<!-- title: 诺奖得主Hassabis的65分钟AI蓝图 -->
<!-- domain: tech -->
<!-- video: https://www.youtube.com/watch?v=Cmr6Qs2wXfE -->

# 诺奖得主Hassabis的65分钟AI蓝图：从AlphaFold到AGI安全

## 导语

如果一个诺贝尔奖得主、同时掌管着地球上最强AI实验室的人，坐下来跟你聊65分钟——你会问什么？2026年4月，Cleo Abram在她的"Huge Conversations"栏目中，采访了Google DeepMind CEO Demis Hassabis。这不是一场PR秀：没有产品demo，没有财报电话会议的套路，只有一个从小痴迷于"现实的本质"的科学家，用一个积木（Jenga）游戏作为隐喻，逐层拆解AI正在如何重新定义人类认知的边界。AlphaFold如何一夜之间解决了生物学50年的悬案？AlphaGo的"第37手"到底意味着什么？当一个能自己发明科学理论的AI出现时，人类还剩下什么？这65分钟不是一条科技视频——它是一份来自未来的备忘录。

## 视频背景卡片

| 项目 | 内容 |
|------|------|
| 视频标题 | The Hardest Problem AI Ever Solved, with Google DeepMind CEO |
| 频道 | Cleo Abram（Huge Conversations） |
| 频道订阅 | 812万+ |
| 时长 | 65分钟 |
| 播放量 | 100万+（发布6周） |
| 发布日期 | 2026年4月 |
| 核心主题 | AlphaFold、AI创造力、AGI安全与科学发现的未来 |
| 受访者 | Demis Hassabis（DeepMind CEO、2024诺贝尔化学奖得主） |

## 核心内容拆解

### 一、积木隐喻：理解DeepMind的"分层突破"哲学

视频中最打动人的设计，是Cleo和Hassabis用一盘Jenga（叠叠乐）来串联整个对话。每一层积木代表AI发展中的一个里程碑——抽出一块，整体结构就会发生变化。Hassabis的言外之意很清楚：**AI的进步不是线性叠加，而是系统性的结构重组。**

这个隐喻揭示了DeepMind不同于OpenAI的方法论核心。OpenAI的路径是"规模即一切"（Scaling Laws）——更大的模型、更多的数据、更强的算力。而DeepMind始终坚持"理解优先"：先搞清楚问题的数学本质，再设计针对性的算法架构。AlphaGo不是靠蛮力搜索赢的围棋，而是靠理解棋局的"美学"；AlphaFold不是靠暴力穷举蛋白质结构，而是靠理解氨基酸之间的物理约束。

> **[视频原话要点]** Hassabis在对话中多次强调，他从小就是个"游戏玩家"——从国际象棋到围棋再到电子游戏，他着迷的不是赢，而是"理解游戏规则的边界"。这种思维模式直接塑造了DeepMind的研究哲学。

**延伸分析**：Jenga隐喻的深层含义比表面看起来更深刻。传统的技术发展像盖楼——一层一层往上叠加。但AI的发展更像Jenga——你不仅需要添加新的能力，还需要确保底层的"积木"是稳固的。当AlphaFold解决了蛋白质折叠时，它不仅是一个独立的突破，还为后续的药物设计、基因编辑等应用提供了"底层积木"。这种系统性的思考方式，正是DeepMind能在多个看似不相关的领域（围棋、蛋白质、芯片设计、天气预测）都取得突破的原因。

### 二、AlphaFold：50年悬案的一夜终结

Hassabis在对话中详细讲述了AlphaFold的故事，这是理解他AI哲学的最佳入口。

**蛋白质折叠问题**（Protein Folding Problem）是什么？蛋白质是你身体里一切运作的基础——从消化食物到抵抗疾病。蛋白质的功能完全取决于它的三维结构，而这个三维结构由氨基酸链的折叠方式决定。问题在于，一条氨基酸链可能的折叠方式数量是天文数字级别的——这个"搜索空间"比宇宙中的原子数量还多。1972年，Christian Anfinsen因此获得了诺贝尔奖（证明了蛋白质结构由序列决定），但如何从序列预测结构，困扰了生物学界整整50年。

DeepMind在2018年推出AlphaFold 1，在CASP13竞赛中就引起了震动。但真正的突破是2020年的AlphaFold 2——它在CASP14中的GDT分数达到了92.4（满分100），相当于实验方法的精度。**这在生物学界的震撼程度，相当于一个AI突然在钢琴比赛中超越了人类最顶尖的演奏家，而且不是险胜，是碾压。**

> **[视频原话要点]** Hassabis回忆说，当AlphaFold 2的结果出来时，他最激动的不是"AI赢了"，而是"生物学家终于可以不花几年时间在实验室里做X射线晶体学了"。他把这个称为"AI作为科学加速器"。

