在 Google I/O 2025 的 AI Stage 分论坛上，来自 Big Technology Podcast 的主持人 Alex Kantrowitz ，和Google DeepMind 联合创始人兼首席执行官 Demis Hassabis ，以及谷歌联合创始人 Sergey Brin 带来了一场富有远见的对话。这场讨论聚焦前沿模型的进展、规模化与算法创新的重要性、推理范式在AI发展中的作用，以及对 AGI 的定义和未来展望等话题，分享各自的见解。

以下为本次精彩对话的实录：

Alex Kantrowitz：各位，今天现场高朋满座！我听到了大家的欢呼声，每个人都已经感受到了这里的热烈气氛！让我们正式开始。我是 Alex Kantrowitz ，Big Technology Podcast 的主持人。今天我将与两位杰出的嘉宾共同探讨人工智能的前沿领域。一位是 Google DeepMind 的首席执行官Demis Hassabis，很高兴见到您。我们还有一位特别嘉宾，谷歌联合创始人 Sergey Brin 也莅临现场，相信这将会非常有趣。让我们从关于前沿模型的讨论开始。Demis，这个问题先请教您：以我们目前对前沿模型的理解来看，还有多少提升空间？您认为为什么有这么多优秀的人士认为相关技术的回报或进展将趋于平缓？

Demis Hassabis：目前我们正在取得令人难以置信的进展。正如我们今天在主题演讲中所见证的，我们展示了许多激动人心的成果，不仅在现有技术的基础上取得了显著进步，并将其潜力发挥到了极致。同时，我们也在不断创造和发明新的事物。要实现像通用人工智能（AGI）这样的宏伟目标，或许还需要一到两个全新的重大突破。我们有很多前景广阔的想法正在酝酿之中，并希望将它们融入 Gemini 模型系列的主迭代版本中。

Alex Kantrowitz：一直以来，大家都在探讨 scale 的问题——规模的扩大是否能解决所有问题？所以我想请问，就目前的技术改进而言，规模的扩大是扮演着主要驱动角色，还是辅助角色？

Demis Hassabis：我始终认为两者（规模和算法创新）都不可或缺。你需要将现有技术，无论是数据规模还是计算规模，都扩展到极致。同时你还需要投入大量精力研究未来的发展方向，可能着眼于六个月或一年之后，从而实现下一个创新，或许能带来十倍的飞跃，并与规模化扩展形成某种协同效应。所以，在我看来，两者兼顾至关重要。Sergey，您怎么看？

Sergey Brin：我同意这两者都不可或缺。一方面是算法的改进，另一方面是纯粹计算能力的提升——例如更好的芯片、更多的芯片、更强的算力、更大的数据中心。回顾历史，如果我们观察诸如 N体问题（N-body problem）的模拟，例如引力体系统，就会发现算法的进步速度实际上已经超越了遵循摩尔定律的计算能力增长速度。如果要我预测，我会说精炼的算法进步可能比计算能力的进步更为关键，但目前两者都在快速发展，我们正同时受益于这两方面的发展。

Alex Kantrowitz：Demis，您认为当前的进展主要源于建立更大型的数据中心和使用更多的此类芯片吗？有人谈论世界未来将被数据中心所覆盖的景象。这符合您的愿景吗？

Demis Hassabis：并非如此。我们当然会需要更多的数据中心，从科学角度看，这种投入的回报是惊人的。把硅芯片转变为会思考的机器，这本身就不可思议。但这实际上不仅仅是为了模型训练。现在我们拥有了这些广受欢迎的模型，也确实看到了市场对 Gemini 2.5 Pro 的强劲需求。Gemini Flash 模型的性能以及其极具吸引力的低成本让大家非常兴奋，我认为全世界的用户都会希望使用这些技术和模型。因此，现在需要大量的数据中心来支持服务，同时也需要满足推理时对计算资源和时间的需求。

正如您今天所见，类似“深度思考”这样的能力，例如在 Gemini 2.5 Pro 上，您赋予它越多的思考时间，它就能表现得越好。对于某些价值极高、难度极大的任务，投入更长的思考时间是值得的。我们在探索如何进一步提升这方面的能力，这也需要大量的计算芯片来支持运行。

