【深度访谈】解题人：哈萨比斯的宇宙，从棋盘到细胞

一、两步使命：解决智能，然后解决其他所有问题

DeepMind 成立之初，哈萨比斯给自己的机构写下一个两步使命：第一步，解决智能（即构建 AGI）；第二步，用它解决其他所有问题。

这个表述在当时显得近乎狂妄。在 2010 年，绝大多数投资人和学术界同行告诉他，神经网络是个"90年代就试过、已经证明不好使"的东西。哈萨比斯选择不理会这些判断，因为他有一套独立的信念系统——那个系统来自国际象棋、来自游戏设计、来自对海马体如何整合记忆的博士研究，以及对"智能"本质长达数十年的私人沉思。

今天，当 AlphaFold 的结构预测数据库覆盖了地球上几乎每一个生物学研究者，当每一种新药的发现都会在某个环节调用 AlphaFold 时，第二步使命的轮廓开始变得清晰。

二、AGI 还差什么：记忆、推理与那一两个大想法

当被问及当前的大规模预训练范式——预训练、RLHF、链式思维——离 AGI 的最终架构还有多远时，哈萨比斯的回答出人意料地乐观，同时带着他惯常的精确：

他列出了当前仍未解决的核心缺口：持续学习（continual learning）、长程推理、以及记忆的若干维度。这三者中，记忆问题尤为深刻——因为那恰恰是他当年博士论文的研究主题。

海马体如何在睡眠中整合新知识，而不破坏已有的认知图谱？人类的大脑在 REM 睡眠期间重播重要的情节记忆，用以巩固学习。DeepMind 最早期的 Atari 程序 DQN，用的就是"经验回放"机制——这是从神经科学借用来的设计。

然而今天的大模型处理记忆的方式，依然像是在用胶带拼凑：把所有信息塞进上下文窗口，任其混沌共存。百万 Token 的窗口看似足够大，但它是暴力的——没有优先级，没有遗忘机制，检索的成本随规模线性增长。哈萨比斯说，这"令人不满意"，而他相信记忆领域还有相当大的创新空间。

三、锯齿状智能：为何模型能解奥数，却算错小学题

哈萨比斯描述了他在测试 Gemini 下棋时观察到的现象：模型会考虑一步棋，意识到那是一步臭棋，却找不到更好的选择，最终仍然走出那步棋。这不是算力问题，而是推理过程中的某种结构性失败——系统无法中途介入自己的思考链路。

他对推理改进的方向有具体的设想：不是让模型思考更久，而是能在链式思考的中途"插入干预"——在模型陷入循环或偏离轨道时及时修正，而非让错误一路滚雪球到结论。

这背后是 AlphaGo 的遗产在发生作用：蒙特卡洛树搜索、对搜索空间的精准剪枝、以及在不同候选方案之间进行评估的能力。哈萨比斯认为，这些思路在基础模型时代并未过时，而是正在以新的形式复苏。

⁂

四、AlphaFold 公式：何时 AI 能碾压一个领域

哈萨比斯用了大量篇幅，试图归纳一个可复制的"科学突破选题框架"：

首先，搜索空间必须是组合爆炸级的——围棋的落子数超过宇宙原子数，蛋白质的构型同样如此。这排除了一切可以暴力穷举或特殊算法解决的问题。

其次，目标函数必须清晰可定义——蛋白质的自由能最小化，围棋的胜负。你需要一个可以让系统爬坡（hill climb）的评估标准，否则强化学习无从着力。

第三，数据或模拟器必须能生成大量分布内样本——无论是棋局的自我对弈，还是蛋白质数据库里积累的结构数据。

他把药物发现比作"在合法的物理规则允许的空间内，寻找那枚能治愈疾病的分子针"。只要那枚针存在，问题就只剩下如何高效找到它——而这正是 DeepMind 旗下 Isomorphic Labs 正在做的事。

五、创造力的边界：AI 能发明围棋吗

哈萨比斯提出了一个令人着迷的测试。AlphaGo 的 Move 37——那步让世界冠军李世乭起身离席的神之一手——令人惊叹，但还不够。他真正想要的，是一个系统在给定"一种可以五分钟学会规则、但需要数个人生去精通、且兼具美学优雅的游戏"这样的高层描述后，能够发明出围棋本身。

他的"爱因斯坦测试"同样尖锐：如果你用 1901 年的全部人类知识训练一个模型，它能在 1905 年推导出狭义相对论和布朗运动理论吗？那一年爱因斯坦同时发表了五篇划时代论文。

哈萨比斯认为，当前模型缺乏的是某种真正的类比推理（analogical reasoning）——不是在已知模式上的插值，而是跨越不同概念域之间的结构性映射，然后在无人踏足的领域提出一个真正意义上的新问题。

他补充了一个让人宽慰的可能性：也许今天的模型已经具备了这种能力，只是还没有遇到那个足够有创造力的人，以足够正确的方式使用它。那枚火花，可能藏在某个彻夜与工具融为一体的实验者身上。

⁂

六、2030 年的幽灵：如何在 AGI 出现前建立深度科技

哈萨比斯的 AGI 时间线是 2030 年前后。他对此没有什么戏剧性的强调，更像是一个工程师在说"我们的项目里程碑大约在这个节点"。

但这个节点对于创业者意味着一件严肃的事：如果你今天开始一段典型的深度科技创业旅程，你有可能在旅途中段遇见 AGI。不是在终点，而是在中间。

他的建议很简单，也很罕见：去做那些就算一辈子没有结果，你也愿意做的事情。因为在不确定性足够高的领域，热爱是唯一能让你坚持足够久的理由。

他说，如果 DeepMind 失败了，他可能会回到学术界——但他绝对还是会在研究 AI。因为那是他能想到的最有意思的问题，而不仅仅是最有钱的问题。

七、虚拟细胞与十年之约

哈萨比斯给出了一个具体的科学时钟：完整意义上的虚拟细胞——一个可以被扰动、输出结果与真实实验吻合的细胞数字孪生——大约还需要十年。

DeepMind 目前先从细胞核入手，因为它相对自包含，输入输出边界可以近似定义。更大的挑战是数据：在不杀死细胞的前提下，以纳米分辨率实时成像一个活细胞的内部动态，目前在技术上还不存在。一旦这个成像问题被解决，细胞模拟就会变成一个可以用视觉 AI 求解的问题——而那是 DeepMind 最擅长的领域之一。

与此同时，Isomorphic Labs 正在把 AlphaFold 以外的药物发现流程逐步纳入 AI 版图——设计具有特定属性的化合物、预测毒性与代谢路径。大型宣布即将到来。

普罗米修斯带来了火，哈萨比斯知道这个隐喻的另一面：那把火也可以伤人。但他的语气里没有焦虑，更多的是一种工程师式的冷静——他相信，解题框架本身会给出关于如何使用答案的线索。

有一类人，他们不是在等待问题浮现再去解答，而是在问题成形之前，就已经把解题所需的所有工具磨砺完毕。哈萨比斯是这类人里少见的样本。他的时间轴比多数人更长，他的耐心比多数人更深，而他留下的那些开放的问题——AI 能发明围棋吗？能在 1905 年推导出相对论吗？——本身就是最好的灯塔，照向那片还没有人到达的地方。

⁂

内容来源：Demis Hassabis 在 YC Startup School 2026 的公开演讲与访谈，经 宇宙纪事 整理、提炼与再创作。封面系列：AI 领袖肖像  / Hassabis。

© 宇宙纪事 | 转载请注明出处 | 本文观点仅供参考，不构成投资建议