**延伸分析**：AlphaFold的意义远超"解决了一个难题"。它证明了一个全新的科学方法论：**用AI在极高维度的数学空间中寻找最优解，然后人类科学家验证这个解的物理意义。** 这与传统的科学发现路径（假设→实验→理论）恰好相反——AI先给出"答案"，人类再理解"为什么"。到2026年，AlphaFold Protein Structure Database已经包含了超过2亿个蛋白质结构预测，覆盖了几乎所有已知蛋白质。Hassabis透露，DeepMind正在将同样的方法论应用于材料科学（预测新材料的性质）和药物设计（预测分子与蛋白质的结合方式）。

### 三、AlphaGo的"第37手"：AI创造力的黎明

在对话中，Cleo特别请Hassabis回忆了AlphaGo的一个经典时刻——2016年与李世石的第二局比赛中，AlphaGo下出了"第37手"。

这一手棋在当时的围棋界被认为是"人类永远不会下的棋"——它违反了数百年来积累的围棋常识。但事后分析证明，这不仅是一步好棋，而且是一步**极其精妙的创新**——它开创了一个全新的战略维度。职业棋手们花了数月时间才完全理解这一手的深层意图。

Hassabis用这个例子回答了一个关键问题：**AI能不能创造性地思考？** 他的回答是微妙的——AI的"创造力"和人类的创造力不是同一种东西。AI的创造力来自于在极广阔的搜索空间中发现人类因认知限制而忽略的解。这不是"灵感"，但也不是简单的"暴力搜索"——它是一种**结构化的探索**。

> **[视频原话要点]** Hassabis说："第37手让我意识到，AI不仅能达到人类水平，它还能发现人类认知盲区中的全新可能性。这对科学发现的含义是巨大的——也许物理学、化学、生物学中存在大量我们从未想到过的'第37手'。"

**延伸分析**：从计算机科学的角度看，AlphaGo的"第37手"是Monte Carlo Tree Search（蒙特卡洛树搜索）与深度神经网络结合的产物。MCTS负责在搜索树中高效探索，而神经网络提供"直觉"——快速评估一个局面是否有前途。两者的结合产生了一种既非纯搜索也非纯直觉的混合智能。这个架构思想后来被泛化到了AlphaFold（用神经网络预测蛋白质的"直觉"，用梯度优化做"搜索"）和AlphaZero（在没有任何人类数据的情况下从零学习国际象棋和将棋）。

### 四、AGI安全：当"第37手"出现在现实世界

对话的后半段转向了一个更沉重的话题：当AI系统变得足够强大，能在现实世界中自主行动时，我们如何确保它的"第37手"不会变成灾难？

Hassabis展现了一个少见的坦诚。他没有回避问题的严重性，但也拒绝陷入末日论的焦虑。他提出了一个框架性的思考：

1. **能力与对齐的赛跑**：AI的能力在指数增长，但我们对"如何让AI的目标与人类价值对齐"的理解仍在线性增长。这是一个结构性风险——不是某个具体的"坏人"导致的，而是两个增长曲线的速率差异导致的。

2. **"科学方法"作为安全框架**：Hassabis认为，对待AGI安全应该像对待核安全一样——不是"禁止"，而是建立严格的科学验证框架。每一步AI能力的提升，都应该伴随相应的安全验证机制。

3. **国际合作是唯一出路**：AGI的影响是全球性的，任何单边行动（无论是某个公司的快速推进还是某个国家的监管）都可能适得其反。他呼吁建立一个类似IAEA（国际原子能机构）的AI治理机构。

> **[视频原话要点]** Cleo直接问了一个尖锐的问题："你有没有担心过，你正在创造的东西可能毁灭人类？"Hassabis停顿了一下，然后说："如果我不担心，那我就不负责任了。但担心不等于放弃。正因为我们理解这个问题的严重性，我们才有动力去解决它。"

**延伸分析**：Hassabis的AGI安全观与OpenAI的Sam Altman形成了有趣对比。Altman倾向于"快速迭代、边做边修"——先部署，再根据用户反馈调整。而Hassabis更倾向于"先验证、再部署"——他多次在公开场合强调，AGI是"一次性工程"，你没有第二次机会。这种差异不仅是个人风格的问题，更反映了两个实验室的基因差异：DeepMind扎根于学术传统（发表论文、同行评审），而OpenAI更像一个互联网公司（快速迭代、用户驱动）。

### 五、AI驱动的科学发现：下一个十年

对话中最令人兴奋的部分，是Hassabis对AI驱动科学发现的展望。他勾勒了一个清晰的路线图：

**近期（1-3年）**：
- 药物发现：AI预测分子与蛋白质的结合方式，将新药研发周期从10年缩短到2-3年
- 材料科学：AI预测新材料的性质，加速新能源电池、超导体的发现
- 天气预测：AI模型（如GraphCast）已经能在10分钟内完成传统超级计算机需要数小时的天气模拟

