Transcription
所以你们都知道，有一场关于通用人工智能的公开竞赛，即人工智能模型，它基本上可以完成人类能做的所有任务。当你想到参与这场竞赛的公司时，你会想到 OpenAI、Anthropic、Meta，当然还有谷歌。你知道，这里有一个你忽略的特定点。谷歌是一家商业实体，它处理从搜索到电子邮件的所有业务。它正致力于为你提供那些强大的 AI 模型。但问题是，如果谷歌如此忙于处理所有这些其他事情，谁在制造模型？谁在做研究？嗯，这才是情节变得有趣的地方。谷歌在 2014 年收购了一家名为 DeepMind 的公司，该公司由 Demis Hassabis、Shane Legg 和 Mustafa Suleyman 创立。是的，就是那位现在是微软 AI 的 CEO 的 Mustafa Suleyman。DeepMind 是谷歌的人工智能部门。但这里有一件事是大多数人不知道的：关于谷歌 DeepMind，人们了解不多。它是如何运作的，办公室是什么样的，他们实际在做什么，领导层是什么样的，这都是一个谜。这是一家神秘的公司。但我获得了访问权限。事实上，谷歌 DeepMind 与皇家学会共同举办了一个“人工智能促进科学”论坛。这是一个本质上是通才性质的科学论坛。你需要对人工智能、医学、数学、软件以及人们甚至游戏开发都有一定的了解。所以那里有四位诺贝尔奖得主和一群非常聪明的人。然而，只有两位创作者在那里：我和 Verasha。所以，我不仅看到了“人工智能促进科学”论坛上发生的一切，并不断努力跟上对话，我们还得以一窥 DeepMind 的内部。不仅如此，我还以与 Pushmeet Kohli 的播客结束了我的伦敦之行，他是研究副总裁，以揭开 DeepMind 的神秘面纱。所以，我在这里向你展示这家公司的内部视角。看看我，一个不制造模型，而是微调模型，然后使用它们来制作用户可以使用的、看到的或玩的东西。对我来说，能够获得这种访问权限，自私地说，意味着我可以提前几年知道即将发生的事情。当然，当我提到这些事情时，评论区很多人会对我大喊大叫，就像我几年前说人工智能将有助于解决设计问题时，当我获得对 DALL-E 的预览访问权限时。但我认为，对于那些好奇并希望在此基础上构建模型的人，希望在应用人工智能领域工作的人来说，这个视频将非常有益。此外，还可以了解世界上最聪明的人是如何思考的，他们如何工作，他们的抱负是什么，他们阅读什么，这一切都非常有益。他们不像普通人那样思考世界。
好的，让我们从“人工智能促进科学”论坛开始。前一晚是欢迎晚宴。不幸的是，禁止拍照。所以那里有很多学院院长、研究人员以及媒体。有《卫报》、《太阳报》以及许多著名出版物的记者。正如我所说，只有两位创作者：Derek Verity Asim 和我。现在你可能会问，媒体的创作者在那里做什么？这是一个科学论坛。答案很简单：研究和进步被锁在很小的房间里，除非这些研究人员和媒体协调起来将信息传播出去。事实证明，即使正在进行很棒的研究，世界可能也不知道。例如，你知道 AlphaFold 3 现在是开源的吗？嗯，现在你知道了。这就是媒体和创作者在那里存在的价值。我们可以帮助这项新技术和科学发展惠及更多人。我的观众现在有 40% 是全球性的，在短视频平台上获得了 1 亿次观看。谷歌和 Meta 之类的公司让我参加，因为我们聚集的观众是一种非常特定的聪明人群：早期采用者。没错，大公司认为你，观众，是聪明的，如果你正在观看这类内容。所以，如果你还没有订阅，你应该点击订阅按钮。总之，这是一顿很棒的晚餐，我学到了一些皇家学会的秘密。你看，皇家学会是一个杰出科学家组成的学会。那里有很多东西，比如宝库和奇怪的锁，还有很多画。有人给我看了一幅画，说那是艾萨克·牛顿的真迹。