — моя самая важная технология. Моя цель — сначала создать универсальный AI (AGI), а потом использовать его для решения всех проблем. Это — одна из самых значимых технологий, которые человечество может придумать.

AI — инструмент науки и удивительное творение, а также лучший способ понять человеческий разум (сознание, сны, творчество). Как нейроученый, я чувствовал нехватку аналитических инструментов для изучения этих вопросов. AI дает нам механизм сравнения — как эксперимент, чтобы глубже понять разные системы.

“AI для науки”: культура и подходы

Ведущий: Давайте поговорим о “AI для науки”. Ты — сторонник этой идеи, идеалист и движим миссией. Как модель и культура DeepMind помогают ей оставаться на передовой “AI для науки”?

Демис Хассабис: Это — наша главная цель. Для меня — создание AI, который продвинет науку, медицину и наше понимание мира. Я реализую это через “методологию” (Meta Way): сначала создаем универсальный инструмент, а потом применяем его для научных прорывов. Мы уже достигли AlphaFold и верю, что впереди много новых открытий.

DeepMind постоянно держит эту цель в центре внимания. У нас есть отдел “AI для науки” под руководством Pushmeet Kohli, который существует почти 10 лет. После победы AlphaGo в Сеуле мы сразу начали работу в этом направлении, и с тех пор прошло почти десять лет.

Я долго ждал, пока алгоритмы станут достаточно мощными и универсальными. Победа в игре Го стала поворотным моментом — мы поняли, что пора применять идеи к реальным задачам. И именно с этих задач мы начали.

Верим, что это — самое благоприятное применение AI. Что может быть лучше, чем лечить болезни, продлевать жизнь, помогать медицине? В ближайшие годы AI изменит материалы, экологию, энергетику — и это только начало.

Биологические прорывы и Isomorphic Labs

Ведущий: Как AI достиг прорыва в биологии? Ты активно участвуешь в работе Isomorphic Labs — области, которая тебе близка. Ты с самого начала верил в потенциал AI для лечения болезней. Когда в биологии наступит “золотой век”, сравнимый с языками или программированием?

Демис Хассабис: Я считаю, что AlphaFold уже — наш “золотой век” в биологии. Сворачивание белков и их 3D-структуры — задача, решавшаяся 50 лет. Решение этой задачи — ключ к дизайну лекарств и пониманию биологических кодов. Но это — только часть процесса поиска лекарств.

Новая компания Isomorphic Labs, которой я руковожу, занимается созданием технологий для автоматического проектирования соединений, идеально подходящих к определенным участкам белков. Когда мы уже знаем форму и поверхность белка, мы можем “замкнуть” мишень. Далее нужно создать соединения, которые будут связываться с этим участком с высокой аффинностью и без побочных эффектов.

Мечта — перенести 99% работы по разработке лекарств в симуляции, оставив мокрые эксперименты только для финальной проверки. Если это удастся — а я уверен, что да, — то цикл поиска лекарства сократится с десятилетий до месяцев, недель или даже дней.

Когда это станет реальностью, лечение всех болезней станет возможным. Персонализированная медицина — создание лекарств под конкретного пациента — станет реальностью. В ближайшие годы медицина и фармацевтика претерпят революцию.

Новые науки, рожденные моделированием

Ведущий: Замечательно. Вы много говорили о “AI для науки”. Как вы видите, в будущем AI породит новые научные системы? Как индустриальная революция породила термодинамику, так и новые дисциплины могут появиться в образовании. Что это будет за науки?

Демис Хассабис: Я думаю, произойдут такие вещи:

Во-первых, понимание и анализ самих AI-систем станет отдельной дисциплиной — инженерной наукой (Engineering Science). Эти системы — невероятно сложные и интересные. В конце концов, их сложность сравнима с человеческим разумом и мозгом. Нужно глубоко изучать их работу, чтобы понять, как они функционируют — и это далеко за пределами наших сегодняшних знаний. В этом появится новая область, механистическая интерпретируемость (Mechanistic Interpretability). Мы еще много можем открыть в этом направлении.

Во-вторых, AI откроет новые двери в науке. Особенно меня вдохновляет “AI для моделирования” (AI for Simulations). Я — фанат моделирования; все мои игры — это симуляторы, и AI в них — неотъемлемая часть. Моделирование — ключ к решению сложных задач в социальных науках, таких как экономика, и в гуманитарных дисциплинах.

Эти системы — системы с эмерджентными свойствами (Emergent Systems), очень трудно проводить управляемые эксперименты. Например, если поднять ставку по процентной ставке на 0.5%, мы можем только наблюдать последствия в реальности. Теории есть, а повторить эксперимент — невозможно. Но если мы сможем точно моделировать эти системы, то с помощью симуляторов — очень точных — можно будет делать выводы и открывать новые законы.

Я верю, что это даст нам возможность принимать лучшие решения в областях с высокой неопределенностью.

Что нужно для таких точных моделирований? Например, модели мира (World Models). Какие научные и инженерные прорывы необходимы, чтобы их создать?

Демис Хассабис: Я много думал об этом. Мы используем обучаемые симуляторы (Learning Simulators) — модели, которые учатся на данных и моделируют сложные системы. В тех областях, где у нас мало знаний или системы очень сложные, такие симуляторы — единственный путь.

Например, у нас есть “WeatherNext” — очень точный метеорологический симулятор, который работает быстрее, чем существующие инструменты. Мы не уверены, можем ли понять все, и не уверены, что это — хорошая идея, но первый шаг — лучше понять эти системы.