**中期（3-5年）**：
- 自主科学实验：AI不仅预测结果，还能设计实验方案、控制实验室自动化设备执行实验
- 数学定理证明：AI能发现和证明新的数学定理（DeepMind已经在图论和数论中取得了初步成果）
- 个性化医疗：基于个人基因组、蛋白质组和代谢组数据，AI能预测最佳治疗方案

**远期（5-10年）**：
- **自主科学发现**：Hassabis称之为"AI科学家"——一个能自主提出假设、设计实验、分析结果并提出新假设的AI系统。这将是科学方法论本身的一次革命
- **通用问题求解器**：不仅能解决特定领域的问题，还能在跨领域之间迁移知识和方法论

> **[视频原话要点]** Hassabis特别提到了一个他最兴奋的方向——AI帮助人类理解"涌现"（emergence）。复杂系统中，简单规则如何产生复杂行为？这个问题的答案不仅影响AI本身，还可能改变我们对物理定律、生物进化甚至意识的理解。

### 六、从国际象棋神童到AI掌门人：Hassabis的个人叙事

Cleo在对话中巧妙地穿插了Hassabis的个人故事，这些细节帮助观众理解为什么是"这个人"在领导人类最重要的技术变革：

- **13岁国际象棋大师**：Hassabis在13岁时就成为国际象棋Master级别选手。他说下棋教会了他"在不确定性中做决策"——这后来成为DeepMind的核心研究方法论。
- **游戏设计师**：在进入学术界之前，他在Bullfrog Productions设计了主题公园模拟游戏"Theme Park"（1994年）。这段经历让他理解了"复杂系统如何从简单规则中涌现"——这直接影响了他对AI系统设计的思考。
- **神经科学博士**：他在UCL攻读神经科学博士学位，研究海马体和空间导航。这段经历让他深入理解了人类记忆和想象力的神经机制——他发现海马体不仅负责记忆过去，还负责"想象未来"。这个发现直接启发了DeepMind在规划（planning）和想象（imagination）方面的AI研究。

**延伸分析**：Hassabis的职业轨迹——从游戏→神经科学→AI——不是随机跳槽，而是一条连贯的思想线索：他一直在探索"智能的本质是什么"。游戏是他理解"规则下的决策"的入口，神经科学是他理解"人类智能如何工作"的实验室，而AI是他"再造智能"的工程实践。这种跨领域的思维模式，是他能领导DeepMind在如此多不同领域取得突破的根本原因。

### 七、Jenga的最后一层：AI将如何改变"改变世界"的方式

对话的最后，Cleo问了一个哲学性的问题：当AI能解决越来越多的问题时，人类科学家的角色会变成什么？

Hassabis的回答出乎意料地乐观。他不认为AI会取代科学家，而是认为AI会让科学家从"体力劳动"（在实验室里日复一日地做实验、调试仪器）解放出来，专注于真正的创造性工作——提出好的问题。他说了一句非常精彩的话（大意）：**"AI最大的价值不是给我们答案，而是让我们问出以前不敢问的问题。"**

这句话揭示了一个深刻的认知转变：在AI之前，科学家的瓶颈是"能不能计算出来"——很多好问题因为计算量太大而不敢问。有了AI之后，这个瓶颈被移除了，科学家可以更大胆地提出假设，因为验证成本急剧下降了。

## 知识结构图

```mermaid
flowchart TB
    subgraph 核心哲学["DeepMind方法论核心"]
        A["理解优先<br/>Understanding First"] --> B["针对性架构<br/>Domain-Specific Architecture"]
        B --> C["系统性突破<br/>Systematic Breakthroughs"]
    end

    subgraph 里程碑["关键里程碑"]
        D["AlphaGo 2016<br/>围棋超越人类<br/>AI创造力证明"] --> E["AlphaFold 2020<br/>蛋白质折叠<br/>50年悬案终结"]
        E --> F["GraphCast 2023<br/>天气预测<br/>AI超越物理模型"]
        F --> G["AlphaFold 3 2024<br/>分子相互作用<br/>药物发现加速"]
        G --> H["AI科学家 2026+<br/>自主科学发现<br/>方法论革命"]
    end

    subgraph 安全框架["AGI安全三角"]
        I["能力增长<br/>Capability Growth"]
        J["价值对齐<br/>Value Alignment"]
        K["国际合作<br/>International Cooperation"]
        I ---|"赛跑关系"| J
        J ---|"制度保障"| K
    end

    subgraph 个人基因["Hassabis的思维DNA"]
        L["国际象棋<br/>不确定性决策"] --> M["游戏设计<br/>复杂系统涌现"]
        M --> N["神经科学<br/>海马体与想象"]
        N --> O["AI工程<br/>再造智能"]
    end

    A --> D
    C --> H
    O --> A

    style A fill:#4CAF50,color:#fff
    style H fill:#FF9800,color:#fff
    style I fill:#f44336,color:#fff
    style J fill:#2196F3,color:#fff
```

