如果你随便问一个生物学家"AI能在十年内治好所有疾病吗"，大概率会被翻白眼。但当说这话的人是 Demis Hassabis——Google DeepMind 的联合创始人兼 CEO、Isomorphic Labs 的掌舵人、2024 年诺贝尔化学奖得主——你最好认真听完。
本期要拆解的视频，是科技媒体 New Frontier（主持人 Roberto Nickson）在 2026 年 Google I/O 主题演讲次日，专程飞到 Mountain View 对 Hassabis 做的一场长访谈。它没有一个炸裂的标题党开头，但信息密度极高：从 Gemini for Science、让他拿诺奖的 AlphaFold，到"十年内治愈地球上所有疾病"的宏大叙事，再到他对 AGI 时间线（2029–2031）的最新判断。
这条视频之所以值得你花一小时看（也值得我花三千字拆），不在于它给出了某个新工具，而在于它系统性地回答了一个问题：当 AI 从"预测世界"走向"设计世界"，药物研发这个被效率诅咒了半个世纪的行业，会被怎样重写？ 而更精彩的是——Hassabis 本人在乐观之中夹带的克制与诚实，恰恰是判断这类"改变一切"宣言真伪的最佳标尺。
| 项目 | 内容 |
|---|---|
| 视频标题 | The AI Breakthrough That Will Change Everything (Google DeepMind CEO Interview) |
| 频道 | New Frontier（主持人 Roberto Nickson） |
| 受访人 | Demis Hassabis（Google DeepMind & Isomorphic Labs CEO，2024 诺贝尔化学奖） |
| 发布时间 | 2026 年 6 月（Google I/O 后） |
| 形式 | 长篇深度访谈（约 1 小时） |
| 播放量 | 发布约一周即破 6 万，持续增长中 |
| 核心主题 | AI 驱动的科学发现，与"十年治愈所有疾病"的路径 |
视频里最容易被断章取义的，就是这句"十年内治愈所有疾病"。Hassabis 在描述中明确把它锚定在他「拿诺奖的 AlphaFold 工作」和「Isomorphic Labs 的使命」上。[视频原话精神] 他反复强调：AI 的真正价值不是凭空"消灭"疾病，而是把新药研发那根被公认低效的管子——从靶点发现到候选药物——压缩几个数量级。
这其实是关键的认知升级。传统新药研发有一条臭名昭著的"双十定律"：平均耗时 10–15 年、花费约 26 亿美元（DiMasi 等人的经典估算）、整体失败率约 90%。问题从来不在于"我们不懂某个靶点"，而在于筛选、验证、优化的迭代速度太慢——一个湿实验周期动辄数月。
所以当 Hassabis 说"十年"，他真正在押注的是：用计算把"发现"阶段从数年压到数周甚至数天。换句话说，这不是承诺"2036 年地球上没有癌症"，而是承诺"2036 年我们能以今天百分之一的成本，并行探索上万个药物设想"。理解了这层，你就不会被标题吓到，也不会被低估。
视频把 AlphaFold 放在了核心位置，这是对的。AlphaFold 2 在 2020 年 CASP14 国际竞赛上把蛋白质结构预测精度推到"实验级"，被视为计算生物学的分水岭；2024 年的诺贝尔化学奖正是颁给 Hassabis、John Jumper 与 David Baker。
但 [延伸分析] 真正改变生态的，不是算法本身，而是 DeepMind 把预测结果开源成了一个 2 亿+ 蛋白质结构、覆盖几乎所有已知生物的免费数据库。据 DeepMind 公开数据，全球 190 多个国家、超过 200 万研究人员用过它。这才是 AI 落地科学的范式：把一个"能力"变成一个"基础设施"。很多批评者盯着 AlphaFold 在柔性区域、动态构象上的不足（确实存在），却忽略了基础设施级分发带来的二阶效应——它把"结构生物学"从少数实验室的奢侈品，变成了任何课题组都能调用的 API。
Hassabis 在访谈里把这称为"AI 与科学发现深度绑定"的开端，这是真诚的，因为 AlphaFold 是少数被诺贝尔委员会盖章为"对人类有重大贡献"的 AI 工作。
