核心结论：DeepMind 研究副总裁 Zoubin Ghahramani 在一期技术对谈中把“不确定性”提到了智能决策的核心位置——从天气预报到机器人，可靠决策的前提不是模型更自信，而是模型“知道自己不知道”。访谈给出了三个递进的关键命题：一是正确性与置信度是两回事，模型必须学会校准；二是概率化思考（贝叶斯思维）是处理未知的成熟工具箱；三是把不确定性显式地带入现实世界系统，才能得到更安全、更可靠的 AI。本文基于 2026 年 8 月 Google DeepMind 官方账号发布的访谈内容整理，不涉及任何未发表的研究工作。
2026 年 8 月底，Google DeepMind 官方账号发布了一期对谈，主题一句话概括：从天气预报到机器人，智能决策都依赖理解未知。参与对谈的 Zoubin Ghahramani 是 DeepMind 研究副总裁，也是贝叶斯机器学习领域的代表人物——他推动的“概率化深度学习”方向，主张让神经网络不仅给出答案，还给出答案的置信度。这期内容值得单独写一篇，因为它把学术界的“老话题”（不确定性量化）重新摆到了 AGI 语境下讨论。
一、访谈说了什么：一张表看懂
| 章节 | 时间点 | 核心内容 |
|---|---|---|
| 引入 | 00:00 | 为什么从天气预测到机器人，决策都依赖理解未知 |
| 不确定性的角色 | 01:06 | 系统何时需要显式表达“我不确定” |
| 正确性 vs 置信度 | 07:45 | 模型答对 ≠ 模型有把握，校准是关键 |
| 历史视角 | 09:40 | 概率思维在统计与 AI 中的演变 |
| AI 中的贝叶斯思维 | 16:10 | 用贝叶斯方法量化参数与预测的不确定性 |
| 现实世界的不确定性 | 26:30 | 自动驾驶、机器人等场景如何落地 |
| 未来研究与 AGI | 36:42 | 不确定性研究的前沿与通用智能的关系 |
二、最值得展开的三个观点
第一，“正确性”与“置信度”是两回事。 访谈中 Ghahramani 反复强调校准（calibration）的概念：一个模型如果答对了 90 道题，但在答错的 10 道题上也给出 95% 的置信度，那它就是“过度自信”的。在天气预测里，说“明天 70% 概率下雨”而实际下 7 成的天，这才是好的预报员——不是每一次都斩钉截铁。正确性与置信度分离，是可靠决策的第一道门槛。
第二，贝叶斯思维是处理“未知”的成熟工具箱。 16:10 的章节把话题引向贝叶斯方法：把参数和预测都视为概率分布，用数据不断更新先验。Ghahramani 是这一路线的旗手，他参与推动的深度学习贝叶斯化（如贝叶斯神经网络、不确定性量化）正是为了让模型在数据稀疏、分布漂移的场景下仍然诚实。对工程落地而言，这比单纯堆精度更有价值。
第三，把不确定性带进现实系统，才有“安全”。 26:30 章节落到自动驾驶与机器人：一个机器人面对从未见过的场景，如果模型不输出不确定性，系统就无法决定“该不该停下来问人”。自我怀疑不是模型的缺点，而是安全的组成部分——这正是访谈标题里“teaching systems self-doubt”的含义。
三、我的看法
第一个观察：“校准”正在从学术指标变成产品要求。 过去评估模型只看准确率，现在大模型时代，“什么时候该说不知道”直接影响用户信任。拒绝回答、给出置信区间、主动承认证据不足，这些能力正在成为模型质量的组成部分。
第二个观察：贝叶斯方法与深度学习的结合远未结束。 Ghahramani 访谈里强调的历史视角（09:40）其实在提醒我们：概率思维是统计学的底色，深度学习只是最近二十年给它换了个引擎。未来数据稀缺领域（医疗、工业、科学发现）会越来越需要“带不确定性的预测”，而不只是点估计。
第三个观察：“自我怀疑”可能是一条通往 AGI 的路径。 访谈最后（36:42）把话题引向 AGI：一个通用智能体必须知道自己在哪些领域无知，才能决定何时学习、何时求助、何时冒险。从这个角度看，不确定性不是模型的短板，而是智能的元能力。
需要说明的局限：本文基于 DeepMind 官方账号发布的访谈摘要与时间码整理，未观看完整视频内容；时间码对应的具体论述以原视频为准。访谈中提到的技术方向（校准、贝叶斯深度学习、不确定性量化）均为已公开发表的研究范畴，不涉及任何未发表工作。
参考来源：
- Google DeepMind 官方 X 账号发布的访谈推文（2026-08-27）
- 访谈嘉宾：Zoubin Ghahramani（DeepMind 研究副总裁）