Alex Kantrowitz：您提到了测试时计算，这个推理范式我们已经研究了大约一年，过去也曾两次探讨过它，认为它可以作为对传统大语言模型的一种补充，以获取性能上的增益。所以我觉得现在是一个很好的时机来了解最新进展。您能为我们梳理一下，在推理方面所取得的进展幅度吗？

Demis Hassabis：我们一直坚信我们称之为“推理”的范式。如果您回顾我们早期的工作，例如 AlphaGo 和 AlphaZero 这些在游戏领域的智能代理项目，它们都在核心模型之上具备了这种“推理系统”的特性。实际上，以国际象棋或围棋为例，如果关闭 AlphaGo 或 AlphaZero 的思考系统，那么它仅仅是模型给出的第一直觉或初步判断。这种直觉判断的水平也相当不错，或许能达到大师级水准。但如果开启“推理”功能，它的表现就能超越世界冠军的水平——启用与否，两者的 Elo 等级分差距可达600多分。因此，这种差异在游戏中已显而易见，在更为复杂的现实世界中则可能更为显著。如果在现实世界应用中加入这种思考模式，所带来的增益可能会更大。

当然，挑战在于模型本身，正如我在此前的演讲中提到的，它需要成为一种“世界模型”。这自然远比构建一个简单的游戏模型要困难得多。并且，其中会不可避免地存在误差，这些误差会在长期的规划和推理中累积。但我认为，我们在所有这些方面都取得了良好的进展。

Sergey Brin：是的，正如 Demis 所言，DeepMind 确实开创了许多强化学习方面的工作。他提到，他们在 AlphaGo 和 AlphaZero 上的工作成果，我记得，如果不采用这种长时间推理计算，可能需要多出约5000倍的训练量才能达到同等效果，这显然是一项巨大的优势。

就像我们大多数人在说话前先思考一番会受益一样。虽然并非总能做到，但我经常被提醒要这样做（先思考）。但我认为，一旦人工智能具备了这种“推理”能力，它无疑会变得更加强大。从这个意义上讲，我认为目前所见的仅仅是冰山一角，这些（具备深度思考能力的）模型真正展现其潜力还不到一年时间。

Demis Hassabis：特别是考虑到，如果人工智能在“推理”的过程中，能够调用一系列工具，甚至运用其他AI模型来辅助，就能进一步改进最终的输出结果，这将是一个非常强大的范式。

Alex Kantrowitz：这种“深度推理”的机制非常有趣。我尝试描述一下我的理解：它基本上是多个并行的推理过程，这些过程会相互校验结果。Demis，您曾说过，实现AGI还需要更多突破。您认为这种“深度推理”机制在通往AGI的道路上处于什么位置？它是有可能让整个行业向AGI更近一步的关键机制之一吗？

Demis Hassabis：我想是的，这可能是其中的一部分。我们还需要其他方面的进展，但这（深度推理）确实可以成为改进推理能力的一个重要组成部分。但真正的发明创造从何而来？这不仅仅是解决一个大规模的猜想，而是要能够提出新的假设，例如一个新的物理学理论。目前我认为还没有能够达到这种创造力水平的系统，但这样的系统正在逐步实现。我们需要在构建“世界模型”的准确性方面取得更大进展。

例如 VEO 所展现的潜力就让我非常惊讶，它似乎能直观地理解光影和重力等物理原理。在我职业生涯的早期，我曾参与过电脑游戏的开发工作，不仅涉及人工智能，也包括图形引擎的构建。我仍记得当时需要手动实现所有这些效果——编写光照、着色器等代码。这些过去在早期游戏中费尽心力构建的极其复杂的内容，现在模型似乎凭直觉就能生成，这实在太惊人了。

Alex Kantrowitz：我们已经几次提到了AGI。我发现当前人工智能领域似乎有一种趋势，即不再过多谈论AGI，认为这个词在某种程度上已被过度使用，甚至失去了明确的意义。但 Demis，我感觉您认为AGI这个概念仍然非常重要。能谈谈为什么吗？

Demis Hassabis：是的，我认为它非常重要。我甚至觉得，或许我需要和我们的首席科学家 Shane Legg 共同撰写一些东西来阐述，我们大约在25年前参与创造了这个术语。目前存在两个概念上的混淆。一个是指普通人通常能做的事情的范畴。我们都很能干，但每个人的能力范围是有限的。一个人通常只擅长特定领域的事情，或者说“普通人能做什么？”或者“90%的人能做什么？”。这在经济层面上显然非常重要。从产品的角度来看，这同样至关重要。所以，这是一个非常重要的里程碑。