## 实战启示

### 对技术从业者的启示

无论你是AI工程师、通信行业从业者还是产品经理，Hassabis的这场对话提供了三个立即可用的思维框架：

**1. "理解优先"策略**：DeepMind的成功不是靠最大的模型——它靠的是对问题本质的深刻理解。在选择技术方案时，先花时间理解问题的数学结构，再选择工具。不要被"大模型能解决一切"的叙事绑架。Hassabis在AlphaFold上投入了大量时间理解蛋白质的物理约束（如原子间距、角度限制），然后才设计出了针对性的注意力机制。这给我们的启示是：**好的AI应用不是把数据丢给通用模型，而是把领域知识编码进模型架构。**

**2. AI驱动的科学方法论**：如果你在做任何涉及"搜索大量可能性空间"的工作——网络优化、频谱分配、协议设计、故障诊断——你都可以借鉴DeepMind的方法论：(1) 用神经网络快速评估"前景"；(2) 用搜索/优化算法在前景好的区域深入探索；(3) 用物理/领域约束缩小搜索空间。这个"直觉+搜索+约束"的三层架构，几乎是DeepMind所有重大突破的共同模式。

**3. 对AGI的前瞻性思考**：如果你在做AI相关的产品或服务，现在就应该考虑"AI安全"不是后置的合规要求，而是产品设计的一部分。具体来说：(1) 建立AI输出的可解释性机制；(2) 设计人类在环（human-in-the-loop）的决策流程；(3) 为AI系统设定明确的能力边界和fallback机制。

### 对普通读者的认知升级

看完这65分钟，你至少应该获得两个核心认知：

- **AI的真正价值不在"替代人类"，而在"扩展人类的认知边界"**。AlphaFold没有替代生物学家——它让生物学家从"猜结构"的苦力活中解放出来，专注于"理解功能"的创造性工作。第37手不是在消灭人类棋手，而是在展示围棋还有人类没看到的维度。

- **AI安全不是一个技术问题，而是一个治理问题**。Hassabis用核能做类比非常精准——核裂变的技术原理不难理解，但核安全的核心是国际治理框架（NPT条约、IAEA检查机制）。AI安全也将走向类似的路径：不是禁止AI发展，而是建立全球性的验证和监督机制。

## 延伸学习路径

1. **Cleo Abram原视频**：[The Hardest Problem AI Ever Solved, with Google DeepMind CEO](https://www.youtube.com/watch?v=Cmr6Qs2wXfE) — 65分钟完整对话，强烈建议带字幕完整观看

2. **AlphaFold Protein Structure Database**：[alphafold.ebi.ac.uk](https://alphafold.ebi.ac.uk/) — 直接浏览AI预测的2亿+蛋白质三维结构，亲手感受AI科学发现的规模

3. **Hassabis在Nature的AlphaFold论文**：[Highly accurate protein structure prediction with AlphaFold](https://www.nature.com/articles/s41586-021-03819-2) — 了解AlphaFold的技术细节，尤其是Evoformer注意力机制的设计

4. **DeepMind的安全研究**：[deepmind.google/responsibility/](https://deepmind.google/responsibility/) — DeepMind的AI安全和责任研究页面，包含alignment、robustness、fairness等方面的最新论文

5. **Hassabis的TED演讲合集**：搜索"Demis Hassabis TED"可以看到他从2015年到2026年的多次演讲，追踪他AI哲学的演变轨迹

## 一句话总结

**当一个诺贝尔奖得主用65分钟告诉你"AI最大的价值是让我们问出以前不敢问的问题"时，你应该做的不是恐慌，而是开始列出你的问题清单。**

## 参考来源

1. [The Hardest Problem AI Ever Solved, with Google DeepMind CEO](https://www.youtube.com/watch?v=Cmr6Qs2wXfE) — Cleo Abram, 2026年4月
2. [Highly accurate protein structure prediction with AlphaFold](https://www.nature.com/articles/s41586-021-03819-2) — Jumper et al., Nature 2021
3. [Mastering the game of Go with deep neural networks and tree search](https://www.nature.com/articles/nature16961) — Silver et al., Nature 2016
4. [AlphaFold Server: protein structure prediction and design](https://www.nature.com/articles/s41586-024-07487-w) — Abramson et al., Nature 2024
5. [GraphCast: Learning skillful medium-range global weather forecasting](https://arxiv.org/abs/2212.12794) — Lam et al., ICLR 2023
6. [The compatibilist's guide to AI safety](https://deepmind.google/research/publications/) — DeepMind安全研究系列论文

---
> 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。
> 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)