我无法证实这一点，但似乎是真的。第二天，论坛开始了，我听了所有的专题讨论。有很多关于人工智能的讨论，也有很多关于我不太理解的东西的讨论，比如材料科学。我还了解到，他们正在培育一种新型基因编辑的牛，通过靶向负责甲烷生产的特定微生物来编辑微生物组基因。这些科学家旨在培育排放甲烷量显著减少的牛。所以他们实际上正在解决农业温室气体的主要来源。这让我想到一个有趣的观点：我在这里的一个观察是，这些人都没有局限于一个特定的领域。这些牛的问题是遗传学、微生物学和环境科学的交叉点。就像我从这次伦敦之行和与所有这些了不起的人的会面中获得的一个重要收获是，大多数这种非凡的成功都来自于成为一个通才。通才指的是在许多不同学科领域拥有广泛知识的人。事实上，如果你在一件事上做得非常好，你就会学会学习的技能，所以你会在某件事上做得非常非常好。比如说，你在软件工程方面做得非常好，你不仅学会了软件工程，还学会了如何学习的技能。然后你可以将这种学习技能应用于其他领域。以我为例，我认为我可以做内容创作，我做了十多年的软件，我可以做应用人工智能，我们构建了许多应用人工智能的东西，我们也可以开发游戏。我们过去制作了许多 3D 和 2D 的演示。实际上，在我个人看来，我认为我可以掌握软件领域的任何东西。但大多数人告诉我，世界上大多数人告诉我，你不能做所有这些事情，你只能做一件事。我倾向于纠结于这种思维方式，因为我喜欢我正在处理的任何问题陈述。如果你在 Twitter 上关注我，你会看到我花几个月的时间在该领域尝试各种事情来理解它并做得更好。这次活动中的这些人对我来说非常鼓舞人心，因为他们就是这样，但更上一层楼。他们都四十多岁和五十多岁，但他们的大脑里有一个多维宇宙。我从未听过有人说：“哦，那不是我的领域，我不想理解它。”相反，他们会问问题：“嗯，那是什么意思？它和这个相似吗？嗯，我这样想，我说的对吗？你能给我一些关于我哪里错了的反馈吗？”而且这些人中的大多数人都发现，在不同领域之间存在大量的重复模式，尤其是在与人或计算机打交道时。无论你是建造一座建筑还是做研究，最终你也是在与人打交道。所以有很多重复的模式。而今天，在所有这些领域中，大多数人都使用计算机，比如遗传学家在计算机上做了大量工作。所以你适应和使用新技术或软件的能力越强，你就越能成为一名优秀的遗传学家。就像我除了在大学里学到的之外，对遗传学有所了解的唯一原因就是出于好奇。我不知道你是否知道，我在 2017 年对我的整个基因组进行了测序，然后我使用了一个名为 Prometheus 的在线工具来获取更多关于我的基因组的信息。我没有任何议程，我不是为了通过某个测试而这样做，我只是对我自己的基因组感到非常好奇。而这些人，那里所有的人，他们都对生活、对世界、对其他行业和领域充满好奇。我开始对那种只在一件事上做得非常好，而对其他任何事情都不好奇的人的观念失去信心。你知道，我们一生都在谈论专家，那个在某件事上做得非常好，对其他任何事情一无所知，或者对其他任何事情都没有相关信息的人。我认为那是一种电视水平的人际理解。就像电视上一样，我们有专家，有天体物理学专家来谈论太空和科学，或者经济学专家在电视上谈论经济学。我年轻的时候，以为那是成功的顶峰。但现在我长大了，我能和那些非常非常成功的人一起出去玩，不仅仅是赚几十万或几百万，而是远远超过这个。我注意到他们都是通才。他们都是真正好奇的人。人们，这就是为什么他们是通才。他们充满好奇心，即使没有商业目标。论坛上的几乎每个人都是这样。我举个例子：DeepMind 的创始人 Demis Hassabis，他最初是一名国际象棋选手，然后他从事游戏设计，他实际上制作了一个主题公园游戏，然后他担任游戏《邪恶天才》的执行设计师，然后停止了，去学习神经科学，写了一篇关于情景记忆和场景中记忆回忆的论文，然后创办了 DeepMind，然后制作了一个玩 Atari 游戏的人工智能，然后去解决了医学和生命科学中的蛋白质折叠问题。