或许我们应该称之为 human-level intelligence / typical human intelligence（标准人类智能水平）。但我个人更感兴趣的，也就是我所定义的AGI，实际上是一个更偏理论的概念，指的是人类大脑作为一种架构所能达到的能力上限。人类大脑是一个重要的参照点，因为它是宇宙中我们已知的、唯一能够证明通用智能可能存在的实例。要达到AGI，系统必须证明其有能力完成一系列的任务，这些任务是历史上最杰出的人类凭借相同的大脑结构所能完成的。不是指某一个特定的大脑，而是指人类大脑这种通用的结构。像爱因斯坦、莫扎特、玛丽·居里等人所能完成的成就，在我看来，现今的AI系统显然还不具备这样的能力。

另外一点，我认为当今对 AGI 的某些炒作之所以有些言过其实，是因为我们现有的系统虽然能力已经相当广泛，但其表现的一致性和鲁棒性还不足以被称为“完全通用”。它们能完成成千上万种不同的任务，今天大家也见证了许多令人印象深刻的演示。但我们每个人在使用当今的聊天机器人和辅助工具时也都有体会，你可以在几分钟内轻易发现它们的一些明显缺陷，例如无法解决某些高中水平的数学问题，或者玩不了一些基本的游戏。要找到这些系统中的不足之处并不困难。对我而言，一个系统要被称为AGI，其表现必须比现在更加一致和可靠。或许需要一个专家团队花费数月时间才能发现其明显的漏洞，而不是像今天这样，普通用户在几分钟内就能发现。

Alex Kantrowitz：您认为若某家公司率先实现了AGI，这场竞赛就算结束了吗？还是说谷歌、OpenAI、Anthropic、以及中国等都有可能实现AGI？

Sergey Brin：这是个好问题。我认为某个公司、国家或实体可能会首先达到或接近AGI的某个标准。但这更像一个连续的光谱，而不是一个绝对精确的节点。所以可以想象，在某个时间点，可能会有不止一个实体大致处于这个范围。至于之后会发生什么？坦白讲，这很难预测，但我们完全可以想象会有多个掌握AGI能力的实体出现。在我们人工智能领域，我们已经看到，当我们取得某种进展时，其他公司会迅速跟进，反之亦然。当其他公司取得某种进步时，这是一种持续的“蛙跳式”发展。这种相互启发的元素，可能会鼓励越来越多的实体跨越AGI的门槛。

Alex Kantrowitz：Demis，您怎么看？

Demis Hassabis：我想我们的看法可能类似，就AGI的定义来说，对于整个领域而言至关重要，或许我们应该尝试推动各方就此达成一致。假设真的出现AGI，可能会有一些组织率先达到这个水平。这一点很重要，因为只有这样，第一批AGI系统才能在安全可靠的前提下被构建出来。在此之后，如果情况允许，我们可以设想利用它们来催生出更多具备安全架构、且其安全性可得到验证的系统。进而我们才可能拥有个人化的AGI，并发生各种各样的事情。但这正如 Sergey 所说，非常难以预测，很难超越当前的“事件视界”去准确预见未来会发生什么。

Alex Kantrowitz：我们谈论了一些关于AGI的定义，很多人认为AGI必须是关于知识的，即大脑的智能。那么心智层面呢？Demis，简单来说，人工智能要被认为是AGI，是否必须具备情感？它能拥有主观能动性吗？

Demis Hassabis：我认为它需要能够理解情感。至于我们是否想要模仿或赋予AI情感，这几乎是一个设计上的决策。理论上没有理由做不到这一点，但AI的情感表现可能会与人类有所不同，或者事实上，我们可能不希望它们拥有与我们人类相同的情绪反应。所以，随着我们越来越接近可能实现AGI的时间框架和相关事件的发生，这又是一个悬而未决的问题，这更多的是在未来5到10年的时间尺度上需要深入探讨的问题。我们还有一些时间，虽然不多，但仍有一些时间来研究这些复杂的问题。

Alex Kantrowitz：当思考如何缩短AGI实现的时间框架时，我常在想这是否会通过创造能够自我改进的系统来实现。上个星期，我读到一篇关于“AlphaDev”（一种AI辅助算法设计工具）的头条新闻，我能兴奋得从椅子上跳起来。“AlphaDev”是一种可以帮助设计更好算法，甚至改进大语言模型训练方式的人工智能。所以，Demis，您是在试图引发一场可控的智能爆炸吗？