这是全场访谈技术含量最高、也最该被记住的一段。[视频原话精神] Hassabis 借 Gemini for Science 的话题，把话锋从"预测"切到了"设计"。
逻辑链条很清晰： - AlphaFold 2：给定序列，预测结构（读懂）。 - AlphaFold 3（2024 年 5 月 Nature 发表）：把预测扩展到蛋白质与 DNA、RNA、小分子配体的复合物与相互作用——这恰好是药物设计最关心的场景。 - AlphaProteo（2024 年 9 月发布）：更进一步，从头设计能与特定靶点高亲和结合的新型蛋白（de novo protein binders），在 VEGF-A、PD-L1、TNF-α 等靶点上验证了远超常规方法的结合亲和力。
[我的判断] 这条从"预测"到"生成"的弧线，是理解整个 DeepMind 科学布局的钥匙。它揭示了一个普适规律：AI 价值的天花板，发生在它从"回答问题"变成"提出并合成解决方案"的那一刻。AlphaProteo 的意义不是某个蛋白做得好不好，而是它证明了一个闭环——给定一个靶点，AI 直接吐出可合成、可结合的分子设计。一旦这个闭环的"命中率"足够高，传统制药里最烧钱的"先导化合物发现"环节就会被重写。有意思的是，这条"预测→生成"弧线在别的领域同样成立：代码生成、材料设计、甚至 AlphaEvolve 发现新的矩阵乘法算法（2025 年），背后都是同一套范式。
如果说 AlphaFold/AlphaProteo 是"论文与开源"，那么 Isomorphic Labs 就是 Hassabis 把这一切变现的商业载体。视频里他身兼 DeepMind 与 Isomorphic 双料 CEO，可见其分量。
[数据支撑] 围绕 Isomorphic 的商业事实在 2026 年上半年密集兑现： - 2021 年从 Alphabet 内部分拆独立运营。 - 2024 年 1 月连签两单重磅合作——Eli Lilly（最高约 17 亿美元）与 Novartis（最高约 12 亿美元）。 - 2026 年 5 月 13 日完成 21 亿美元 Series B，由 Thrive Capital 领投，MGX、淡马锡等跟投，是 AI 制药史上最大规模私募之一。
这笔钱要买什么？Hassabis 的回答指向一个"设计—合成—测试"的高速闭环：用 AI 做计算设计，再用高度自动化的湿实验室（robotics + 高通量实验）快速验证，把数据回喂模型。[延伸分析] 这其实是当前 AI 制药领域最大的认知分歧点：算力能不能取代湿实验？ 主流答案是不能，但算力+自动化湿实验室能大幅缩短"一个迭代周期"。Isomorphic 的 21 亿美元，本质上是在赌"自动化实验数据飞轮"比"纯计算"更接近真理。这比任何模型参数都更值得关注。
访谈后半段不可避免地聊到 AGI。Hassabis 给出的时间线与他在 2026 年 1 月达沃斯、6 月初公开发言中的口径一致：AGI 大概率落在 2029–2031 年区间，2030 年实现的概率约 50%。
但比这个数字更有价值的，是他反复强调的一个概念——"jagged intelligence"（锯齿状智能）。[我的延伸分析] 这是判断当下所有 AI 能力最锋利的一把尺子：AI 不是均匀地"变聪明"，而是在某些维度（蛋白质折叠、代码补全、图像识别）已经超越人类专家，在另一些维度（长程因果推理、物理常识、可靠规划、真正的"理解"）依然脆弱得可笑。这种"参差"恰恰解释了为什么同一个模型能解开五十年悬案的结构、却在简单算术上翻车。
把"锯齿状"套回"十年治愈疾病"的命题，结论就很清晰：AI 在"发现"侧的锯齿已经足够高，足以撼动制药；但在"验证、监管、人体复杂性"侧的锯齿还很浅。 这正是我下面要讲的、Hassabis 本人也没法用乐观盖过的硬约束。
这是访谈里相对薄弱、但必须补上的一环——否则你真会相信十年后天下无病。
[我的分析，视频未充分展开] 至少有三道墙，AI 短期内翻不过去：
所以更准确的图景是：AI 会把研发管线的"前半段"（发现与优化）削短到几周，但管线的"后半段"（临床与监管）仍按生物时间走。 真正能省下的，是"试错成本"和"被砍掉的烂项目的沉没成本"——这已经是万亿级的节省了，不需要把"治好一切"当字面承诺。
flowchart TD
