Demis Hassabis 与 Stephen Wolfram 思想对比研究

2025年7月28日 14:33:43

引言

人物背景：*Demis Hassabis 是 DeepMind（Google DeepMind）的联合创始人兼 CEO，致力于通过人工智能（AI）推动科学发现和理解智能本质。Stephen Wolfram 是计算机科学家和物理学家，*《一种新科学》(A New Kind of Science) 一书作者，提出了用计算范式理解自然的思想，并创建 Wolfram Alpha 等计算平台。两人在探索世界本质和智能本质方面各有独特视角。本文将从以下几个维度对比他们思想的异同，并提供可靠来源支持：

  1. 计算或 AI 是否能揭示自然世界的本质结构
  2. 对科学研究范式的看法：是否借助 AI、自动推理、形式系统等变革传统科学
  3. 对“智能”本质的理解：Wolfram 是否认为宇宙是计算系统？Hassabis 是否将智能视作建模现实的机制？
  4. 是否相互引用或评价对方观点
  5. 这些思想能否作为世界观架构的可靠基础？有何互补或矛盾之处？

下文将按以上顺序展开分析，并以小标题和表格形式组织内容。

1. 计算/AI 能否揭示自然世界的本质结构？

Demis Hassabis：*Hassabis 认为许多自然现象具有可被学习的模式，强大的*学习算法（如深度神经网络）可以高效建模这些结构，从而揭示自然规律。在他看来，自然界并非随机产生，而是经过演化“筛选”形成稳定结构，“自然界中的万物都经历了某种存续的筛选过程，因此应存在某种模式，可被逆向学习”。例如，DeepMind 的 AlphaGo 和 AlphaFold 项目展示出通过构建环境模型来求解复杂问题的威力：用神经网络**学习围棋高维博弈空间或蛋白质折叠空间的结构特征，以引导智能搜索，成功解决了穷举法无法解决的难题。Hassabis 将此提升到一个大胆猜想：“任何自然界能生成的模式，都可以被经典学习算法高效发现和模拟”。他甚至提出，信息可能是比能量、物质更基本的存在，“宇宙本质上是一个信息系统”。这暗示他相信借助计算（智能算法）可以挖掘宇宙深层结构，用信息论视角揭示自然本质。

Stephen Wolfram：*Wolfram 则明确主张*“宇宙的底层即是计算”。早在2010年TED演讲中他便发问：“计算是否是宇宙万物底层的原理？”经过多年研究，他于2020年发起“Wolfram 物理学项目”，声称找到了宇宙的**“终极机器码”——一套简单的离散更新规则，可以从中演化出时空和物理定律。正如他在2023年TED演讲中所说：*“是的，这一机器码是计算性的。因此计算不仅是可能的形式化工具；对于我们的宇宙而言，它就是最根本的表述”*。Wolfram 长期探索元胞自动机等简单程序，发现极简规则可以涌现出高度复杂、类似自然的行为。他据此提出计算等价原理**(Principle of Computational Equivalence)：自然界的一切系统（无论生物、物理还是人造），本质上都在进行计算；除了最简单的系统外，几乎所有复杂系统都具备同等的通用计算能力。这意味着在他眼中，自然界本身就是一台巨大的计算机，其复杂结构源自底层规则的反复迭代。Wolfram 的著作和项目旨在通过搜索计算空间（所有可能的程序规则），找到能生成我们宇宙的那个简单程序，从而揭示自然世界最底层的结构。

小结：**两人都相信**计算是理解自然本质的关键，但路径不同：Hassabis 强调用AI/学习算法从复杂数据中学出自然的模式，比如用深度学习揭示生物与物理问题的隐藏结构；Wolfram 则从第一性原理出发，假定简单计算规则构成万物，通过遍历计算宇宙寻找自然法则。两种思路一脉相承——都视计算为揭示自然奥秘的利器——只是一个自上而下（数据驱动发现规律），一个自下而上（原理驱动生成万物）。

2. 科学研究范式：传统 vs. 新技术驱动

Demis Hassabis：*Hassabis 主张*引入 AI 等新技术，开启科学研究的新范式。他将 AI 视为“加速科学发现的终极工具”。在 Fortune 合著的评论中，Hassabis指出人类面对诸如时间本质、意识起源等重大未解之谜时，需要新的工具和方法，而人工智能正是有望突破现有局限的手段。DeepMind 从创立之初就以研发通用人工智能（AGI）为使命，希望“用AGI拓展我们对世界的理解，解决人类重大挑战”。具体实践上，Hassabis团队在AlphaGo成功后意识到深度学习和强化学习等技术已成熟，可以用于攻克科学难题**。例如AlphaFold突破了生物学50年的重大挑战——蛋白质折叠预测。Hassabis 将这种 AI+科学的方法论称为新的科研范式，有时也被称作**“第五范式”（继经验、理论、计算模拟、数据驱动之后的AI驱动科学**）。他在2024年TED对话中展望，AI 可以模拟自然、生成假设、进行自动化推理，从而改变传统科学发现的方式，让科研更加高效和智能化。

