# DeepMind CEO亲述：看不见的AI才最改变世界 ## 导语 你每天刷到的AI新闻，90%都在聊聊天机器人、图像生成、哪家模型又刷榜了。但真正会改变你生命的AI，你可能一辈子都“看不见”它——它藏在药厂的研发管线里、天气预报的模型里、量子计算机的纠错算法里。 这就是Cleo Abram这期访谈最想传达的核心。她采访的是Google DeepMind CEO Demis Hassabis——国际象棋神童出身、认知神经科学博士、2016年用AlphaGo震动世界、2024年拿下诺贝尔化学奖的男人。这期节目不是又一场“AGI什么时候来”的玄学讨论，而是一次极罕见的深度拆解：**Hassabis亲手画的AI版图到底长什么样？AlphaFold之后，他手里还握着哪些牌？** 对中文读者来说，这个视频的价值在于三点：第一，它是Hassabis在2026年3月5日伦敦录制的最新长篇访谈（65分钟），时间线上非常新；第二，Cleo Abram的提问方式是“陪观众一起做解释器”，她会逼着Hassabis把每个技术黑话翻译成人话；第三，访谈里透露的细节——比如AlphaFold数据库诞生的那个会议室瞬间、AlphaZero如何在一天之内从随机下棋进化到超越世界冠军——都是一手叙事，二手文章里很难找到。 看完这篇解读，你会得到一张完整的DeepMind技术地图，以及一个判断：AI革命的主战场，正在从“跟你聊天”转向“替你做科学”。 ## 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 If True，订阅约861万） | | 时长 | 65分钟（1:05:11） | | 播放量 | 约175万（截至2026年8月底），点赞4.6万+ | | 发布时间 | 2026年4月7日（采访录制于2026年3月5日，伦敦） | | 核心主题 | AlphaFold如何破解蛋白质折叠难题，以及DeepMind的AI科学发现版图 | 顺带说明选片理由：我对比了近期的tech类热门视频，包括Google DeepMind官方频道一天前刚发的《The mathematics of AI uncertainty》（44分钟，播放量约5.4万）和Sabine Hossenfelder的AI量子计算相关内容。官方新片播放量还不够高，而Cleo Abram这期是当前这个话题下**播放量最大、内容密度最高、且仍在持续发酵**的深度访谈（近一个月仍有大量切片频道在二次传播），综合热度与信息增量，它是本轮的最优解。 ## 核心内容拆解 ### 1. 蛋白质折叠：生物学界的“费马大定理” Hassabis回忆，他第一次接触蛋白质折叠问题是在剑桥读本科时，一位学生物的朋友对这个困扰科学界50年的难题痴迷不已。问题本身可以用一句话讲清楚：**蛋白质是一维的氨基酸序列，进入人体后会自发折叠成特定的三维结构，而这个结构决定了它的功能——你能不能仅凭一维序列，预测出三维结构？** （延伸补充：这不是纯学术游戏。理解结构才能理解功能，理解功能才能设计药物。传统上测定一个蛋白质的三维结构，需要X射线晶体学等手段，耗时数年、花费数十万美元。这就是为什么它被称为“生物学界最重要的未解难题”。） Hassabis在访谈中说他当年就被这个问题的三重属性击中：它像费马大定理一样是纯智力挑战；它“感觉上是AI适合解决的问题”（这在90年代末是超前的直觉）；最重要的是，破解它的下游影响巨大——直接打开药物发现和疾病理解的大门。视频原话："the most important thing to apply AI to is improving human health"（AI最重要的应用方向是改善人类健康）。 ### 2. 2021年那个会议室：AlphaFold数据库的诞生瞬间 这是全片最精彩的故事，而且碰巧被纪录片镜头拍了下来。2021年，团队开会讨论如何对外提供AlphaFold服务。按行业40年的惯例，做法是搭一个预测服务器：科学家提交序列，等几天，收到预测结构，再提交下一个。 Hassabis说他在会上摆弄手机时突然心算了一下：**已知自然界大约有2亿个蛋白质序列，AlphaFold折叠一个只要几秒钟，如果每10秒折叠一个，一年之内就能把所有已知蛋白质全部折完。**那为什么还要建服务器？直接全部折掉，放进数据库，免费向全世界开放——工作量反而比搭服务器更小。 视频里Cleo Abram形容Hassabis当时的反应是：“为什么我们不直接那么干？那明显更好，我们就该这么干。”这个决策的直接后果是：AlphaFold数据库如今被超过300万研究者使用，Hassabis的原话是“我们认为这几乎涵盖了世界上所有生物学家”。一个原本要以“年”为单位、以“单一蛋白”为单位的结构测定过程，被压缩成了即取即用的公共品。 （延伸分析：这个故事的深层启示是“当边际成本趋近于零时，共享优于服务”。DeepMind放弃了一个潜在的付费API生意，换来的是整个生物学界的加速和2024年诺贝尔化学奖。这是一种教科书级的“开放战略”。） ### 3. 