这太疯狂了。就像领域对这些人来说无关紧要。而且它非常鼓舞人心。事实上，仅仅在那里就以某种方式改变了我。它提醒我生命短暂，我们都只是暂时在这里。你最好做所有你好奇或感兴趣的事情，因为在那里你不仅会最兴奋，而且奇怪的是，你也会在那里赚钱，并吸引其他人与你合作，因为那种热情是真诚的、真实的，并且由你的好奇心驱动。我 25 岁的时候，我会说诸如“热情没用，你需要纪律等等”之类的话。我错了。全程都是热情。即使那种热情对别人来说没有意义。我注意到的另一件事是，DeepMind 付出了很多努力来向具有基本科学素养的人解释事物。比如，他们本可以用一种非常复杂的方式解释一切，但他们制作了整个演示来尝试解释他们的项目，例如关于人类连接组或 AlphaFold。它们是非常非常简单的演示，你可以使用。所以他们正在尽最大努力将其传达给大众。这与一些在科技推特上的人的做法相反，他们试图让事情变得尽可能神秘，并通过不简化事情来搞封闭。他们享受复杂性，因为它能给他们带来地位。但 DeepMind 的那些人非常非常不同。他们实际上希望科学能够传达给大众，所以他们试图保持简单。好的，总之，这是好消息。第二天，我们去了 DeepMind 的主办公室。首先，要进入 DeepMind，你必须签署一份保密协议。所以我只能透露我实际看到和学到的很小一部分。但我会尽力而为。有时谷歌印度的高级员工会和我开玩笑说：“为什么你比我们看到的谷歌还多？”但 DeepMind 确实非常神秘。而 DeepMind 所在的那个特定的街道上，还有许多其他科技公司，Meta 就在那里。所以，总之，我们首先进入，领取了我们的徽章。DeepMind 的入口处有一个令人惊叹的艺术装置，就像在看一个无限的空间，非常酷。所有的房间都以著名科学家的名字命名。所以我们从八楼开始，在那里我们看到了通用的工作设置。我们不允许录制其中一些内容，但总的来说，这是一群非常非常聪明的人，他们正在从事从生命科学到机器人学的各种事情。简而言之，我将告诉你四个我真正喜欢并感兴趣的项目。第一个是 AlphaProof，它正在解决国际数学奥林匹克竞赛。Pushmeet 告诉我（你会在视频稍后看到），它像 OpenAI 的 O1 一样进行推理。有一个思维链，但它使用一种名为 Lean 的形式化语言进行推理，因此幻觉更少。它几乎允许它用冷的方式思考。下一个，正如你所知，是 AlphaFold。AlphaFold 解决了蛋白质折叠问题。几十年来，科学家们一直在试图弄清楚蛋白质是如何折叠的。为什么？因为理解这种折叠可以帮助我们做惊人的事情，比如设计更好的药物或诊断突变。它查看蛋白质的基本组成部分，称为氨基酸，并预测整个蛋白质如何扭曲和转变成其最终形状。他们现在正在解决过去需要数年甚至无法解决的问题，对于博士生来说也是如此。DeepMind 正在进行的下一个项目是 Astra 项目，这是一个始终在线的人工智能助手，你可以随身携带在眼镜里。它可以帮助你看到世界，并帮助你处理你看到的一切。你面前有一个水龙头，你不知道如何修理它，你可以说：“嗯，人工智能，帮我修理这个水龙头。”而我真正兴奋的最后一件事，当然是 VOA，视频模型。我的意思是，我们在人工智能+内容领域工作，还记得我们构建的产品 Alpha CTR，或者我们使用的 AI 头像，它实际上驱动了 1 亿次的短视频观看量吗？任何和所有内容模型的进步，我都是早期用户。所以，我能去那里的一个巨大优势是，我可以在别人之前使用这些模型的早期访问版本。因此，我们能够比其他人更快地进行这些实验。