Stephen Wolfram：*Wolfram 也提倡*革新科学范式，但侧重于计算形式化**本身的变革。他回顾科学史，区分了四种主要范式，并提出我们正迎来第五种范式：

  • 范式1：静态描述 – 古代起源，注重描述事物本源，时间因素隐含不显。
  • 范式2：数学公式 – 17世纪起，以方程建模自然，引入时间变量但多作为连续坐标。
  • 范式3：计算模拟 – 20世纪后期（1980年代），用简单计算规则构建模型，让其自行运行演化，从中观察涌现行为。Wolfram在此范式贡献卓著。但该范式揭示出计算不可约性：有些系统的未来状态只能通过逐步计算模拟，无法有闭式解。
  • 范式4：多计算/超计算 – Wolfram近期提出，在他的物理项目中，一个系统可以沿多条计算路径演化、分叉并合并，需要考虑观察者如何编织这些多重计算线程。这被称为多计算范式，他认为不仅革新物理基础，同样适用于数学、计算机科学乃至生物学等领域。

可以看出，Wolfram 希望通过计算思维彻底改变传统科学建模过于依赖连续数学和人工推导的局面，转向算法探索和计算实验。他的**“新科学”倡议主张利用计算机搜寻潜在规律，而非仅靠人工直觉列方程。这一理念与 Hassabis 的 AI 科学有相通之处：都寻求自动化、智能化的方式扩展人类研究能力。然而侧重点不同——Hassabis依赖机器学习从海量数据和复杂系统中发现模式；Wolfram则依赖符号计算和算法枚举**来推导普适规则。

对比总结：**两人都不满足于传统科学范式，希望**借助新技术推动范式转移。Hassabis 倾向于AI 驱动的科学，让智能体帮助提出假说、处理复杂数据并发现规律；Wolfram 倡导计算范式科学，用算法试验探索可能的理论模型。可以说，Hassabis 聚焦于**工具（AI）对科学流程的赋能，而 Wolfram 强调框架（计算形式化）**对科学理论架构的改变。两种新范式并不冲突，反而可能互补：AI 可以在庞大的“计算宇宙”中高效搜索有效的模型规则，而 Wolfram 的计算宇宙观为 AI 提供了一个巨大的探索空间。

3. 智能的本质：建模现实 vs. 计算过程

Hassabis 对智能的理解：*Hassabis 受认知神经科学背景影响，将*智能视为对现实进行建模和利用模型进行推演的能力。他研究人脑的记忆与想象机制，认为想象力是人类智能的重要组成，可以看作大脑在已有知识基础上构建内部世界模型、模拟不同情景以规划未来**。正如他所解释的：“人和某些动物依赖于自己建立的世界生成模型，用这些模型生成新的情景和设想，即反事实的模拟，以便在真实行动前进行计划和评估”。因此，实现具有人类水平通用智能的AI，需要具备以下能力：

  • **构建世界模型：**自主从感知中学习环境的结构和规律（类似儿童从感官和运动中建立因果认知）。
  • 利用模型规划：**在模型中进行决策推演，评估不同行动的后果（即**想象可能的未来路径）。
  • **面向未来预测：**能够将模型向前展望，预测尚未发生的情景结果。

Hassabis 明确表示：“要实现想象力，你就需要构建一个世界模型，能够利用该模型进行规划，并将情景投射到未来”。他认为大脑的智能正来源于这种模型构建与仿真能力，DeepMind的AI也在朝这个方向发展（例如强化学习体制下智能体从原始像素建立内在表示并学会规划）。总的来说，Hassabis 将智能本质定义为一种利用内部模型解释并预言现实的能力，即通过构建抽象表示来实现对环境的理解和对行为的指导。