A["Hassabis 的核心命题<br/>十年治愈所有疾病"] --> B["重新理解：<br/>压缩'发现漏斗'，非消灭疾病"]
A --> C["两条路径"]
B --> D["传统双十定律<br/>10-15年 / ~26亿美元 / ~90%失败"]
C --> E["路径一：理解世界（预测）"]
C --> F["路径二：设计世界（生成）"]
E --> E1["AlphaFold 2<br/>结构预测 → CASP14"]
E1 --> E2["2亿+结构免费数据库<br/>基础设施级分发"]
E2 --> E3["2024 诺贝尔化学奖<br/>科学贡献盖章"]
F --> F1["AlphaFold 3<br/>蛋白质-配体-DNA/RNA相互作用"]
F1 --> F2["AlphaProteo<br/>从头设计高亲和蛋白结合体"]
F2 --> F3["范式跃迁：<br/>回答问题 → 合成方案"]
E3 --> G["商业载体：Isomorphic Labs"]
F3 --> G
G --> G1["Lilly ~$1.7B / Novartis ~$1.2B"]
G --> G2["2026.5 Series B $2.1B<br/>Thrive领投"]
G --> G3["设计-合成-测试自动化闭环"]
A --> H["AGI判断：锯齿状智能<br/>2029-2031 / 2030约50%"]
B --> I["三道硬约束"]
I --> I1["湿实验室物理瓶颈"]
I --> I2["临床试验不可压缩"]
I --> I3["生物系统不可还原"]
G3 -.被限制于.-> I
style A fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
style F3 fill:#fff3e0,stroke:#ef6c00,stroke-width:2px
style I fill:#ffebee,stroke:#c62828,stroke-width:2px
如果你是制药/生物从业者： 别把 AlphaFold 当"取代实验"的威胁，把它当"靶点筛选与先导化合物优化"的加速器。具体可落地的三个动作——（1）把结构预测嵌入早期 hit identification 流程，显著降低冷冻电镜的盲目排期；（2）关注 AlphaProteo 这类生成式工具在 protein-based drug（替代抗体的新模态）上的潜力；（3）真正的红利在"计算+自动化湿实验室"的数据飞轮，谁先把"设计—测试—回喂"的闭环跑顺，谁就拿到下一个十年的管线优势。
如果你是技术人/工程师： 这条视频最该带走的不是生物学知识，而是 "预测→生成"的范式迁移。你所在的领域（代码、芯片 EDA、材料、运筹）几乎都在重演同一剧本：先有判别式模型把"理解"做到极致，再有生成式模型把"方案合成"打开。AlphaEvolve 用 LLM+进化算法发现新矩阵乘法，和 AlphaProteo 设计蛋白，本质同构。问问自己：你的领域，"生成式闭环"卡在哪一环？
如果你是投资者/判断者： 读这类"改变一切"宣言，永远先分清"发现"和"交付"。Hassabis 的可信，恰恰在于他的克制——他给的 AGI 时间线是区间不是承诺，他反复讲"锯齿"。一个值得内化的启发式：当一个技术叙事把"能力突破"和"时间承诺"绑在一起时，能力可能是真的，时间几乎一定是吹的。 把钱押在"能力"，对"时间"保持怀疑。
如果你是普通读者： 最大的认知升级是——学会把"科学发现"和"医疗交付"拆开看。AI 会以前所未有的速度产出候选药，但你能不能用上、什么时候用上、贵不贵，取决于临床试验、监管和医保这些"慢变量"。十年后我们大概率不会"没有疾病"，但十年后我们大概率会拥有一个药物候选池比今天丰富百倍、成本却低一个数量级的世界——这已经是够震撼的终局。
当 AI 从"预测蛋白质结构"进化到"从头设计药物分子"，Hassabis 押注的不是十年消灭疾病，而是把新药研发的"发现漏斗"压缩两个数量级——能力是真的，时间表要打折，而真正的硬约束从来在湿实验室、临床试验和生物复杂性这条慢车道上。
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。