Cleo Abram的Huge Conversations在2026年4月7日發布了一期長達一小時的對談，嘉賓是我們的常駐人士，Google DeepMind的CEO、諾貝爾化學獎得主哈薩比斯（Demis Hassabis）。
我要說播客這種形態，還是Youtube頻道們玩得更有特色。Cleo為這期節目設計了一個別致的形式。她把DeepMind過去十年的項目分別寫在疊疊樂（Jenga）木塊上，擺成一座塔：AlphaFold、AlphaGo、AlphaZero、Isomorphic Labs、AlphaGenome、AlphaEvolve、AlphaChip、GenCast。兩人一邊抽木塊一邊聊，抽一塊聊一個。
這期最核心的不是任何一個單獨的項目，而是哈薩比斯在整整一小時裡把一整條DeepMind技術樹串起來講透了。他解釋了每個項目解決了什麼、彼此如何咬合、下一步可能通向哪裡。他還罕見地承認了一件事：今天這種在ChatGPT之後被商業壓力和地緣政治推著跑的AI節奏，不是他理想中的路徑。如果由他定，他會把AI在實驗室里再多留十年，用CERN式的協作方式，把AGI
這一步走穩。
還有一個時間上的巧合值得放在開篇。這場訪談發布的同一天，Anthropic公布了新一代前沿模型Claude Mythos Preview，明確說因為這個模型發現作業系統和瀏覽器漏洞的能力過強，擔心被惡意使用，決定暫不公開發布。Mythos只開放給Google、Microsoft、Apple、Amazon、Nvidia、JPMorgan Chase、Cisco、Broadcom、Palo Alto Networks、CrowdStrike、Linux Foundation這12家核心合作夥伴，連同另外40家組織一起組成一個叫Project Glasswing的聯盟。Anthropic公布的數據是，Mythos已經在幾乎所有主流作業系統和瀏覽器里發現數以千計的高危漏洞，包括OpenBSD里一個存在了27年的安全缺陷。這件事不是哈薩比斯說的"留在實驗室十年"，兩者在程度上完全不同，但Anthropic選擇"不對外發布、交給小圈子先用"，和哈薩比斯在訪談里排在第一位的擔心，是同一個問題的兩面。
哈薩比斯拿諾貝爾化學獎的原因是AlphaFold。這個項目解決的是生物學50年未解的一個大問題：蛋白質摺疊。蛋白質是身體裡一切的基礎，它的3D結構決定它的功能，而蛋白質摺疊問題要解決的是，能不能僅憑一維的胺基酸序列預測出最終的3D形狀。哈薩比斯把它比作生物學的費馬大定理。
他在劍橋讀本科時就從一個生物學家朋友那裡聽說過這個問題，當時同時看到三件事。這是個配得上AI的難題，雖然1990年代末還沒有任何AI能碰它；如果解開，下游的藥物發現和疾病理解會整條打通；改善人類健康是他眼裡AI最值得去做的事。
訪談里被講得最精彩的部分不是解題本身，而是2021年的一次內部會議。那次會議被攝像機意外拍下了。那天討論的是AlphaFold上線之後怎麼服務科學家。按行業慣例，要做一個伺服器，科學家把感興趣的蛋白質序列發過來，系統算完回傳。整個結構生物學領域40多年來都是這麼做的，因為預測算法都很慢，一次要幾天。
會議中途哈薩比斯在手機上做了一個餐巾紙背面的估算。自然界已知的蛋白質大約2億種，如果每10秒摺疊一個，再算一下手頭有多少台電腦，他突然意識到，一年之內可以把所有科學家可能想要的蛋白質結構全部預先算完，免費放到一個資料庫里。
於是他說了那句後來被影片記錄下來的話："我們為什麼不直接這麼幹？" 搭伺服器、資料庫、郵件客戶端這一整套基礎設施的工程量，比直接把2億個結構全部算一遍還大。一個原本要建系統的會議，變成了一個乾脆取消整個系統的決定。
不知道大家是否看懂這一段了。意思就是，本來是想建一個系統，科學家提一個，再算一個。結果變成了，全算完，直接提供算好的結果。
