撰文：Techub News 整理

导语

2025年初，人工智能研究实验室 DeepMind 联合创始人、2024年诺贝尔化学奖得主 Demis Hassabis（德米斯·哈萨比斯）重返母校剑桥大学计算机实验室，发表了一场题为“用 AI 加速科学发现”的演讲。作为 AlphaGo 和革命性蛋白质结构预测工具 AlphaFold 的核心推动者，Hassabis 在此次演讲中不仅回顾了其个人从游戏爱好者到 AI 先驱的历程，更系统性地阐述了 DeepMind 如何将攻克复杂游戏的 AI 范式成功迁移至蛋白质折叠等重大科学问题，并展望了 AI 作为“数字生物学”基础工具以及通往人工通用智能（AGI）的未来图景。这场演讲是对过去十五年 AI 赋能科学前沿的一次深度梳理，也揭示了 DeepMind 乃至整个行业下一步的核心方向。

摘要

• 游戏是 AI 的“训练场”：从 Atari 到围棋，自我对弈与强化学习等技术锤炼出的 AI 算法，其核心是高效搜索与解决巨大组合空间问题的能力，这为 tackling 现实世界复杂问题奠定了基础。
• AlphaFold 解决了“亿万年的难题”：将游戏 AI 的范式应用于蛋白质折叠问题，AlphaFold 2 实现了原子级精度预测，并在一年内完成了相当于“十亿年 PhD 工作量”的 2 亿个蛋白质结构预测，免费开放后已彻底改变结构生物学研究。
• AI 正开启“数字生物学”新时代：Hassabis 认为，正如数学是物理学的完美描述语言，AI 将成为理解生物学复杂性与涌现行为的完美工具，其新公司 Isomorphic Labs 正以此理念从头重塑药物发现。
• 通往 AGI 之路：世界模型与通用助手：DeepMind 在视频生成（Veo）、游戏世界生成（Genie）以及多模态模型（Gemini）上的进展，旨在构建理解物理世界并能规划行动的“世界模型”，最终目标是开发出能在现实世界中协助人类的通用 AI 助手。
• 负责任地推进变革性技术：Hassabis 强调，面对指数级进步的 AI，必须摒弃“快速行动、打破常规”的硅谷模式，代之以科学方法的谦逊与审慎，并提前进行安全研究与社会各界的广泛讨论。

从棋盘到生命密码：游戏 AI 作为科学发现的引擎

Demis Hassabis（德米斯·哈萨比斯）的 AI 之旅始于游戏，特别是象棋。年少时，他不仅对博弈本身着迷，更对“思考”这一过程本身充满好奇。早期家用电脑和象棋程序让他第一次意识到，可以教会“一堆无生命的塑料”进行复杂的策略游戏。这种 fascination 驱使他后来在剑桥攻读计算机科学，并深受图灵、香农等先驱理论的影响。

2010年，Hassabis 共同创立 DeepMind 时，设定了两步走的宏大使命：第一步，解决智能问题；第二步，用智能解决其他一切问题。在当时，这听起来近乎狂妄。为实现第一步，他们选择了游戏作为理想的“试验场”。游戏环境规则清晰、目标明确（得分或获胜），且能生成大量训练数据。2013年，DeepMind 的 DQN 系统首次实现了从原始像素输入直接学习玩转多种 Atari 游戏，无需任何游戏规则先验知识。

真正的里程碑是围棋 AI AlphaGo。Hassabis 指出，围棋的可能局面数高达10的170次方，远超宇宙原子总数，无法通过暴力搜索解决。AlphaGo 的成功关键在于结合了深度神经网络与蒙特卡洛树搜索，并通过“自我对弈”实现快速进化。系统从随机下棋开始，通过海量自我对局生成数据，训练出能评估局面和预测胜率的神经网络，然后用这个更强的版本迭代替代旧版本。在24小时内，系统就能从菜鸟进化到超越世界冠军的水平。2016年，AlphaGo 击败李世石，其一步被视为“不可想象”的棋招（第37手），向世界展示了 AI 具备发现人类千年经验之外新知识的能力。

