哈萨比斯复盘谷歌AI战略：从被嘲落后到诺奖的逆袭

过去几年，大语言模型几乎成了AI的代名词。从ChatGPT到Google DeepMind的Gemini，从Anthropic的Claude到中国的DeepSeek，人们讨论的，大多是聊天机器人、推理能力和内容生成。但如果问Google DeepMind CEO、2024年诺贝尔化学奖得主Demis Hassabis（以下简称“哈萨比斯”），一个真正能改变世界的AI该是什么样，他的答案，始终没变过。

在最近与科技记者Cleo Abram的访谈中，哈萨比斯再次强调了他心目中AI最重要的价值：不是生成更多内容，而是帮助人类理解世界、加速科学发现，最终解决癌症、新材料、能源危机这些难题。

三十多年前他踏入AI领域，就抱着这个初心。他一直对“意识是什么”“世界如何运作”这类科学问题充满好奇，而在他看来，AI就是帮助科学家处理海量信息、发现规律的那个终极工具。所以，与其造一个越来越聪明的聊天机器人，他更希望AI能走进实验室，帮人类解决那些真正影响文明进程的问题。

当然，大语言模型这场仗，Google确实没占到上风。作为Google AI的负责人，他也有自己的难处和思考。访谈中，他坦率地聊了聊这些，以及ChatGPT等竞争对手带来的巨大价值。

诺奖产品的“使命”：让AI走进实验室

AlphaGo让全世界第一次意识到，AI能战胜围棋冠军。但真正让DeepMind拿下诺贝尔奖的，是AlphaFold——它解决了一个困扰生物学界半个多世纪的问题：蛋白质折叠。

哈萨比斯在剑桥读本科时就接触到了这个问题。当时，他身边不少学生物学的同学，都沉迷于一个被称为“生物学中的费马大定理”的难题：能不能仅根据蛋白质的一维氨基酸序列，就准确预测出它最终会折叠成什么样的三维结构？

这个问题之所以如此关键，是因为蛋白质几乎参与了人体所有生命活动，而它的功能，不取决于由哪些氨基酸组成，而取决于最终折叠后的空间结构。结构不同，功能就完全不同。一旦折叠出错，就可能引发癌症、阿尔茨海默病、帕金森病等多种疾病。

然而过去几十年，要获得一个蛋白质的三维结构，只能依赖X射线晶体学、冷冻电镜这类实验方法。研究人员往往要花上几年时间、投入几十万美元，才能解析出一个结构。与此同时，人类基因测序技术发展得越来越快，每年都会发现大量新的蛋白质序列，实验解析的速度，完全跟不上数据增长的速度。

哈萨比斯很早就意识到，这恰恰是AI最擅长解决的问题。蛋白质折叠，本质上是一个庞大的模式识别问题，而AI正是寻找复杂规律最有效的工具。只是上世纪九十年代末，AI还没那个能力，他只能先把想法埋在心里。

DeepMind成立后，机会终于来了。AlphaFold不仅能够预测蛋白质结构，而且速度快得惊人。

但哈萨比斯的“胃口”极大。他力排众议，不是要给科学家提供解决问题的办法，而是要彻底解决这个问题。他在自传里也提过，“实现伟大的成就，都需要一定程度的不切实际。”

在访谈中，他回忆了一个有趣的细节：大家原本按行业惯例，打算搭建一个在线服务器，让全球科学家提交蛋白质序列，再逐个计算返回结果。这也是过去四十多年蛋白质预测领域一直采用的模式，因为一次预测往往需要几天时间。

但就在一次内部会议上，他拿起手机算了一笔账：如果AlphaFold每十秒就能完成一个蛋白质预测，那么全球已知的约两亿个天然蛋白质，需要多久才能全部算完？

答案是，大约一年。

他当即决定，不等着科学家一个个提交申请了，直接把全世界已知的蛋白质全部算出来，免费开放。

这个看似疯狂的决定，迅速成了团队的奋斗目标。DeepMind与欧洲生物信息学研究所合作，建立了AlphaFold Database，向全球免费开放。后来这个数据库不断扩展，如今已覆盖科学界已知的几乎全部蛋白质结构，并随着新的基因测序结果持续更新。任何研究人员，只要输入蛋白质名称，就能立刻获得过去需要几年实验才能得到的数据。

哈萨比斯让蛋白质研究进入了“搜索时代”。目前全球已有超过300万科研人员使用AlphaFold。一位制药公司的科学家曾告诉他，他认为未来几乎每一种新药，研发过程中都会用到AlphaFold。

实际上，AlphaFold改变的不只是医学。哈萨比斯提到了一个容易被忽视的领域：植物科学。

相比动物，许多植物拥有更复杂的基因组，但由于研究经费有限，植物学家往往没有足够资源去解析蛋白质结构。如今借助AlphaFold，植物学家终于能把更多精力放在提高农作物抗病能力、增强耐旱性，以及帮助农业适应气候变化等实际问题上了。

