DeepMind首席執(zhí)行官、去年獲得諾貝爾化學獎的Demis Hassabis堅定地關注著接下來會發(fā)生什么：一個被人工智能重塑的世界，一個可能迫使我們不僅重新思考我們學到了什么，而且重新思考我們如何學習的世界。

他談到了變化的速度——人工智能已經(jīng)在改寫科學、研究和工程領域的規(guī)則。模型現(xiàn)在的發(fā)展速度比大多數(shù)機構都要快。在他看來，最有價值的技能不是深入的技術培訓，而是不斷學習的能力，無論你在哪個領域。

Hassabis不僅僅是猜測。他一直處于人工智能一些最重要時刻的中心——從AlphaGo對陣世界上最好的圍棋選手的驚人勝利，到AlphaFold在蛋白質預測方面的飛躍，這改變了生物學家進行藥物開發(fā)的方式，并為他贏得了化學領域的最高榮譽。

他與 DeepMind 高級研究員 John Jumper 以及美國生物化學家 David Baker 共同獲獎，獲獎理由是“在蛋白質結構預測”方面的突破性貢獻，特別是他們開發(fā)的 AlphaFold2 人工智能模型，成功解決了困擾科學界長達50年的蛋白質折疊預測難題。

他也不是來自一個學科。他的背景融合了神經(jīng)科學、計算機科學，甚至是競爭性國際象棋——這種結合使他成為當今許多突破發(fā)生的地方。因此，當他談到人工智能可能成為什么時，人們往往會傾聽。

當被問及未來時，Hassabis承認很難預測事情會如何發(fā)展。他說：“在正常情況下，很難預測10年后的未來。”“考慮到人工智能的變化速度如此之快，甚至每周都在變化，預測更加困難。你唯一能肯定的是，巨大的變化即將到來。”

他解釋說，這種變化不僅會以新工具或更快機器的形式出現(xiàn)，還會重塑人們獲取知識的方式。隨著人工智能在科學和工程領域承擔越來越多的重任，人類的真正優(yōu)勢將在于我們能夠多快地轉向、吸收陌生的概念，并以新的方式應用它們。

根據(jù)Hassabis的說法，未來真正的技能不是任何一門學科，而是學習本身。不僅要記住事實，還要弄清楚如何解決新問題，如何在不熟悉的領域加快速度，如何在事情不斷變化時保持好奇心。

他稱這些為“元技能”，并明確表示它們將比以往任何時候都更重要。當人工智能不斷改變你的世界時，知道如何繼續(xù)學習可能是唯一真正堅持的事情。

這些元技能已經(jīng)在發(fā)揮作用。一位科學家學習基本的編程，這樣他們就可以運行自己的模型。一位工程師被淘汰前正在研究如何使用一個全新的仿真平臺。一位醫(yī)生正在學習如何理解人工智能生成的診斷。這些不是重大的職業(yè)轉變，也不是需要學習的全新技能。然而，它們是正?；嫩E象，正?；侵高M入一個陌生的領域，無論如何都要弄清楚。這正是Hassabis所說的“學習如何學習”的意思。

Hassabis明確表示：今天的學習方式不足以適應我們即將進入的世界。當前的教育體系是為一個較慢的世界而建立的，職業(yè)生涯沿著直線發(fā)展，知識在幾十年內都是有用的?，F(xiàn)在情況已經(jīng)不是這樣了，尤其是在科學和工程領域，人工智能正在迅速重塑問題的解決方式和發(fā)現(xiàn)方式。

現(xiàn)在最重要的不是什么都知道，而是知道如何不斷學習和適應。我們可能不僅要習慣學習一次，而且要隨著技術的不斷發(fā)展而不斷學習。

Hassabis還談到了這一切可能走向何方。他表示，通用人工智能（AGI）——能夠像人類一樣推理不同問題的機器——可能還有不到十年的時間。如果發(fā)生這種情況，發(fā)現(xiàn)的速度可能會以難以想象的方式加快。醫(yī)學研究、氣候科學、能源系統(tǒng)——整個工作領域可能比以往任何時候都發(fā)展得更快。他稱之為“激進富足”的未來，在這個未來，限制不再在于工具或數(shù)據(jù)，而在于我們準備好使用它們的程度。

與Ai時代前沿合作，將大門向更多普通用戶敞開！無論你是對新技術充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。