关于 DeepMind 办公室的两件很酷的事情：首先，他们有一个很棒的自助餐厅，提供各种各样的食物和饮料，但说实话，我对食物和饮料不太在意。其次，他们有一个很棒的图书馆。图书馆象征着他们对成为通才的重视程度，里面有从神经科学到旅行，再到游戏开发中的物理渲染，再到 Java 和 HTML 的各种书籍。我实际上将制作一个完整的视频，介绍图书馆里所有的顶级书籍。我人生中的一个目标是拥有我家里所有这些主题的相同书籍，并真正阅读它们。我实际上很惊讶地发现我读过其中一些书。但我新的生活目标之一是确保我在某个时候在我家里拥有那个图书馆的完美复制品。不仅如此，办公室里到处都是《自然》杂志的副本。图书馆非常鼓舞人心，我认为它值得一个完整的视频。如果你订阅了，我会制作一个完整的视频，谈论每一本书，或者至少是顶级书籍。所以一定要这样做。它也展示了 DeepMind 人们的抱负。不是真的钱，钱是副作用，对吧？他们赚的钱比其他任何人都多，因为我认为这是他们追随好奇心并做得很好的副作用。他们中的大多数人已经非常富有。对他们来说，实际上是他们满足好奇心并追求这种永无止境的学习宇宙和我们在其中的位置的目标的能力。但我并没有止步于此。你知道，我是一个从外面看的人，我想和研究副总裁谈谈，问他一切。DeepMind 是如何运作的？他们如何招聘？他们在做什么项目？LLM 是否遇到了瓶颈？最后，通往通用人工智能的道路是什么？AGI 系统应该解决所有这些问题。它基本上应该包含整个图书馆。与其让我为你分解对话，我实际上将直接播放完整的对话。相信我，值得一看，它会给你很多关于未来会是什么样子的想法。女士们先生们，这是 DeepMind 的研究副总裁 Pushmeet Kohli，他也是一位通才，他的工作范围从使用相机进行动作捕捉到医学。
Pushmeet，非常感谢你这样做。你知道，我今天参观了 DeepMind 的办公室。我认为印度的大多数人不知道 DeepMind 正在发生什么，以及你们在人工智能领域有多么重要。那么，在这些神秘的大厅里发生了什么？它就像任何机构，任何组织一样。我们称之为“智能工厂”。我们所做的是从原材料中提取直觉，而原材料就是我们所说的数据。这些数据可以是科学家通过实验精心收集的数据，也可以是我们通过模拟创建的数据。但本质上，我们正在收集关于我们自己、我们生活的星球的惊人数据。我们如何理解这一切？数据量之大，以至于一个人的头脑无法理解我们收集到的所有东西。所以，这就是我们需要机器学习和人工智能等技术的地方，它们能够提取数据中隐藏的模式，并使我们能够对那些极其重要的数量进行预测。我实际上想问你一个关于 AlphaCode 的问题，因为你也曾参与过 AlphaCode。我认为团队在竞争性编程方面投入了很长时间，这一直是智力的一个标志。你知道，对于人类来说，就像“好吧，这是我的 LeetCode 分数”。但我认为它做得非常好，人工智能在那里做得非常好，跨越了所有这些不同的平台。许多软件工程师都担心，就像“嘿，如果它比我在竞争性编程方面做得更好，那么它会在什么时候自己构建软件？”你对未来四五年的发展有什么看法？那么，编程的本质是什么？解决问题的本质是什么？我认为，一种思考编程的方式是解决问题。但就任务描述而言，任务是什么？编程的任务基本上是接受一个规范，对吧？问题的规范。有时这是一个非正式的规范。有时有人说：“哦，我想让你写一个程序来做这个。”这是一个非正式的规范，对吧？问题的。或者有人可能会给你一些例子。他们可能会说：“好吧，这里有一些输入示例，程序应该给出这个输出。”用户故事，对吧？没错。但这些都是不完整和非正式的规范，对吧？你被要求做什么。