這不是一次性工程。DeepMind在歐洲生物資訊學研究所有一個小團隊，每年把新發現的序列批量算完更新進去。基因測序技術過去這些年比人類基因組計劃時代提高了好幾個數量級，原本結構生物學遠遠落在後頭，現在AlphaFold 2讓結構生物學追得上測序的速度。有人從海里舀一桶水，裡面各種生物被測序完，很快就能跟上它們的結構。
這一輪擴張還有一個沒想到的受益方向是植物科學。哈薩比斯說他有植物科學家朋友抱怨，植物基因組的數據量反而比哺乳動物和人類都大，很多植物有多套基因組，但研究這些"冷門物種"的科學家往往缺資源，連把蛋白質結晶出來這一步都走不下去。現在他們可以跳過結構這一關，直接去想怎麼讓農作物更能抵禦氣候變化。另一類受益者是研究瘧疾、恰加斯病、利什曼病這類被忽視疾病（neglected diseases）的非營利組織。這些病影響全球數億人，但主要分布在貧困地區，大藥廠沒有商業動力投入，只能靠非營利組織去做。過去這些研究者連把蛋白質結晶都困難，現在也能直接跳到藥物發現階段。
今天超過300萬名科學家在用AlphaFold。DeepMind內部的判斷是，基本上每一個在職的生物學家都用過。一位藥企科學家告訴哈薩比斯，從現在開始幾乎每一款新藥的研發流程里都會用到AlphaFold。他自己最喜歡舉的例子是核孔複合體（nuclear pore complex），人體最大的蛋白質之一，功能是細胞核的開合閘門。這個東西太大太複雜，長期難以結晶，也就長期沒有結構。AlphaFold發布後大約半年到一年，有團隊結合實驗數據終於解出了這個甜甜圈一樣的門到底長什麼樣。
哈薩比斯自己強調過一件事：AlphaFold只是藥物發現鏈條里的一個環節。知道蛋白質的3D結構只告訴你靶子長什麼樣，真正要做藥還需要化學設計。找到一個化合物，讓它能結合到蛋白質表面的正確位置，結合強度要夠，而且絕不能順便結合到人體內其他兩萬種蛋白質上，否則就是毒性。和他共同獲得諾貝爾獎的同事John Jumper在另一個場合也傳達過同樣的意思。
DeepMind為這件事專門分拆出了一家公司，叫Isomorphic Labs，做的事是把AlphaFold作為一個核心組件，再疊加更多相鄰系統，可以理解為AlphaFold 3代、4代，拼成一條端到端的藥物發現流水線。流程大致是這樣的。AI生成候選化合物，預測它對目標蛋白質的結合強度，然後幾小時內檢查這個化合物會不會結合到另外兩萬種蛋白質里的任何一種，根據結果不斷修改分子，讓目標親和力越來越強，副作用越來越少。
這是一個典型的自我疊代搜索，效率對比傳統濕實驗（wet lab）是幾千倍甚至幾百萬倍的差距。濕實驗並沒有被取消，而是被挪到了流程最末端，只有最後少數幾個候選分子需要真正在實驗室驗證預測是否成立。
Isomorphic Labs目前在推進18到19個藥物項目，覆蓋心血管疾病、癌症、免疫學等治療領域。哈薩比斯的判斷是這類技術最終會惠及幾乎所有治療領域。他給出了兩個冷酷的對照數字：原本一款藥物的平均開發周期是10年，只有約10%的候選藥物能跑完所有臨床階段。這兩個數字如果不大幅改善，人類健康的改善速度就改善不了。
這一章的問題不是哈薩比斯自己提的，是另一位諾貝爾獎得主、CRISPR發明人之一Jennifer Doudna通過影片向他拋過來的。她問得很細。CRISPR現在能夠精準定位幾乎任何DNA序列，但對大多數遺傳病，人類還不清楚究竟是哪些DNA變化在致病。尤其是在那占基因組98%、不編碼蛋白質的區域裡。AlphaGenome這樣的工具開始解碼這98%，我們距離"AI能準確指出某個病人身上的致病突變，然後讓CRISPR去修復"有多遠？
AlphaGenome是DeepMind新近發布的系統。輸入一段長基因序列和某個單鹼基位點的突變，輸出這個突變是致病還是良性的預測。哈薩比斯說它是目前世界上在這個任務上最好的系統。但他也坦率承認，現在還不夠好。
更棘手的是多基因疾病。由多個突變級聯觸發的複雜病例，檢測難度遠超單點突變，但恰恰也是AI最有機會介入的地方。未來更準確的AlphaGenome版本有機會識別出"這個突變和另一個突變組合起來才致病"，然後CRISPR進去修掉。哈薩比斯說他和Doudna在這條路徑上有合作的可能。