Demis Hassabis：并非是无法控制的。这其实是一次有趣的初步实验。它是一个非常出色的系统，而且参与其中的团队也很优秀。现在，开始将其他类型的技巧（例如进化编程技巧）与日益强大的最新基础模型相结合，是一件很有趣的事情。实际上，我希望在我们的探索性研究中看到更多这类组合系统，将不同的方法结合起来。你说得没错，这是一种可能的情况。如果有人发现了一种自我改进的循环，这可能是一种让事情加速发展的方法。而且我们之前在自己的工作中已经见过这种情况，比如像 Alpha Zero，它能在不到24小时的时间内，从随机开始，通过自我改进过程，从零学起国际象棋、围棋以及任何两人对弈游戏。但同样，这些都属于被明确描述的有限游戏领域。而现实世界要混乱得多、复杂得多。所以这种类型的方案能否以更通用的方式发挥作用，还有待观察。

Alex Kantrowitz：Sergey，我们已经讨论了一些非常强大的系统，而以这种方式开发这些系统无疑是一场竞赛。这是否是您回归谷歌的原因之一？

Sergey Brin：作为一名计算机科学家，现在是一个非常独特的历史时期。坦率地说，任何计算机科学家现在都不应该退休，而应该投身于人工智能研究，这就是我想表达的。这是一个前所未有的挑战和机遇，也是一个前所未有的技术浪潮的顶峰。所以，我不会说回归是因为竞赛，尽管我们完全打算让 Gemini 成为顶尖的人工智能模型，而是因为能够沉浸在这场令人难以置信的技术革命中。这与我经历过的互联网1.0时代不同，那时我们有手机、有各种新设备。但我认为当前的人工智能发展在科学上更令人兴奋，并且我认为，它最终将对世界产生更大的影响。正如互联网和移动技术带来了巨大变革一样，人工智能将带来更大规模的转型。

Alex Kantrowitz：那么您现在每天都做些什么呢？

Sergey Brin：我主要是在“折磨”像 Demis 这样的人。顺便提一句，他非常了不起，能够容忍我在各种会议和讨论中“捣乱”。我就在公司附近，几乎每天都会过来。他们是研究 Gemini 关键文本模型的核心团队，包括预训练和后期调整。大多数情况下，我会定期深入参与一些多模态项目的工作，比如你们都见过的 VEO 项目，我倾向于深入研究技术细节。幸运的是，我能享受这种奢侈，因为有像Demis这样的人在打理日常运营。我的科研兴趣主要集中在这里，我也对算法以及算法如何进化非常的着迷。

Alex Kantrowitz：让我们来谈谈最近发布的一些产品。我想先宽泛地问一个关于 agent 演示的问题。因为当我看到其他科技公司构建 agent 时，我们在演示中看到的通常是一些能够感知上下文、拥有虚拟声音、经常与人互动，并且你通常在屏幕上与其互动的东西。而当我看到 DeepMind 和谷歌的演示时，通常是通过摄像头进行的，非常侧重视觉感知。

今天也发布了关于智能眼镜的消息。请谈谈这是否就是谷歌的“智能方向”——通过视觉、听觉等方式感知世界。为什么谷歌对于拥有一个能像你一样看待世界的助手或伴侣如此感兴趣？

Demis Hassabis：这有几个原因，正如我们之前所说，我们一直对 agent 非常感兴趣，这实际上是 DeepMind 的传统。我们最初就是从游戏中的 agent 系统开始的。我们正试图构建AGI，也就是完全的通用智能。显然，AGI 必须了解物理环境和周围的物理世界。在我看来，AGI 的两个重要用例是：一个真正有用的助手，它能在日常生活中与你形影不离，而不仅仅是局限于电脑或某个设备上。我们希望它在你的日常生活中无处不在，为你提供帮助。因此，它需要围绕着你，了解你的物理环境。