Wolfram 对智能的理解：**Wolfram 并未给出传统认知科学意义上的智能定义，而是从更**普适的计算角度看待智能。他的计算等价原理蕴含一个颠覆性观点：“几乎所有复杂系统的计算能力都是等价的”。这意味着在人类认为高度智能的行为（如思考、推理）和自然界其他复杂现象之间，其实没有本质上的计算能力差异——大脑只是众多通用计算系统之一。Wolfram 指出，我们之所以感到某些系统（如天气、流体）难以预测，是因为它们的计算复杂度与我们（观察者/智能体）相当，无法被简化演算。换言之，自然过程本身在“计算”，且不逊色于人类心智的计算。这一思想暗示智能可能只是某类复杂计算过程的投影，并非独有人类或生物。因此，Wolfram 对“智能”的本质理解更接近泛计算主义：如果宇宙万物皆在执行算法，那么智能不过是计算复杂性的一个体现。

当然，Wolfram 并不否认人类智能的特殊性——毕竟人脑产生了高级文明和科技。他关注的是人工智能与自然智能的关系，例如早期很多神经科学家怀疑人工神经网络并非真正的脑模型，而Wolfram注意到深度学习的崛起改变了这一认知：“过去有神经科学家认为‘人工神经网络并不是真正的脑模型’，现在神经网络明显展现出非常类脑的行为，这种说法被推翻了”。他承认当代AI（如深度神经网络、LLM）在某些方面已经达到或接近人类智能水平，并由此提供了关于大脑/智能的新见解。例如，大规模语言模型能从海量文本中自发学出语法和语义结构，Wolfram认为这揭示了语言的深层模式，“LLM能够成功模拟人类语言习惯，毫无疑问告诉我们关于语言语法的一些深层科学道理”。

对比来看：*Hassabis 将智能定义为一种*建模和问题求解机制，更关注智能体如何表示世界并在内部进行推理**；Wolfram 则倾向于把智能视作普适计算的一种表现，关注自然界的计算属性使得智能现象可能广泛存在。一个强调智能的功能（模型+推理），一个强调智能的形式（计算+复杂性）。然而两者并非完全矛盾：Hassabis 认可信息和计算的重要性（他认为宇宙是信息系统），Wolfram 也接受人工系统能实现智能行为（深度网络类脑表现）。可以认为，Hassabis 从生物智能出发，探讨如何用算法复现智能；Wolfram 从计算宇宙观出发，探讨智能只是大计算系统中的一员。一个在意*“智能如何认识世界”，一个关注“世界如何产生智能”*。

4. 彼此观点的引用与评价

**直接引用情况：**经过检索，目前未发现 Hassabis 与 Wolfram 在公开出版物或访谈中直接引用对方的观点或明确评价彼此工作。两人的研究领域虽都有AI和计算元素，但圈子有所区别：Hassabis主要活跃于AI研究和科技产业，Wolfram则专注于计算理论和基础物理。双方很少有公开对话，也未见直接合作。

间接提及：**两人都深知对方领域的重大进展，并在各自语境下有所评论。例如，Wolfram 多次谈到**深度学习和神经网络对人工智能的变革性影响。尽管他未点名 Hassabis，但这些技术突破正是以 DeepMind 等机构（由 Hassabis 领导）为代表的AI社区所推动的。Wolfram 认可 AlphaGo 等事件标志着AI实力飞跃，也讨论了大型语言模型（LLM）等DeepMind及类似实验室成果对科学的启示。可以说，他肯定了以 Hassabis 为代表的深度学习路线对理解智能的贡献——从他承认“神经网络表现出类脑智能”即可见一斑。

另一方面，Hassabis 虽未公开评论 Wolfram 的物理学项目或计算宇宙观，但他的部分言论与 Wolfram 的理念不谋而合。例如 Hassabis 提出“信息是宇宙最基本的单位”、用算法可模拟一切自然模式的猜想, 这些观点和 Wolfram 的数字物理思想遥相呼应。Hassabis 也热衷于形式系统和自动化推理在科学中的应用（如 DeepMind 开发AI协助数学证明、程序生成等），这和 Wolfram 提倡的符号计算在科学中的作用有共通之处。

评价与互动：*总体来说，**两人尚未直接公开评价对方**。这可能部分由于他们关注的具体问题不同（一个主攻AI应用与认知智能，一个主攻基本物理和计算理论）。然而，他们彼此的工作在学术界和科技界都引人瞩目，**双方应当都熟悉对方的重要贡献**。例如，Wolfram 作为计算先驱，自然知道 DeepMind 在围棋、蛋白质折叠等领域的里程碑式成果；Hassabis 也很可能了解 Wolfram 在*元胞自动机、复杂性研究以及近期物理学理论上的探索。只是截至目前，没有公开资料显示他们曾直接评论彼此。可以预期，随着AI与计算理论的融合加深，未来不排除两人在跨学科论坛上交流对话**甚至合作的可能。