谁在真的用AlphaFold？两个被改变的研究方向 Cleo Abram在准备期提出了一个很尖锐的问题：地图上全世界都在用AlphaFold，但具体是谁、用它做出了什么药？Hassabis给了两个他最喜欢的例子。 **第一个是冷门生物研究**。比如小麦。很多植物的基因组比哺乳动物还庞大（存在多倍体现象），但植物科学家的研究资源远少于人类医学领域。有了AlphaFold，他们可以直接跳过“结晶蛋白质”这个最耗资源的前置步骤，直奔真正的问题——比如让作物更耐气候变化。Hassabis笑着说植物世界对他来说是个“奇怪而美妙的世界”。 **第二个是被忽视的热带病**。疟疾、恰加斯病、利什曼病影响全球数亿人，但因为患者集中在贫困地区，大药厂缺乏研发动力，主要靠资金紧张的非营利组织在撑。对这些机构来说，免费获得病原体蛋白质结构，意味着直接跳到药物发现阶段。 Hassabis还提到一个标志性成果：核孔复合体（nuclear pore complex）——人体内最大的蛋白质之一，像甜甜圈一样开合、控制物质进出细胞核的大门。因为它太大太难结晶，结构困扰了学界几十年，AlphaFold发布后半年到一年内，多个团队结合实验数据解出了它的完整结构。 （延伸补充：也要诚实记录访谈中的另一面。Hassabis和2024年与他共享诺奖的John Jumper都强调，AlphaFold只是药物发现拼图的一小块。目前受益于AlphaFold的药物大多还在临床试验阶段，"almost every drug developed from now on will have probably used AlphaFold"是制药公司研究者的判断，不是已经兑现的成绩单。） ### 4. Isomorphic Labs：把十年Drug Pipeline压缩成“虚拟筛选” AlphaFold之后呢？DeepMind分拆出了Isomorphic Labs，Hassabis在访谈中给出了它的打法，这段是全片技术含金量最高的部分之一。 传统药物研发：平均10年周期，只有约10%的药物能走完全部临床试验，失败率极高。Isomorphic的思路是把整个流程搬到计算机里（in silico）： 1. AlphaFold告诉你蛋白质的三维结构； 2. 找到蛋白质表面起功能的关键位点； 3. 让AI设计能结合该位点的化学分子； 4. **关键一步**：在几个小时内，虚拟检查这个分子会不会同时结合人体其他2万个蛋白质——因为乱结合就是毒性和副作用； 5. 反复迭代修改分子，直到它“只打想打的靶子”； 6. 最后一步才送到湿实验室（wet lab）做实验验证。 Hassabis的原话是：这个过程能搜索的化合物数量是传统湿实验室的“数千倍，未来可能是数百万倍”。Isomorphic目前在做18-19个药物项目，覆盖心血管、癌症、免疫学。他坦承AlphaFold 2只是组件之一，后面还有可以称为"AlphaFold 3、4"的更先进系统。 ### 5. AlphaGenome与CRISPR的世纪联姻：诺奖得主隔空提问 这段的戏剧性设计很妙：Cleo Abram念出了另一位诺贝尔奖得主、CRISPR基因编辑技术开创者Jennifer Doudna专门录制的提问。 Doudna的问题直指要害：CRISPR如今几乎能靶向任何DNA序列，但对大多数遗传病，我们仍然不知道**到底是哪个DNA变化在驱动疾病**——尤其是在人类基因组98%的非编码区里。AlphaGenome这样的工具开始解码这98%，我们离“AI可靠地指出致病突变、CRISPR出手修复”还有多远？ Hassabis的回答相当克制。他确认AlphaGenome（DeepMind刚发布的系统）目前是全球最好的突变致病性预测系统——给它一段基因序列，它能预测改变某个特定位置的“单个字母”是否会导致疾病。但他连说了两次“还不够好”。真正的难点是**多基因疾病**：一串突变级联导致的问题，比单点突变难检测得多——但这恰恰是AI擅长的模式识别类型。 （延伸分析：这段对话等于剧透了未来十年的一个黄金交叉方向——“AI诊断+基因编辑治疗”。AI负责找到病灶坐标，CRISPR负责精确手术。两者都刚跨过可用性门槛，组合的化学反应还没有真正开始。） ### 6. Move 37与AlphaZero：AI第一次展现“创造力” 访谈的另一半故事线从2016年3月10日讲起：AlphaGo对阵李世石（Lee Sedol）第二局，第37手棋落在棋盘第五线——按围棋教学这是开局阶段的“大忌”，棋手这么下会被老师打手背。但这手棋不仅出人意料，还在一两百手之后被证明是决定整局胜负的先手。那场对局全球约2亿人观看，AlphaGo总比分4:1获胜。 Hassabis把这定义为“现代AI时代的黎明”。他的对比非常精彩：1997年IBM深蓝击败卡斯帕罗夫靠的是专家系统——把国际象棋特级大师的知识蒸馏成规则，再用暴力算力搜索。但Hassabis说他在90年代读本科时就觉得那“不是真正的AI”：深蓝是世界冠军，却连井字棋都学不会——**一个不会泛化、不会学习的系统，智能并不在系统里，而在写规则的工程师脑子里**。 