另一件大事是，我一直认为，要让机器人技术真正发挥作用，你需要在机器人身上看到类似 Project Astra（谷歌的AI助手项目）的能力。我一直认为，机器人技术的瓶颈并不主要在于硬件，尽管很明显，有很多公司包括我们自己都在开发非常棒的硬件，我们也与很多公司合作。但实际上，我认为阻碍机器人技术发展的一直是软件和智能层面。我们现在正处于一个非常激动人心的时刻，我们终于拥有了最新版本的模型，尤其是 Gemini 2.5版本，以及更多我们将引入的语音技术和其他功能，我们将拥有真正令人兴奋的算法，让机器人技术最终能够发挥其巨大潜力。所以最终，AGI需要能够完成所有这些事情。

因此，对我们来说，这就是为什么您可以看到我们一直在思考这个问题，也是为什么 Gemini 从一开始，甚至最早的版本都是多模态的。这在一开始增加了难度，因为制作多模态模型比只制作文本模型更难。但最终，我们现在正收获这些决策带来的好处。我看到许多 Gemini 团队的成员都坐在前排，他们见证了我们所做出的正确决策，尽管有些决策比较艰难，但我们做出了正确的选择。

Alex Kantrowitz：我想问您一个关于谷歌眼镜的问题。既然智能眼镜再次成为热点，您从谷歌眼镜的经验中学到了什么，是谷歌或许可以在今天加以应用的？

Sergey Brin：这确实是个好问题。坦率地说，我确实在谷歌眼镜项目上犯了不少错误。我依然坚信产品的外形设计至关重要。产品现在有了新的设计方案，它看起来就像普通眼镜，镜片前没有任何附加装置。我觉得过去的技术与理想存在差距，但如今在人工智能领域，这类智能眼镜在帮助用户解决问题且不造成持续干扰方面的能力已大大增强。当时我对消费电子产品的供应链了解甚少，也不清楚打造一款价格合理且需妥善管理生产等环节的产品有多么困难。

而现在，我们拥有了优秀的合作伙伴，他们正在帮我们打造产品。必须承认，我依然怀念当年演示时，那艘飞艇以及进行空中跳伞拍摄的场景。在海岸线露天剧场进行演示比当年在莫斯康尼中心更酷。但也许我们应该先将产品打磨完善，然后稳步推出，之后再进行演示，这才是明智之举。

Demis Hassabis：对，我想说的是，我们在智能眼镜和智能设备领域显然拥有着丰富的历史积累，可以将所有这些宝贵的经验应用于现在的工作中。正如您今天所见，大家对新款眼镜感到很兴奋，但我一直在和我们的团队，包括 Sheram 及其团队讨论的观点是，通用型个人助理会是智能眼镜的“杀手级应用”。除了各项技术的进步，尤其是硬件技术的持续发展和完善，这才是智能眼镜成功的关键因素。在我看来，这才是其真正且最契合的“杀手级应用”。

Alex Kantrowitz：关于视频生成技术，今天我坐在主题演讲的观众席中，对于我们所见证的这些模型的惊人进步深感震撼。我记得在你们的演讲中，似乎也有电影制作人提及了这一点。Demis，我想请教您，如果互联网上充斥着由人工智能生成的视频，这是否会导致模型本身的质量下降？

Demis Hassabis：我们注意到许多人对于所谓的“模型坍塌”有所担忧。视频生成只是其中一个方面，这种情况可能出现在任何模态中，文本领域亦是如此。关于此问题，我们有几点看法。首先，团队在数据质量管理和整理方面执行非常严格的标准。同时，至少对于所有的生成式模型，我们都会为其嵌入 SynthID。这是一种隐形的人工智能水印技术，非常稳健耐用。从发布以来，它已经有效应用了一年到一年半的时间。所有的图像和视频作品都嵌入了这种水印。我们不仅能够检测这些水印，并且正在发布工具，让任何人都可以检测并识别出内容是否由人工智能生成。这对于打击深度伪造和虚假信息无疑至关重要。

当然，这项技术也可以用于从训练数据中过滤掉不希望包含的内容。所以我觉得这（模型坍塌）并非一个目前无法克服的重大难题。之后或许能够开发出非常出色的视频模型，来将它们生成的视频作为额外数据源重新引入训练循环，这也就是所谓的合成数据。在这种情况下，必须非常谨慎，避免从与目标模型相同的分布中创建数据，合成数据的质量必须足够高。