而编程的行为就是接受这个非正式的、不完整的规范，并将其转化为一个正式的、非常正式的规则，它从领域到……它是完全清晰的，对吧？所以，程序员的魔力不仅仅在于进行这种翻译，还在于填补空白。在将问题陈述分解成它的……组成部分。而且，因为很多时候问题本身是没有被说明的，对于大多数人类问题来说，对吧？如果我说：“写一个程序来排序数字。”有这么多隐含的东西。当你编写这个程序时，它应该占用有限的内存，它不应该无限期地运行，对吧？它应该在特定类型的计算机架构上运行。我还没有指定这一点，但你明白了，对吧？你明白了我的意思，对吧？所以，部分……是的，这是一个非常……AlphaCode 所做的是接受规范，并将其翻译过来，尤其是你在竞赛性编程中看到的问题。它在搜索这个巨大的可能程序空间方面做得很好，并试图找到一个与竞赛中给出的规范一致的程序。但如果你考虑整个编程行为，那是一个更普遍的任务，对吧？在那里，你必须以某种方式考虑程序中未说出的东西，规范中没有明确说明的部分。但今天的人工智能也非常擅长填补这种背景。我的意思是，它可能不像理解问题空间的程序员那样填补背景。比如，我正在写一些关于送餐的东西，比如我正在写一个送餐应用程序。我会了解当地环境。我会说：“好吧，你知道，如果一个司机停了五分钟，那可能会有问题。”而人工智能可能不知道足够多的信息来填补这一点。但我认为它可以填补一些通用的东西。因为今天，如果我去 Gemini 说：“给我一个 ABC 的产品规范。”它会做得很好。而且输出的上下文很长。但我会说，在这种情况下，提示的行为就变成了编程的行为，对吧？现在你正在以一种更高层次的语言进行编程，那就是英语，对吧？而且它是一种非正式语言，你没有完全形式化和指定它的确切语义，但模型仍然能够……它能够处理它。这是你必须学会……学会使用它的东西。所以你的意思是，唯一会消失的是，你不再需要太多语法知识了？你不需要成为最好的……翻译者，但你需要能够很好地制定问题。所以，这个词，“提示工程师”，那么它就成了一个真正的职业了，对吧？它就像一个提示程序员。提示工程师就像提示编程，对吧？但从某种意义上说，我们不这样看，因为我们认为编程是非常精确的，而提示是不精确的。它……但从某种意义上说，最终你想要的是精确的东西，对吧？现在，无论你是用英语来做，还是用……像 C++ 这样的正式语言来做，最终目标都是一样的，对吧？你想要一些精确的东西，它实际上对你有用。我认为这是我得到的关于这个的最细致的答案。所以，非常感谢。你知道，我在媒体圆桌会议上问了 Demis 这个问题。你研究过许多不同类型的问题。DeepMind 研究的问题空间很广。你知道，你做过很多游戏世界里的事情，游戏模拟器之类的。在机器人领域也有很多进展。而且关于通用世界模型，也就是多模态模型，但更上一层楼，有很多疯狂的讨论。也就是，它包含了所有东西，不仅仅是语言，把它分解成标记，然后尝试预测下一个词，而是包含一切。如果需要，就包含感官数据，包含一切。你觉得这可能是……我的意思是，Demis 在圆桌会议上说，我们可能需要一个从 LLM 到 AGI 的出口。你觉得这是通往人工智能的道路吗？你对此有何看法？我们需要不同的……我们展示了不同类型的……Demis 的优势在于他能够回答这个问题，因为他有神经科学家的背景。我是一个简单的计算机科学家，所以我会给出一个简单的答案。我认为……我的理解是，当我们试图解决智力任务时，有不同类型的……过程在起作用。我们需要……情景记忆。但我们也需要工作记忆，对吧？而 LLM 已经能够表明它们能够拥有惊人的情景记忆。它们可以……它们可以学习，从大量数据中学习，然后它们可以以一种令人惊讶和非常令人惊讶的方式进行泛化。但现在有一个问题：它们是否有结构化的工作记忆？它们能否进行长期推理？对吧？慢速和快速的思维方式。