随后诞生的 AlphaZero 进一步推广了这一范式，无需人类棋谱，仅凭规则就从零开始 mastering 围棋、象棋、将棋等多种棋类。它不仅赢了最强的传统象棋引擎 Stockfish，更展现出一种“弃子取势”、注重机动性的优美风格，影响了包括 Magnus Carlsen 在内的世界顶尖棋手。Hassabis 强调，这些游戏上的突破并非终极目标，而是为了验证和锤炼一套能应用于更广阔领域的通用算法框架。

AlphaFold：将游戏策略应用于“生命积木”的折叠

在游戏 AI 技术成熟后，Hassabis 立即将目光投向了心中酝酿已久的科学挑战——蛋白质折叠问题。蛋白质是生命的基石，其功能很大程度上由其三维结构决定。而“蛋白质折叠问题”即从蛋白质的一维氨基酸序列预测其三维结构。由于可能构象数量极其庞大（“Levinthal 悖论”），该问题数十年来进展缓慢。

Hassabis 认为，蛋白质折叠完美契合了从游戏 AI 中提炼出的三大标准：1) 一个巨大的组合搜索空间（太多可能性无法暴力破解）；2) 一个清晰的目标函数（最小化预测结构与真实结构的偏差）；3) 可获得数据或能生成数据的模拟环境（已有的蛋白质结构数据库）。

2016年，在 AlphaGo 战胜李世石后，DeepMind 立即启动了 AlphaFold 项目。2018年，AlphaFold 1 首次在蛋白质结构预测关键评估（CASP）竞赛中夺冠，并首次将机器学习作为核心方法引入该领域，但尚未达到原子级精度。团队吸取经验，从头设计架构，于2020年推出了 AlphaFold 2，其预测精度达到了与实验方法相媲美的原子级水平，被竞赛组织者宣告“该问题已基本解决”。

AlphaFold 2 不仅准，而且快。意识到这一点后，DeepMind 与欧洲分子生物学实验室合作，在一年内预测了已知的约2亿个蛋白质的结构，并免费向全球开放数据库。Hassabis 比喻道，这相当于用一年时间完成了“十亿年的 PhD 工作量”。这一举措极大加速了全球生物学研究，从对抗抗生素耐药性、研究被忽视的热带疾病、设计降解塑料的酶，到探索生育机制，AlphaFold 已成为生物医学研究的标准工具，被超过200万研究者使用。

此后，DeepMind 持续迭代，发布了能模拟蛋白质与其他分子（如 DNA、RNA、配体）相互作用的 AlphaFold 3，以及能进行“逆折叠”、设计全新蛋白质的 AlphaProtein 系统。Hassabis 总结道，AlphaFold 的成功证明，AI 能够将原本棘手的巨大组合搜索问题变得可解，其核心是让神经网络学习问题的“拓扑结构”，从而高效地引导搜索，找到最优解。

数字生物学时代与 AI 赋能的全科学图景

基于 AlphaFold 的成功，Hassabis 提出了一个更宏大的愿景：我们正在进入“数字生物学”的新时代。他认为，在最根本的层面上，生物学是一个抵抗周围熵增的信息处理系统，而 AI 正是描述和理解这个极其复杂、具有涌现行为的动态系统的完美语言，就像数学之于物理学。

为了将这一理念推向实践，DeepMind 孵化出了 Isomorphic Labs。这家公司的雄心是，利用 AlphaFold 及后续 AI 技术，从头开始重新构想药物发现流程。目前，一款新药的平均研发周期长达十年、耗资数十亿美元。Hassabis 的梦想是，能否像将蛋白质结构发现从数年缩短到数秒一样，利用 AI 将药物发现从十年缩短到数月甚至数周，实现“数字速度的科学”。他的长期梦想之一是创建一个“虚拟细胞”（例如酵母细胞），可以在计算机中进行模拟实验，用预测结果指导现实世界的湿实验室验证，从而大幅减少昂贵耗时的试错搜索。