5. 世界观架构基础：思想可靠性与互补/矛盾

**作为世界观基础的可靠性：**Hassabis 和 Wolfram 的思想都试图从根本上解释世界运作方式，对于构建世界观具有启发性，但各自也面临挑战：

  • Hassabis的世界观基础：他相信通用人工智能可以成为理解现实、解决万物的万能钥匙。在这种世界观下，智能（尤其是人工智能）扮演认识世界的核心角色；科学进步将由智慧实体（人或AI）的认知能力驱动，不断突破。如果这一路线成功，人类可借助AI迅速破解自然之谜、掌握现实本质，例如理解意识、时空、本源等。这种信念目前在实践中已有佐证（如AlphaFold等成果)，但也存在不确定性：AI自身的局限（如黑箱问题、可解释性）可能妨碍我们“理解”世界，即使AI找到答案人类未必看懂。同时，AGI 的安全与可控性也是构建此世界观的风险因素。不过，Hassabis 的思想基础建立在不断成功的AI应用上，其可靠性随着AI能力提高而增加。他本人在2024年已获得重大科技奖项认可（被誉为“诺奖级”的成就），表明业界对AI范式解锁科学潜力抱有信心。
  • Wolfram的世界观基础：他提出宇宙=计算的框架，从哲学上具有深刻吸引力。如果宇宙真是由某个简单程序生成，那么世界万象都可从计算视角统一理解。这为统一物理定律、连接数学与现实提供了可能途径。Wolfram 的模型已经在一定程度上重现了广义相对论、量子力学的结构，这暗示这种底层计算世界观可能正确。然而，目前 Wolfram 理论仍未被物理学主流完全验证或接受，尤其是他所声称的“终极规则”尚无法独家导出演示所有已知粒子和力。该世界观的可靠性取决于未来能否通过实验检测其可预测偏差（如空间维数偏离3的现象）。同时，计算不可约性告诉我们，即便宇宙是可计算的，我们也许无法简化推演其结果——这对人类理解来说是一种限制。尽管如此，Wolfram 思想为跨领域提供了统一语言（计算），已在数学基础、生物复杂性等方面展现潜力。其可靠性有待进一步验证，但不失为构建宇宙观的一种大胆且自洽的框架。

互补之处：*有趣的是，Hassabis 与 Wolfram 的理念可以在更高层面*融合成一个完整的世界观：如果宇宙的本质确如 Wolfram 所言是计算的，那么发展出能够理解并利用计算规则**的高级智能（Hassabis 所追求的AI），就成为宇宙自身（通过人类）对自我的“元认识”工具。换言之，Wolfram 给出了宇宙运行的操作系统，Hassabis 则试图打造最先进的“应用程序”去读取和利用这个操作系统。具体互补表现为：

  • **理论与工具互补：*Wolfram提供理论框架（计算宇宙论）说明世界底层可能简单有序；Hassabis提供探索工具（强AI）在复杂表象中寻找那个底层秩序。AI可以在 Wolfram 的*“计算宇宙”*里高速搜索、试验，从而*加速验证或发现物理法则。反过来，Wolfram 的框架也为 Hassabis 指明了 AI 可以关注的模式（如离散网络、图重写规则）而不只是黑箱逼近。两人的方法学结合有望产生“1+1>2”的效果。
  • 认知与存在互补：*Hassabis关注*智能如何认知世界，Wolfram关注世界本身的存在方式**。一个解决“知”的问题，一个解决“本体”的问题。如果宇宙是计算的，那智能（大脑或AI）本身也是计算的一部分——智能通过模拟（小宇宙）来认知现实（大宇宙），这在计算同构性上是统一的。Hassabis 提出的智能建模现实，从 Wolfram 视角看，就是用宇宙的一部分计算去镜像整体计算的过程。这种视角下，两人的思想相当于从不同尺度论证了同一种世界观：宇宙＝计算，智能＝理解计算。