我们在一个完全不同的领域，例如 AlphaFold 项目中，积累了一些相关经验。当时，我们其实并没有足够的真实实验数据来构建最终的 AlphaFold 模型，就不得不先构建一个早期版本，用它预测了大约一百万个蛋白质结构。然后根据置信度对这些预测结构进行筛选，选取了置信度最高的约四十万个结构，并将它们添加回训练数据中。因此，将合成数据与真实数据相结合是一项非常前沿的研究课题。目前也存在一些方法可以实现这一点。但就视频生成模型而言，至少在我们自己的工作中，如果需要，是可以选择将AI生成内容排除在训练数据之外的。我们希望其他生成式媒体公司也能采取类似措施，加入强大的水印技术。同时，首要任务是打击深度伪造和不实信息。

Alex Kantrowitz：现在进入快速问答环节，让我们看看能挖出多少。这个问题请 Sergey 回答：十年后的网络会是什么样子？

Sergey Brin：我认为十年后，人工智能的发展速度将远超我们的想象，其影响将不仅仅局限于网络。我不觉得现在能真正预知十年后的世界究竟会是何种景象。

Demis Hassabis：我同意这个看法。在不远的将来，网络会经历巨大的变革。如果考虑到一个以智能代理为核心的网络，它或许不再需要像人类那样去浏览供应商信息或其他内容，几年后的网络形态将会截然不同。

Alex Kantrowitz：下一个问题可能有些宏大：通用人工智能（AGI）会在2030年之前还是之后实现？

Sergey Brin：2030年啊……这确实是个非常精确的时间节点。可能……

Demis Hassabis：那我必须回去更加努力地工作了。

Alex Kantrowitz：所以是2030年之后。好的。

Sergey Brin：别给他压力。

Demis Hassabis：对，我得回去更努力工作了（笑）。

Sergey Brin：这是我能期望的。他这是典型的谦虚说法。我们需要的是颠覆性的进展，那才能真正撼动一切。

Demis Hassabis：是的，没错。

Alex Kantrowitz：我会来检验成果的。下一个问题：你们会雇佣在面试过程中使用人工智能的人吗？您指的是应聘者在面试时使用AI工具吗？

Demis Hassabis：这取决于他们如何使用。如果只是使用现有的模型和工具来辅助回答，可能不会考虑，但这确实要看具体的使用方式。

Sergey Brin：其实我个人从未参与过正式的面试招聘，所以我不太清楚。如果由我来评判他人如何进行面试，那会显得有些虚伪。

Demis Hassabis：其实我也几乎没有，我从来没正经找过工作。

Alex Kantrowitz：Demis，我最近有关注您的推文。您发布了一条非常有趣的推文，其中包含一个生成某种自然场景的提示。推文内容大致是：“按下按钮就能模拟大自然”，并配了几个表情符号，这确实令人惊叹。人们据此发挥，写出了一些标题，声称 Demis 认为我们生活在一个模拟场景之中。我们是否真的处于一个模拟环境之中呢？

Demis Hassabis：并非完全是 Nick Bostrom 他们所说的那种模拟。我不认为我们所处的是某种游戏，尽管我编写过很多游戏，你知道，物理学的最终基础是信息论，我确实认为我们身处一个计算型宇宙之中，但这并不仅仅是一个简单的模拟。但我认为，这些 AI 系统能够模拟自然界中的真实结构，这一事实本身就非常有趣且富有启发性。我一直在思考通过 AlphaGo 和 AlphaFold 在这类系统上所做的工作。或许在某个时候，我会撰写一篇科学论文，阐述我对现实本质的思考。

Alex Kantrowitz：Sergey，您想对此发表一个可能成为头条新闻的观点吗？

Sergey Brin：我认为这个论点是可以递归应用的，对吧？如果我们身处一个模拟之中，那么根据同样的逻辑，无论是什么样的存在体在运行这个模拟，它们自身也可能处于另一个模拟之中，原因大致相同，如此层层嵌套。我们要么必须承认我们处于一个无限嵌套的模拟层级之中，要么就必须承认存在某种终止这种递归的条件。

Alex Kantrowitz：那您的最理想猜测是什么呢？

Sergey Brin：我觉得我们目前的观点非常以人类为中心。比如，当大家谈论“模拟”时，通常指的是某种有意识的生命体，出于类似我们自身的欲望或意识，正在运行一个我们身处其中的模拟。我觉得这恰恰是我现有观念受到挑战的地方。因此，我不认为目前真正有能力去推断关于更高层级模拟的任何信息。

Alex Kantrowitz：Demis、Sergey，非常感谢两位！这是一场极为精彩的对话。也谢谢各位观众。