AlphaFold的另一类受益者，是那些长期被忽视的疾病的研究者。比如疟疾、恰加斯病、利什曼病，主要发生在发展中国家，商业回报有限，大型药企投入不足。AlphaFold免费开放相关蛋白质结构后，一些资源有限的非营利研究机构，就能直接进入药物筛选阶段，大大降低了前期研究成本。

在众多成果中，哈萨比斯最喜欢的案例是核孔复合体。它是人体内最大的蛋白质复合体之一，是细胞核与细胞质之间的信息“总闸门”。由于体积巨大、结构复杂，科学家几十年来始终难以完整解析其三维结构。AlphaFold发布后不到一年，研究团队便结合其实验预测结果，成功重建了这个巨大蛋白复合体的完整结构，为理解细胞物质运输机制提供了重要基础。

如今哈萨比斯面对媒体侃侃而谈，但他也认为，AlphaFold只是药物研发的第一步。

知道蛋白质长什么样，离药物诞生还远得很。真正的难点在于，找到一种既能精准结合目标蛋白，又不会作用于人体其他两万多种蛋白质的化学分子，尽可能减少毒副作用。

所以Alphabet后续又成立了Isomorphic Labs，希望把AlphaFold从“预测蛋白质”推进到“设计药物”。

新的AI系统不仅能预测蛋白质结构，还能设计候选化合物，模拟它们与目标蛋白的结合效果，同时检测是否会误结合其他蛋白，产生副作用——在哈萨比斯看来，这才是AI最值得投入的方向。

作为Google AI掌舵人的反思：Google落后了吗？

AlphaFold展现的是哈萨比斯心目中AI最理想的样子。不过，ChatGPT的出现，也彻底改变了他的工作重心。

Google不可能完全不羡慕ChatGPT的成功与全球影响力。

其实Google早就在做聊天机器人了。DeepMind和Google Research很早就开始研究类似的大语言模型。Google在2017年发表了《Attention Is All You Need》论文，提出了著名的Transformer架构。它是一切大语言模型的技术基础，ChatGPT、Gemini、Claude、DeepSeek，全都建立在Transformer的框架之上。

ChatGPT和Claude经常神仙打架，而Google的Gemini却没什么人讨论。这场战局里，Google就像在“描边”，总是没正中红心，一直没推出一款影响力能比肩ChatGPT的应用级大语言模型。

哈萨比斯在采访中坦言，当时包括Google在内的许多实验室，都低估了用户对AI的接受程度。原因很简单——身处研发一线的人，看到的更多是模型的缺陷。

研究人员担心AI会一本正经地胡说八道，逻辑推理不稳定，无法保证事实完全正确。但普通用户并不是这样使用AI的。他们会让AI总结文档、整理会议纪要、写邮件、学知识。模型偶尔犯错，也可以“容错”。

哈萨比斯坦言，如果按他最初的设想，他更希望AI在实验室里多待一阵，以一种更谨慎、更科学的方式逐步发展，再慢慢“出道”。

但ChatGPT的爆火，让整个AI行业进入了新的竞争阶段。哈萨比斯既是科学家，也是大型科技公司的管理者，他要同时推进AlphaFold、Gemini等基础研究，也必须面对Google在消费级AI产品上的竞争压力。

在他看来，这种竞争并非全是坏事。好处是，AI正以前所未有的速度普及。曾几何时，实验室里的最先进技术，普通人可能要等几年才能接触到；如今公众用的ChatGPT、Gemini，和实验室最新模型之间的差距，可能只有几个月。

他认为，人们能亲身理解AI擅长什么、不擅长什么，整个社会也能逐渐适应未来AGI时代的到来，而不是某天突然面对一个完全陌生的新世界。另一个巨大好处是，数以亿计用户每天产生的真实反馈，成了实验室无法替代的“压力测试”，开发团队能真正了解模型还有哪些漏洞，并持续完善系统。

所以，商业竞争虽然打乱了他原本更偏向科研的发展节奏，却也让AI更快走向成熟。

相比竞争本身，他真正担心的，其实是AI带来的长期风险。

比如，公众讨论集中在AI带来的深度伪造、虚假信息等问题上。DeepMind已经推出了SynthID，为AI生成的图片、视频添加数字水印，帮助平台、政府和公众识别AI内容。哈萨比斯甚至呼吁，所有生成式AI公司都应该内置类似机制，让AI内容具备可追溯性。

他认为，接下来最重要的研究课题，不是让AI更聪明，而是确保它始终按照人类设定的目标运行，不绕过安全限制，也不因为目标设计不完整而做出意料之外的行为。这需要前沿实验室、政府、学术界开展更广泛的合作。

当被问到年轻人今天最值得做什么时，哈萨比斯并不建议所有人都去训练下一代基础模型。相反，他认为，大模型本身正在快速变成一种基础设施。

Gemini、AlphaFold、AlphaGenome、Veo等模型不断释放新能力，真正的机会，在于如何把这些能力组合起来，应用到新的行业、新的问题中去。他鼓励年轻创业者尽可能熟悉这些工具，然后在此基础上开发新的平台或产品。