而这正是某些问题所在。是否存在足够的结构被这些模型隐式学习，以便它们能够完成……这些任务，并且能够进行很长时间的推理而不会犯错？所以，我们……我们的信念是，将会有新的进展。LLM 将会走得很远，但还需要更多的进展才能真正完成人类大脑今天能够完成的所有事情。有任何潜在的候选者吗？你看到过什么让你兴奋的吗？有任何新路径吗？所以，我认为……举个例子，想想我们的模型 AlphaProof。所以 AlphaProof 是我们今年宣布的一个系统。它承担了国际数学奥林匹克竞赛的数学问题。我不知道你是否见过这些问题。我见过它们，它们完全让我不知所措。这些问题非常难。而且它们具有挑战性。甚至一些更难的问题，即使是菲尔兹奖得主也会觉得困难。我的意思是，它们不是简单的问题，需要一些时间来解决。而 AlphaProof 所做的是，它通过在非常大的证明空间中进行搜索来寻找这些问题的证明。就像 AlphaGo 那样。它会猜测什么可能是证明，然后尝试探索它们。而 AlphaProof 甚至更进一步。给定一个难题，它基本上会尝试解决该问题的变体。以一种……数学家也会这样做的……方式。如果你被要求证明一个关于一般数字的陈述，你首先会尝试……看看单个数字的情况，或者偶数的情况，或者只是整数的情况，然后再尝试……证明所有情况。所以它会解决这些变体，在这个过程中，它会学到一些关于问题的知识，这使得我们能够……真正揭示出一些……这些类型问题的非凡证明。所以你认为像 AlphaProof 这样的东西是通往智能的一个很好的新候选者吗？所以，我认为它肯定在推理能力方面具有许多优势。因为它是……它利用……一个大型语言模型来……推理什么应该是正确的步骤。但它也有其形式化的元素，象征性的部分，这使得它能够……让自己扎根并以一种……更谨慎的方式探索事物。它具有我们今天在一些其他较新模型中看到的思维链推理的一部分。但问题是，有时我打开思维链，就像我打开推理列表一样，因为它通常隐藏在其他模型中，而且它毫无意义。有时就像一阵蓝色的微风。然后你知道，那里有一张桌子，桌子上有一盘菜。所以它最终会得到正确的答案，但你会想：“等等，它是怎么得到这个答案的？”但……但非常令人兴奋的是，你认为这是一个很好的途径。所以，我认为，但在 AlphaProof 的情况下，我们正在使用一种形式化语言。所以最终的证明，我们可以检查它们，对吧？它们是否正确。所以不像……基本上是……用非正式语言进行的思维链。明白了。在 AlphaProof 的情况下，你使用的是一种形式化语言，即 Lean 编程语言。所以你最终知道它是对还是错。归根结底，它是在代码中进行思维链推理。这太疯狂了。这是一个非常聪明的想法。嘿，我想谈谈别的事情。这是 DeepMind 的一部分，至少是你创造的东西之一，我认为它是一个天才的解决方案，那就是 SynthID。让我看看我是否理解正确。比如，有人在生成文本。你找到了给文本添加水印的方法。通过说：“看，你知道，如果你有一个句子，有五个词，然后第六个词将要生成。那么将要生成的词的概率，比如第五个词将要生成的是狗。”不是狗，比如，如果第五个词将要生成的是“挖掘”。嗯，不是“挖掘”，让我们给出一个更好的例子，让我们用“挖掘”来代替。你会在书面文本的许多地方这样做。因此，现在你拥有了略微偏移的词语概率的签名。这就是你如何给它添加水印。我的理解正确吗？所以，我认为 SynthID 是一个水印解决方案。它允许我们……标记生成的内容，然后识别它。这非常重要，因为如果你看到……整个信息生态系统，其中一部分将由人工智能生成。你想了解什么是由人工智能生成的，什么不是。所以 SynthID 利用了多种不同的机制来为不同的模态添加水印。对于文本，它使用了这种采样机制，就是你描述的那种。