Даже в биологии мы разрабатываем “виртуальные клетки” — динамичные эмерджентные системы. Математика — язык физики, а машинное обучение — язык биологии. В биологии и природных системах много слабых сигналов, данных и связей, которые превосходят возможности человеческого мозга. Но внутри этого — скрытые связи, причинно-следственные отношения.

Машинное обучение — идеальный инструмент для описания таких систем. Пока математика не смогла этого сделать, потому что системы слишком сложные или слишком хаотичные. Но если мы научимся моделировать их точно, то сможем извлечь законы, подобные уравнениям Максвелла.

Может быть, я не знаю, есть ли такие законы, но если есть — мы сможем их открыть.

Философия сознания: как понять “сознание”

Ведущий: Вы говорили, что основная составляющая вселенной — это информация. Как вы к этому пришли? Что это значит для классических вычислений по Тьюрингу?

Демис Хассабис: Конечно, можно сослаться на уравнение Эйнштейна E=mc² и на всю работу Эйнштейна, показывающую, что энергия и материя — эквивалентны. Но я считаю, что информация тоже обладает подобной эквивалентностью. Материя и структура — это формы организации информации. Особенно в живых системах, которые сопротивляются энтропии, — всё это можно рассматривать как информационные системы.

Я чувствую, что информация — это фундаментальная суть. В 20-х годах прошлого века физики считали, что энергия и материя — первичные. А я думаю, что информация — это более базовая основа.

Если это так, то смысл AI — в организации, понимании и создании информационных объектов. AI — это по сути обработка информации. И если мы рассматриваем мир через призму информации, то все области — физика, биология, математика — связаны глубже, чем кажется.

Классическая машина Тьюринга способна считать всё, что можно представить как алгоритм. Иногда я думаю, что наш мозг — это приближение к тьюринговой машине.

Об сознании и философия

Я часто размышляю о связи между нашим пониманием сознания и моделями вычислений. В пути к AGI мы должны рассматривать его как мощный инструмент, а не как нечто сверхъестественное. Но возникает вопрос: когда AI достигнет уровня, при котором оно сможет моделировать или даже обладать сознанием? Это — вопрос, который мы должны решить.

Я считаю, что сознание — это, возможно, совокупность компонентов, таких как самосознание, временная непрерывность и субъективный опыт. В процессе развития AGI мы можем использовать инструменты, созданные на базе AI, чтобы лучше понять эти явления.

Что касается определения “сознания”, — это все еще открытый вопрос. Я обсуждал его с философами, в том числе с Дэниелом Деннетом. Важный аспект — поведение системы: она ведет себя как сознательная. Но также важно, на какой основе она функционирует — субстрате.

Если предположить, что у двух систем — у человека и AI — одинаковый опыт, то по принципу экономии (принципу Оккама) их можно считать равными. Но мы не можем полностью воспроизвести субстрат человеческого мозга в искусственной системе. Поэтому полностью устранить эту разницу — очень сложно. Можно судить по поведению, но субъективный опыт — другой вопрос. Возможно, в будущем, после достижения AGI, появятся способы исследовать это, но это — за рамками сегодняшних дискуссий.

Вопросы философии сознания — очень сложные, и я не уверен, что есть окончательные ответы.

Заключение и быстрые вопросы

Ведущий: Отлично. Сейчас перейдем к вопросам из зала. Вы упоминали философов — Канта и Спинозу. Они — ваши любимые. Кант — деонтолог, подчеркивающий обязанности; Спиноза — детерминист. Как вы связываете эти идеи? Какое у вас представление о устройстве мира?

Демис Хассабис: Мне нравятся оба, потому что Кант говорил, что “ум создает реальность” — я это понял, когда изучал нейронауку. Это — важная идея, которая помогает понять, как работает наш разум. Нужно понять, как наш ум интерпретирует реальность.

Спиноза — о духовных аспектах. Если использовать науку как инструмент, то мы начинаем постигать глубинные законы вселенной.

Это — мои размышления о нашей деятельности. Я чувствую, что, создавая AI и исследуя его, мы как бы читаем язык вселенной.

Ведущий: Замечательно. Демис, вы — ученый, оратор и философ. Перед завершением — быстрые вопросы. Предсказание: когда появится AGI — раньше или позже ожиданий? Или лучше отказаться?

Демис Хассабис: Я считаю, что примерно к 2030 году. В этом я уверен.

Ведущий: Хорошо, 2030 год. Тогда — что бы вы посоветовали почитать или посмотреть после достижения AGI?

Демис Хассабис: Мне нравится книга Дэвида Дойча “Ткань реальности”. Там — идеи, которые остаются актуальными. Надеюсь, что с помощью AGI я смогу ответить на глубокие вопросы, поднятые в этой книге.

Ведущий: Отлично. А самое гордое достижение в DeepMind?

Демис Хассабис: Наверное, — создание AlphaFold.

Ведущий: Хорошо. И последний вопрос — если бы вы участвовали в сложной стратегической игре, например, “Цивилизация” или “Polytopia”, и могли выбрать ученого в команду, кого бы взяли — Эйнштейна, Тьюринга или Ньютона?

Демис Хассабис: Наверное, — фон Нейман. Он — гений гейм-теории.

Ведущий: Замечательный выбор. Демис, спасибо вам за участие. Давайте поблагодарим его аплодисментами.