采访中，科技记者Cleo Abram提到，开创基因编辑技术CRISPR的Jennifer Doudna博士，希望她转达一个问题给哈萨比斯。DeepMind刚发布的AlphaGenome，能读取很长的基因序列，然后尝试预测某个单字母位置上是否会发生突变，一旦突变引发连锁反应，CRISPR就可以进入细胞修复突变。很多产品都能与DeepMind系列产品打配合。

他建议更多年轻人，不必重新开发模型或引擎，而可以站在巨人的肩膀上。比如利用Gemini、Veo、Nano Banana等工具，去创办价值数十亿美元的公司。OpenClaw这样的产品，也能给大家很多灵感。

DeepMind到底在构建什么？

哈萨比斯在采访中说，自己小时候最爱看的不是商业故事，而是科学家的传记。从Richard Feynman到Alan Turing，他始终痴迷于最根本的问题：时间到底是什么？意识如何产生？现实究竟遵循怎样的规律？

他热爱物理，但最终没有选择成为一名传统物理学家，而是把AI当成一种全新的科学工具，希望借助机器帮助人类理解现实世界。

如果按这个思路回头看DeepMind十多年来推出的一系列产品，就会发现，它们之间并非彼此独立的项目，更像是在完成同一个目标。

最早让DeepMind名扬世界的，是AlphaGo。2016年它以4:1战胜围棋世界冠军李世石，被认为是现代AI发展的标志性事件。

但哈萨比斯认为，AlphaGo真正重要的地方，不是击败了人类，而是它第一次证明：机器可以通过学习，而非依赖人类事先写好的规则，获得超越人类的能力。

在AlphaGo出现之前，无论是IBM的Deep Blue还是其他国际象棋程序，本质上都是“专家系统”。程序员和国际象棋大师把自己的经验总结成大量规则，再交给计算机高速搜索最优解。

由于没有真正的智慧，机器只能下国际象棋。在当时，它已经足够聪明，但哈萨比斯认为，这不是真正的人工智能。于是，DeepMind将深度学习、强化学习与“蒙特卡洛树搜索”结合，让AlphaGo先学习人类棋谱，再通过与自己不断对弈，寻找人类从未发现的新走法。

哈萨比斯回忆，正是因为真正的人工智能，AlphaGo才会下出“第37手”那一步棋。当AlphaGo在棋盘第五线落子时，所有职业棋手都认为这是违背常识的一步怪棋。然而数百手之后，人们才发现，这一步棋提前布局了整个战局，最终成为决定胜负的关键。

对于哈萨比斯而言，第37手证明了：AI不仅能模仿人类，还能创造新的知识。

因此，DeepMind才有信心把同样的方法应用到科学研究中，并最终诞生了后来的AlphaFold。

在AlphaGo之后，DeepMind又推出了更激进的版本AlphaZero，不再学习任何人类棋谱，也没有任何针对围棋设计的启发式知识。从随机落子开始，一代又一代地学习，仅用十几个版本，就成长为能战胜AlphaGo和世界冠军的系统。

哈萨比斯曾回忆，他亲眼看着AlphaZero学会国际象棋：早上，它还在随机下棋；中午，它已经能与业余高手抗衡；到了晚上，它已经超越了所有国际象棋世界冠军。

今天再回头看DeepMind的产品矩阵，这条技术路线已经越来越清晰。

AlphaFold用于预测蛋白质结构；AlphaGenome研究基因突变与疾病的关系；AlphaTensor寻找更快的矩阵乘法算法；AlphaChip帮助芯片自动布局布线；GenCast用于天气预测；AlphaEvolve则尝试把强化学习应用到算法设计和编程。

这些产品看起来分属不同领域，但它们都在完成同一件事：寻找复杂系统中的最优解。

它们甚至像是一台台“科学发现引擎”。每一个Alpha系列产品，都对应着现实世界中的一种复杂优化问题，而DeepMind希望利用AI，在这些问题上找到类似围棋的“第37手”。

在哈萨比斯看来，这也是通向AGI的另一条路。很多人认为，必须先创造出一个真正的人工通用智能，再去解决癌症、核聚变、新材料等科学难题。

而他的想法恰恰相反。为什么不能在构建AGI的过程中，提前把这些能力拆分出来？于是就有了AlphaFold、AlphaGenome、Isomorphic Labs等一系列面向具体科学问题的系统。它们本身不是AGI，却已经能让人类提前获得AGI的部分价值。

哈萨比斯相信，当这些能力不断组合，未来不仅能推动药物研发、新材料设计、芯片优化，甚至还有机会帮助人类解决核聚变、能源危机乃至星际探索——这些今天仍属于科幻小说的课题。

而这，也正是他少年时代读科幻小说时一直想实现的梦想——不是为了创造一个会聊天的AI，而是创造一个能帮助人类理解世界、推动文明向前发展的智能系统。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：哈萨比斯复盘谷歌AI战略：从被嘲落后到诺奖的逆袭要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题