"大多數人以為AlphaGo的意義是擊敗了李世石。"但對哈薩比斯來說，AlphaGo真正做成的事是另一件。它讓哈薩比斯敢於把DeepMind的下一步轉向科學問題。
要理解這件事，得先理解為什麼哈薩比斯認為IBM深藍不算"他要的AI"。1990年代末哈薩比斯讀本科時，看著深藍擊敗Kasparov，他覺得那不是AI。深藍是一個專家系統，智能不住在系統里，而是住在西洋棋大師和程序員的腦子裡。他們把經驗蒸餾成規則，系統只是暴力執行。證據是深藍不僅不會下別的遊戲，連嚴格更簡單的井字棋都不會。沒有一個人類特級大師會學不會井字棋，所以那套東西在"泛化"這件事上顯然有根本問題。
圍棋則是另一個證明場。圍棋是人類發明的最複雜的遊戲之一，也是最古老的遊戲之一。可能棋局數高達10的170次方，遠超宇宙原子總數，暴力搜索徹底不可行。圍棋高手描述自己的判斷時用的詞常常是"感覺對"，這種直覺難以被編碼進顯式規則，恰好適合讓深度強化學習上場自證。
2016年3月AlphaGo對李世石的比賽被全球2億人觀看。AlphaGo在第二局走出了著名的Move 37。它把一顆子下在了第五線上的一個早期位置，這在圍棋傳統里是會被老師敲手背的"壞棋"。但它不僅沒壞，反而在100多手之後成為決定整盤棋的那一顆關鍵子，像是提前就知道自己應該在那裡。
對哈薩比斯來說這是六年工作的信號彈。他們一直在構建能從經驗中自主學習的系統，而這一刻證明這類系統可以產生人類沒想到的創造性洞見。這也成為DeepMind後來轉向科學問題的信號，包括一年後立項的AlphaFold。
AlphaGo的訓練起點還保留了一些人類知識。它先學習網際網路上所有能找到的人類棋譜，加上棋盤對稱性這類圍棋特有的先驗，並在這之上疊加了Monte Carlo樹搜索（MCTS），讓系統能在人類經驗的基礎上繼續探索新的分支。DeepMind的下一步是把這些人類知識全部移除，於是有了AlphaZero。名字里的"Zero"就是這個意思：零先驗，只給規則。
AlphaZero從完全隨機開始下，自己和自己下10萬盤。數據集裡即便是隨機的棋也會有一些比另一些略好。用這批數據訓練出版本2，再讓版本2自我對弈，如此往復。在圍棋和象棋這樣的任務上，大約16到17代就足夠從隨機進化到超越世界冠軍。
哈薩比斯親自看過AlphaZero學象棋的整個過程。上午它隨機亂下，午飯前他自己還能勉強和它下兩盤，喝下午茶時它已經強於所有特級大師，到晚飯時它已經超過世界冠軍。而且它走的是一種新的象棋，連Stockfish那類更暴力的傳統引擎都沒探索到的路線。
這些Alpha系列的思路沒有停在遊戲裡。被Cleo追問今天有沒有類似Move 37的創造性瞬間時，哈薩比斯舉的第一個例子是AlphaTensor。它為矩陣乘法找到了新的、更快的算法。矩陣乘法是所有神經網路的底層操作，把它加速5%，對今天動輒幾十億美元訓練成本的模型來說就是巨大的節省。這裡出現了一個自指結構：算法本身變快，讓訓練變快，讓下一代系統更強。類似的還有AlphaChip。晶片布線是一類難以在多項式時間內找到最優解的NP難問題，在這件事上AlphaChip某些情況下已經強於人類晶片設計師。
哈薩比斯明確說，這些AlphaGo和AlphaZero式的搜索與自我博弈思路，正是今天基礎模型（他們的Gemini）還沒完全攻克的部分。如何讓模型在"世界模型"的基礎上做長期規劃、推理和搜索，他認為下一步會把Alpha系列的經驗從狹窄的遊戲擴展到整個世界，包括材料設計、晶片設計、量子電腦這些科學問題。
這是訪談里哈薩比斯最罕見的一次表態。
如果由他決定，他會用科學方法一步一步、嚴謹地接近AGI的最後階段。像CERN一樣，把全世界最好的科學家聚在一起，每一步都理解清楚再走下一步。他給這條路徑估的時間是"再多10年甚至20年"。同時他也強調，不必等到AGI降臨才開始收穫AI的好處，可以用AlphaFold這種專門系統，在走向AGI的過程中就給人類帶來具體的回報，比如癌症的治療、新的能源、新的材料。