**潜在矛盾：**尽管总体上相容，但二者思想在某些方面也存在张力或差异：

  • 方法论分歧：**Wolfram 坚信简单**符号规则可以构建一切，他偏好演绎式地从基本规则出发推理复杂现象。而 Hassabis 强调经验学习和归纳，通过海量数据训练出有效模型。符号推理 vs. 连接主义，这曾是AI的两大路线。Wolfram 或许会质疑深度学习缺乏可解释的原理，仅作为工具而不是解释世界的终极理论；Hassabis 则可能认为自然未必那么简单，单一规则能否产生丰富性尚未证明，而AI可以自动近似这些隐含规则。两人路径不同，可能导致对“理解”的看法不同——一个倾向于可计算的明确规则，一个接受黑箱模型只要有效。
  • 侧重点不同：*Hassabis 更关心*智能的实现和应用（如治病、防老、解决现实问题），Wolfram 更沉浸于宇宙的抽象本源**（如找到统一物理理论）。Hassabis 的愿景偏重改造世界，Wolfram 的追求侧重解释世界。在构建世界观时，一个偏实践功利（用AI改善人类），一个偏哲学本体（理解存在本质）。这可能导致价值判断上的差异：Wolfram 或认为哪怕没有AI，人类依然可以通过计算理论理解宇宙；而 Hassabis 则相信没有高度AI，我们永远无法解答那些最复杂的问题。
  • 智能地位的差异：*Wolfram 的观点暗示智能并不神秘，只是计算的一种。因此在他的世界观里，**智能并非宇宙的中心**，而更像一种平凡现象（尽管有意思但不至尊）。相反，Hassabis 世界观里*智能（尤其是AGI）被赋予很高的地位——它是认知万物的钥匙，人类智慧和机器智慧是驱动未来的核心。如果将两人思想应用于哲学，可能对应弱人类中心主义**（Wolfram：人脑只是普遍计算的一例）与强人类/智能中心主义（Hassabis：智能是理解宇宙的关键因素）。两者在这一点上的张力，涉及对意识与意义的解读：Wolfram 或认为意义源自模式本身，而 Hassabis 更倾向意义由智能诠释赋予。

总结：**总的来看，Demis Hassabis 和 Stephen Wolfram 虽然背景不同，但都在探索**计算、智能与宇宙的深层问题。他们的思想为构建一套计算-智能-自然融合的世界观提供了丰富素材。两者有共同的基石（相信计算/信息的根本作用），也有不同的侧重（智能实用 vs. 计算本体）。这种异中有同、同中有异的关系，正如下面的对照所示：

比较维度 Demis Hassabis 的观点 Stephen Wolfram 的观点
计算与自然本质 自然界有可学习的结构，深度学习等AI可以高效建模并揭示自然规律；宇宙可被视为信息系统。 宇宙本质是计算，底层由简单离散规则构成；简单程序可涌现复杂性,宇宙或许运行着某种“机器码”。
科研范式 提倡 AI驱动科学：用人工智能加速发现，改变传统实验与理论范式；AlphaFold 等证明AI可解开长期难题。 提倡 计算范式科学：以算法和计算实验取代纯解析方法，提出“新科学”理念；定义多种科学范式演进，主张我们正进入多计算范式时代。
智能本质 智能 = 建模 + 推演现实的能力：大脑和AI通过构建内部模型来理解并预测世界；想象力等功能体现模型规划未来。 智能 = 计算复杂性的表现：任何复杂系统都进行通用计算，人与机器智能只是计算宇宙的一部分；不强调智能特权，关注普适计算法则。
相互评价 未公开直接评论Wolfram；观点上呼应信息论和计算重要性。 未直接提及Hassabis；肯定深度学习等AI成果对理解智能的意义。
世界观可靠性 立足AI成功实践逐步增强；但AGI安全和AI可解释性存疑。 理论自洽但实验检验不足；提供统一框架但可能计算不可约。

综上，Hassabis 与 Wolfram 的思想既有交汇又各具特色，可看作当代探索智能与宇宙之关系的两种互补思路。一方以智能工具为突破口，另一方以计算规则为原点；两者共同描绘出一幅图景：智能主体在计算规律支配的宇宙中不断求索，试图让这个宇宙了解自身。这种世界观的构建尚在路上，但他们的理念无疑为我们提供了可靠而丰富的思想基础，其中的互补与张力也将持续推动关于世界本质的对话与探索。

参考文献：

  1. Demis Hassabis 在 Lex Fridman 访谈中的讲话
  2. Stephen Wolfram 2023 TED 演讲稿，“How to think computationally about AI, the universe and everything”
  3. Fortune 杂志 Demis Hassabis & James Manyika 评论：“AI 将帮助我们理解现实的基本结构”
  4. The Verge 对 Demis Hassabis 的专访 (“DeepMind’s founder...we need to look at our own”)
  5. Institute of Experiential AI 对 Stephen Wolfram 演讲的报道 (“Stephen Wolfram Shares His Vision for AI Future”)
  6. Stephen Wolfram 著 A New Kind of Science 及 Wolfram Physics Project 官方资料等.