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。