為什麼現實不是那樣？他的回答是，技術的發展不可預測。語言比所有人預期的都要容易，連樂觀派都沒想到會這麼快。Transformer恰恰是他Google同事發明的，它加上一些強化學習，就足夠讓語言、概念、抽象這些原本以為需要兩三次突破才能解決的東西被基本攻克。ChatGPT原本在OpenAI內部也只是個研究實驗，連發布方自己都沒料到會那麼火。
他沒有全盤否定這場被迫的高速推進，反而給出了三個肯定。進度快是最直接的好處，每個人都能用到最前沿AI，落後實驗室里的版本只有3到6個月，這讓社會有機會以增量方式適應AI，而不是某一天突然從"沒有AGI"跳到"AGI出現"。另外，模型只有在被幾百萬真實用戶使用時才能被真正理解，再好的內部測試也代替不了真實世界的壓力測試。
他說自己首先是科學家，但也是個務實的工程師，只能接受這個世界本來的樣子。這句話是他對"理想路徑沒走成"這件事的最終和解。
哈薩比斯對政府該拿AI做什麼的想法也相當具體。他點名新加坡和阿聯在主動用AI重做公共衛生和教育。另一個應用方向是能源網優化。DeepMind自己用AI優化了Google數據中心的冷卻系統，把那部分能耗降低了約30%。他希望這些思路能被推廣到更大的能源網上。
Cleo問得直接：下一次讀到關於AI的新聞時，怎麼判斷該擔心多少。
哈薩比斯的排序是這樣的。
第一類是壞人，小到個人大到民族國家，把這些本來為治病、為材料、為能源設計的技術，重新用於有害目的，不管是有意的還是無意的。開篇那段Anthropic Mythos的事就是這類風險的直接案例。Anthropic自己已經說，Mythos被武器化可以變成一個全球級的網路攻擊工具，所以選擇先不發布。
第二類是AI本身脫軌。今天的系統還不會，但接下來2到4年，隨著AI進入agentic時代，也就是能獨立完成整個任務的階段，問題會變得嚴峻。前沿實驗室都必須想清楚，如何確保這些越來越強、越來越自主的系統，嚴格按照給定目標行事，不會繞過護欄，也不會意外突破護欄。考慮到它們最終會變得多強，這是一個極難的技術難題。
哈薩比斯把這兩類問題稱為"中期風險"，儘管他自己也承認3到4年其實根本不算中期。
第三類是他認為被高估的即時風險：深度偽造和虛假資訊。這些是眼前的問題，DeepMind做了SynthID這樣的數字水印系統，給Gemini、VO、Nana Banana等生成內容打上AI水印，可以被檢測或標記出來。他呼籲所有做生成式AI的公司都內建類似的水印。但他明確說，這類問題相比AGI層面的風險還是小問題。他希望看到前沿實驗室之間、各國AI安全研究所、學術界之間，在更大的問題上有真正的國際合作。
訪談後半段Cleo說了一句誠實的話。她注意到自己的心智正在做人類歷史上反覆做過的那件事，尋找我們為什麼特別的理由。我們曾經堅信自己在宇宙的中心，後來發現不是；我們以為只有自己會哀悼，後來發現大象也有葬禮；我們以為只有自己能創作藝術，結果Gemini也能畫畫。每次"特別"的邊界被推一次，就得重新找一次。
哈薩比斯沒有否認人類的獨特性。他用Alan Turing的框架切入。圖靈機是所有現代電腦的理論原型，可以計算任何可計算的東西。他和許多神經科學家認為，大腦本身可能也是一種近似圖靈機，他們正在構建的AI系統也是近似圖靈機，兩者在計算類別上同構。另一位他尊敬的朋友Roger Penrose則相信大腦中可能存在量子效應，兩人有過很多友好的辯論。目前神經科學還沒找到任何大腦中的量子效應。
他小時候最愛的學科是物理，讀那些偉大科學家的傳記，慢慢意識到一件讓他至今難以釋懷的事。我們連"時間"到底是什麼都說不清楚，我們只是泡在裡面。量子效應、引力、意識，這些最重要的東西都還不真正理解，而大多數人被電視節目和遊戲分散了注意力，他從來不是那種人。他想把AI當作一個工具，幫助理解現實本身。
這是整場訪談中最個人化的一段。他把自己做AI的最終動機，放在了"幫人類理解宇宙是什麼"這件事上。