而这种采样机制基本上利用了 LLM 中的熵。因为空间非常小。所以对于图像、视频和音频来说，这些是高维信号。你可以把像素放在某个地方。所以你可以……以某种方式注入某些……对我们来说是无法察觉的偏差。但仍然是持久的，也就是说，如果你获取那个信号，以某种方式转换它，我们仍然能够检测到这实际上是一个……生成信号，即使你转换了它。因为我们……即使经过转换，我们仍然能够提取那个……签名。因为有很多空间。我只是在想，一个恶意的行为者。比如，我用 SynthID 生成了一些东西。然后我停止使用人工智能，我使用一个改写机器人。而且有很多改写机器人。所以，在文本的情况下，不是因为改变了词语分布。所以文本情况尤其困难。在图像、视频和音频的情况下，我们更加健壮。但在文本中，你有一个相对低维的信号，而且注入签名的空间很小。因为太多了，人们会确切地知道。你会改变意思，或者你会以一种非常……突出的方式改变它。因此，SynthID 对于文本基本上利用了 LLM 的分布熵。所以，如果你说“法国的首都是……”那么熵就是零，因为只有一个答案：“巴黎”。所以实际上，对于这个特定的陈述，你什么也做不了。对吧？它将只有一个答案。所以我们不能。但如果你说“我最喜欢的水果是……”那么它可能是一个芒果，它可能是一个木瓜，它可能是……而像“挖掘”这样的词更容易。对吧？但这是……这是在上下文中。挖掘基本上……它更容易，因为你可以用许多其他词来替换它。而许多其他词是可以互换的。所以这就是我们利用熵来……然后纳入签名。非常迷人。我不知道你是否见过这个。我猜你没见过。所以我要给你看一个。我制作 Instagram 内容，是短视频内容，完全是合成的。我只是给你看一个例子。比如这个。这是一个纯粹的合成互联网。有人修复了苹果的奖杯按钮问题。视频……我的意思是，嘴唇是重新拼接的。它使用了……一个头像系统。音频完全是合成的。听起来像我。它有语调。听起来不错。而我有一个问题，关于 SynthID，它是否适用于这个？因为我最大的担忧是，你知道，会有很多平台，你只需要上传一堆数据，或者……一个不间断的 3 分钟剪辑。而现在，这些模型需要的音频样本，只是为了给你一个好的输出，就是 3 秒，10 秒。所以制作克隆并不难。如果你看到 Twitter，会有很多……人们在说话，听起来像名人，看起来像名人。有没有办法在那里放置 SynthID？是的，绝对。所以，你可以……所以，在 SynthID 中，我们有一个特定的用例，就是零比特水印。所以，在零比特水印中，我们基本上说的是，这是人工智能生成的还是不是？但还有另一种水印版本，你说你想在信号中嵌入信息。也就是说，消费那个信号的人可以理解“哦，这是来自……这是开发它的人。这是……制作它的人工智能模型。等等。”所以给消费者更多信息，让他们能够做出明智的选择，他们看到的是什么。这太酷了。所以我想说，现在当你点击谷歌上的图片时，也许很快我们就会知道什么是人工智能生成的，什么不是。因为互联网正在慢慢地变得越来越像人工智能。就像，如果你现在在谷歌上点击图片，有太多人工智能生成的图片了。它正在挤占互联网。非常酷。我认为我学到了很多。我可以问你 500 个其他问题。你知道，这太令人兴奋了。和你在一起。我还有一个最后一个问题。我今天去了 DeepMind 的图书馆。嗯。它太棒了。嗯。你最喜欢的图书馆里的书是什么？所以，我的意思是，有很多。在所有学科中，它就像通才的糖果店。这是一个令人惊叹的地方，对吧？我的意思是，有很多。但……查尔斯·达尔文是我个人的……英雄。所以，《物种起源》将是我的最爱。非常感谢 Pushmeet。非常感谢你这样做。而且，是的，你知道，我希望在我离开之前能多看一点 DeepMind。但，是的，谢谢。很荣幸。