Hassabis 指出，AI 对科学的赋能远不止于生物学。DeepMind 的研究已覆盖多个领域：从通过视网膜扫描识别眼疾、发现新材料、帮助核聚变等离子体控制、AI 自我发现更快的矩阵乘法算法，到改进天气预报、助力量子计算机纠错等。他鼓励大学积极推动 AI 与各专业领域的跨学科研究，认为未来5到10年将由此产生大量突破。

通往 AGI：世界模型、通用助手与负责任的发展

回顾 DeepMind 的初心——构建 AGI（人工通用智能），Hassabis 分享了最新的进展与思考。他认为，构建理解世界的“世界模型”是关键一步。DeepMind 最新的视频生成模型 Veo 能够根据文本或单张图像生成符合物理规律（如切割西红柿、蓝莓入水产生气泡）的视频，这表明 AI 系统能够从大量视频数据中学习到对真实世界物理的隐式理解。

更进一步的项目 Genie 2 则能根据文本指令生成一个可交互、可控制的简短游戏世界。虽然目前一致性仅维持数秒，但这项研究旨在最终构建出能长时间保持一致性、真正理解世界运作原理的模型。这些都与 DeepMind 在多模态大模型 Gemini 上的工作相结合。

Hassabis 特别提到了他对下一代 AI 助手的展望——“通用助手”（Project Astra），它可能化身为手机或眼镜上的智能体，伴随用户左右，在现实世界中提供帮助，提升生产力和生活体验。而实现这一点的下一步，是将类似 AlphaGo 的智能体搜索和规划能力，与 Gemini 这类理解世界的通用模型结合起来，从而创造出能在复杂现实环境中规划并执行任务的 AI 系统，这亦是机器人技术取得巨大进步的关键。

面对 AI 技术的指数级发展，Hassabis 郑重强调了负责任发展的重要性。他回顾道，DeepMind 从2010年成立之初就开始规划“成功后的情景”，思考如何确保变革性技术安全、负责任地部署。他介绍了诸如 SynthID 等技术，用于对 AI 生成的内容进行隐形水印标记，以应对深度伪造带来的挑战。他认为，对于 AI 这种变革性技术，硅谷“快速行动、打破常规”的信条并不适用，而应代之以科学方法的谦逊、审慎和远见。他赞赏英国布莱切利公园首届全球 AI 安全峰会等举措，认为让政府、学术界、产业界和公民社会共同参与，探讨如何最大化 AI 机遇、最小化其风险，至关重要。

终极猜想：古典计算能走多远？

在演讲尾声，Hassabis 提出了一个深刻的猜想，回溯到他在剑桥所学的计算理论基础。图灵机定义了古典计算的理论边界。如今，量子计算被寄予厚望，被认为能解决许多古典计算难以处理的问题。

然而，Hassabis 提出了一个不同凡响的猜想：古典图灵机（以及构建于其上的 AI 系统）的能力可能远超我们过去的认知。他以 AlphaFold 为例：蛋白质本质上是量子系统，在原子尺度运行，人们可能认为需要量子模拟才能预测其结构。但 AlphaFold 使用古典神经网络就实现了高度精确的近似。他猜想，任何在自然界中能够生成或发现的模式（即具有真实物理结构的模式），都有可能被像 AlphaFold 这样的古典学习算法有效地发现和建模。

如果这一猜想成立，将对量子力学乃至基础物理学产生深远影响。而这，最终将 Hassabis 带回了其 AI 之旅的起点：他始终相信，以这种方式构建的 AGI，将成为我们理解宇宙及其自身位置的终极通用工具。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。