哈薩比斯坦白自己小時候科幻小說讀得太多。他最愛的是Iain Banks的Culture系列，那是一個post-AGI的世界，書里發生在一千年之後，但他覺得其中一些情節可能在50年內就成立。
畫面是這樣的。人類安全度過了AGI時刻，AGI已經在每個人的口袋裡，對社會有益。然後用它去攻克他所說的"科學中的根節點問題"——那些一旦解決就會解鎖一整條新研究或應用分支的問題。AlphaFold是其中一個。其他候選包括核聚變、常溫常壓的室溫超導體。後者一旦實現，配上最優電池，能源問題基本被解決。幾乎免費的清潔能源會解鎖真正意義上的星際旅行。Elon Musk在SpaceX做的事已經做得相當漂亮，但主要成本還是火箭燃料，如果能量變得幾乎免費，就可以用催化廠從海水裡無限制造燃料，到處做海水淡化。
然後是小行星採礦、圍繞太陽的戴森球。他半開玩笑地說，水星剛好在合適的位置，材料也恰好對。最終是人類繁榮最大化，治癒那些可怕的疾病、大幅延長健康壽命、把意識帶到銀河系的其餘地方。
他的原話時間表是："我覺得這可以在接下來的50年內發生。"
在疊疊樂快要倒掉之前，Cleo問哈薩比斯，對那些看完這場對談、相信這個未來、想要參與其中的人有什麼建議。
他說他去大學做演講時總是說同一句話：跟上這股潮流，把自己浸入每一種可用的工具里，讓自己變成一個"超能力者"（superpowered）。
他解釋起來並不繞。即便在前沿實驗室內部，大量精力也只夠用來打磨下一代基礎模型和相鄰的模型，比如Gemini、VO、Nana Banana，而這些模型能做的應用他們自己只能探索其中很小一部分。能力懸置（overhang）越來越大，發布節奏越來越快，所以對那些真正精通這些工具、並把它們應用到新領域的人，機會空間正在急劇擴大。他說一個今天的孩子，完全可能靠這些工具，在別人沒想到的方向上做出一門市值數十億美元的生意。他舉的例子是OpenClaw。
這場對談留下的不是哪一個項目，而是哈薩比斯這個人的姿態。他手裡握著一個可能在這一代人手裡決定人類長遠命運的技術。他承認今天的節奏不是他想要的，也承認這條路被商業壓力和地緣政治推得太快，但他也說自己是個務實的工程師，只能接受這個世界本來的樣子。他沒有假裝一切都在掌控之中，也沒有站到"一切都會好"的那一邊。
訪談發布同一天Anthropic公布Mythos、決定不公開發布這件事，是一個巧合，但也是一個註腳。當一個前沿實驗室真的做出"這個模型太強我們先不發布"的決定時，世界才真正開始面對哈薩比斯在訪談里描述的那兩類嚴肅風險。
Q1： AlphaFold真正改變了什麼？
它把蛋白質3D結構的獲取，從一次幾十萬美元、幾年人力的濕實驗過程，變成幾秒鐘的推理。哈薩比斯在一次內部會議上做出的決定是直接把自然界已知的2億種蛋白質全部算完，免費放出，這比搭建一個按需請求的伺服器系統工程量更小。今天超過300萬名科學家在用，幾乎每一款新藥在研發中都會用到它。它不是藥物發現的終點，而是整條鏈條被重構的起點，Isomorphic Labs把下游的化合物設計和副作用篩查也搬進了電腦，正在推進18到19個藥物項目。
Q2： 哈薩比斯對AI風險的排序是什麼？
短期但相對次要的問題是深度偽造和虛假資訊，通過SynthID這樣的水印系統可以部分緩解。真正嚴重的是兩個未來3到4年的問題。一是壞人把為科學設計的技術重新用於有害目的，從個人到國家都有可能，Anthropic Mythos事件就是這一類風險的直接案例。二是隨著agentic AI越來越自主，如何保證它嚴格按照被給定的目標行事，不繞過或突破護欄。他希望前沿實驗室之間能有真正的國際合作來應對這些。
Q3： 對想參與AI未來的人，他只給了一條建議，是什麼？
把自己浸入每一種可用的AI工具里，讓自己變成一個"超能力者"。他的判斷是，即便在前沿實驗室內部，能力與應用之間的懸置（overhang）也在越拉越大。模型越來越強，發布越來越快，真正去把這些能力應用到新領域的人遠遠不夠。今天的一個孩子完全可能用這些工具，在沒有人想到的方向上做出一門市值數十億美元的生意。他舉的例子是OpenClaw。