围棋不同：10的170次方种局面（比宇宙原子还多）让暴力搜索彻底失效；而且围棋大师解释下法时会说你问棋手为什么下那里，他会说“感觉对”——这种直觉根本无法被规则化。AlphaGo的方案是深度强化学习：先学习人类棋谱，再用蒙特卡洛树搜索自我对弈、探索人类知识之外的下法。 进化到AlphaZero，DeepMind做了更狠的事：**删除全部人类知识**（Zero的含义）。系统只知道规则，从随机落子开始，自己跟自己下了10万局生成数据，训练出新版本再对战旧版本，如此迭代。Hassabis描述他在国际象棋上亲眼目睹的全过程：早上随机乱走，中午他自己还能勉强跟它过招，下午茶时间超过所有特级大师，晚餐时间超越世界冠军——总共17代迭代。而且它下出了连Stockfish这类引擎都没发现过的新棋型。 （延伸分析：这段的当代意义Hassabis自己也点破了——今天的大模型（Gemini这类基础模型）还缺一块拼图：模型之上的**搜索、思考与推理能力**，也就是他说的world models。AlphaZero的方法论正在被“移植回”通用模型，这可能是下一代模型跃迁的关键路径。） ### 7. “我本想让AI在实验室多待几年”：两大风险与50年愿景 这是访谈情绪最复杂的部分。Hassabis去年对《卫报》说过一句话："If I'd had my way, I would have left AI in the lab for longer"（如果由我决定，我会让AI在实验室里多待几年），多做几个AlphaFold级别的成果，说不定癌症都治了。他的理想剧本是：用科学方法、像CERN那样国际合作式地一步步走向AGI，哪怕多花十年二十年；同时用“专用窄AI”提前兑现红利。 现实剧本是：语言能力比所有人预想的容易破解——Hassabis承认连DeepMind内部都以为还需要一到三个额外突破，结果Transformer加强化学习就够了，OpenAI把ChatGPT推出去引爆了全球，Google拉响Code Red，Hassabis从科学研究员变成了整个Google AI的掌门人。 他不全是抱怨。访谈中他列出了激进商业化的三个意外好处：进展闪电般快；普通人用的模型只比实验室落后3-6个月，全社会在增量中适应变革而不是被一次性冲击；数百万人实测系统，比任何内测都更能发现缺陷。 但他认为**被严重低估的风险有两个**（原话，这是全片他最严肃的段落）：第一，坏人——从个人到国家行为体——把他造来治病的工具挪作恶用；第二，AI系统本身在agentic时代（能独立完成完整任务的智能体，他预计3-4年内成为主流）跑出护栏，不执行给定目标。他呼吁各前沿实验室、AI安全研究所和学术界国际合作解决，并透露Google所有生成产品都已内置SynthID数字水印来对抗深度伪造。 至于50年愿景，Hassabis引用了他最爱的Iain Banks《文明》（Culture）系列：解决聚变或常温超导这类“根节点问题”（root node problems），拿到近乎免费的清洁能源，能源解锁太空旅行，小行星采矿、戴森球、星际航行——"maximum human flourishing"。他最后说，希望墓志铭是“我的一生造福并服务于人类”。 ## 知识结构图 ```mermaid flowchart TD A[Demis Hassabis的AI科学版图] --> B[科学发现线: AlphaFold系] A --> C[创造力线: AlphaGo系] A --> D[风险与治理] B --> B1[蛋白质折叠: 50年难题] B1 --> B2[AlphaFold: 2秒折叠一个] B2 --> B3[数据库: 2亿蛋白质免费开放] B3 --> B4[300万+研究者使用] B4 --> B5[Isomorphic Labs] B5 --> B6[18-19个药物项目
虚拟筛选替代湿实验] B2 --> B7[AlphaGenome: 解码98%非编码区] B7 --> B8[与CRISPR联姻:
AI定位突变+基因编辑修复] C --> C1[AlphaGo 2016: Move 37] C1 --> C2[AlphaZero: 零人类知识
17代迭代超越世界冠军] C2 --> C3[方法论泛化] C3 --> C4[AlphaTensor: 矩阵乘法加速] C3 --> C5[AlphaChip: 芯片布线] C3 --> C6[AlphaQubit: 量子纠错] C3 --> C7[GenCast: 天气预测] C3 --> C8[World Models: 下一代推理] D --> D1[风险一: 恶意滥用] D --> D2[风险二: Agent失控
未来3-4年关键期] D --> D3[对策: SynthID水印
国际合作+安全研究] B8 --> E[终极愿景:
免费清洁能源-太空-人类繁荣] C8 --> E D3 --> E ``` ## 实战启示 **如果你是技术从业者**，这个视频最有价值的部分是Hassabis对“下一步该学什么”的隐含回答。他把AlphaZero式的“模型+搜索”结构点名为基础模型的缺失拼图，这意味着：理解强化学习、蒙特卡洛树搜索、推理时计算（inference-time compute）这些“上一代AI”的技术，可能比再刷一遍Transformer论文更有前瞻性。他给年轻人的公开建议是原话：把你能碰到的每一个AI工具都用起来，“变成超级赋能（super powered）的人”，因为连DeepMind自己都只能探索前沿模型应用的一小部分，这个“能力过剩、应用不足”的缺口正在越拉越大——他甚至判断“今天的孩子用这些工具就能在某条没人想过的路径上创立数十亿美元的公司”。 **如果你是生物/医药背景的读者**，值得立即行动的是三件事：去AlphaFold数据库（EBI维护，免费）查你领域的蛋白结构；关注AlphaGenome的API——突变致病性预测这个能力正在快速变强；研究Isomorphic Labs公开的虚拟筛选思路，哪怕你在学术实验室，“先in silico粗筛、最后一步湿实验验证”这个流程重构也完全可以用小成本模仿。 **如果你是普通读者**，这个视频给你的认知升级是一副“降噪眼镜”：下次再看到“AI又取代XX职业”或“AGI下个月降临”的标题党，你可以用Hassabis的框架重新过滤——真正的历史性变化发生在你看不见的地方（药物管线、天气预报、材料发现），而真正值得你担心的不是聊天机器人会说怪话，而是未来3-4年智能体（Agent）时代的护栏问题。前者的答案已经写在他2016年那张便利贴上：solve protein folding, 加个笑脸。 ## 延伸学习路径 1. **《The Thinking Game》纪录片**（Google DeepMind官方频道，84分钟，4.4亿播放）—— 跟拍DeepMind五年的官方纪录片，本访谈中“2021年会议室”片段的完整原始出处，Tribeca电影节入选作品。 2. **《AlphaGo - The Movie》**（DeepMind官方，93分钟）—— Move 37那场对局的完整纪录片，看完你会理解为什么围棋圈把2016年3月称为“世纪之战”。 3. **Veritasium《AlphaFold - The Most Useful Thing AI Has Ever Done》**（1000万+播放）—— 如果你想搞懂AlphaFold的技术原理（Transformer、Structure Module怎么工作），这是全网最好的可视化讲解。 4. **AlphaFold论文原文**（Nature, 2021）—— 对应引用：[Highly accurate protein structure prediction with AlphaFold](https://www.nature.com/articles/s41586-021-03819-2)，想引用数据做研究或写作业的读者直接看一手来源。 5. **DeepMind官方博客的AlphaGenome与AlphaQubit公告** —— 访谈中提到的最新系统，博客更新比论文快，适合追踪这条产品线。 ## 一句话总结 **当所有人盯着聊天机器人争吵时，Hassabis用一座2亿蛋白质的免费数据库提醒世界：AI最伟大的作品，将是那些你永远“看不见”、却可能救你一命的科学发现。** ## 参考来源 1. [The Hardest Problem AI Ever Solved, with Google DeepMind CEO — Cleo Abram](https://www.youtube.com/watch?v=C0gErQtnNFE) — 本文分析的核心视频 2. [Highly accurate protein structure prediction with AlphaFold — Nature](https://www.nature.com/articles/s41586-021-03819-2) — AlphaFold原始论文 3. [The Thinking Game | Full documentary — Google DeepMind](https://www.youtube.com/watch?v=d95J8yzvjbQ) — 访谈中多个故事的一手影像来源 4. [AlphaGenome: AI for better understanding the genome — Google DeepMind Blog](https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/) — AlphaGenome官方公告 5. [AlphaFold - The Most Useful Thing AI Has Ever Done — Veritasium](https://www.youtube.com/watch?v=P_fHJIYENdI) — 技术原理延伸讲解 --- > 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。