← 陆家贤 ← Jiaxian Lu

Demis Hassabis：从游戏中研究智能，用智能解决科学 Demis Hassabis: Studying Intelligence Through Games, Solving Science With It

Chinese only

以下内容与我的工作无关，仅为个人感想与学习笔记，不代表任何公司或机构的立场。

These notes are unrelated to my work. They are personal reflections and study notes only, and do not represent the views of any company or organization.

本文是对以下内容的阅读笔记：哔哩哔哩视频（BV12A7p6nEhE） These are reading notes on: a Bilibili video (BV12A7p6nEhE, in Chinese)

摘要

Demis Hassabis 的事业主线不是“天才传奇”，而是一个持续数十年的研究程序：把游戏当成可控、可评分的智能试验场，研究学习、搜索、规划与自我改进；再将经过验证的方法迁移到蛋白质结构预测等科学难题。AlphaGo 证明了方法的潜力，AlphaFold 则证明这条路线能产生棋盘之外的科学价值。

永久结论

游戏是研究智能的显微镜，不是最终目的；通用方法的真正价值，要在它能否迁移到重要的现实问题中检验。

哈萨比斯的路线可以压缩为：

在游戏里建立可验证的学习系统 → 用搜索、神经网络和自我对弈突破复杂任务 → 转向科学根节点问题 → 把 AI 变成科学家的放大器

可核实的经历

时间 事件 意义
1976 出生于伦敦；4 岁学习国际象棋，13 岁达到大师水平 游戏让他首次对“机器如何产生智能行为”产生兴趣
青少年时期 成为程序员和游戏开发者 在仿真世界中理解规则、代理人和复杂系统
2009 在伦敦大学学院完成博士学位 将计算机科学与神经科学结合
2010 共同创办 DeepMind 以机器学习、神经科学、工程和模拟的跨学科方式研究通用 AI
2014 DeepMind 被 Google 收购 获得长期研究所需的算力和资源
2015–2016 AlphaGo 先后战胜樊麾和李世石，对李世石的比分为 4:1 证明深度神经网络、高级搜索与自我对弈能处理巨大决策空间
2018–2020 AlphaFold 在 CASP13 取得突破，AlphaFold2 在 2020 年被认为解决了长达 50 年的蛋白质结构预测难题 从游戏能力验证迈向 AI for Science
2023 Google Brain 与 DeepMind 合并为 Google DeepMind，哈萨比斯担任 CEO 将模型、科学研究、工程和 Google 算力纳入同一组织
2024 与 John Jumper 共同获得诺贝尔化学奖的一半，表彰蛋白质结构预测 AI 方法对基础科学的影响获得正式认可

诺奖份额的准确表述

2024 年化学奖的一半授予 David Baker；另一半由 Demis Hassabis 与 John Jumper 共同获得。两人各占总奖项的四分之一，而不是两人独占整个化学奖。

从游戏到科学的研究程序

1. 先在可验证世界中研究智能

游戏有明确规则、状态、行动和得分，因此适合反复实验。DQN 从屏幕像素和分数中学习多款 Atari 游戏；AlphaGo 则把策略网络、价值网络、搜索与强化学习结合起来。

这里最重要的不是“AI 会玩游戏”，而是可以在压缩的环境中观察它如何学习、计划、试错与创造新策略。这与《面向 Agent 的可验证架构：从 UI 驱动到自动回归闭环》的工程原则相通：先把问题变成可观测、可反馈、可迭代的环境。

2. 将能力从棋盘迁移到现实问题

诺贝尔奖官方材料对这条主线的概括很克制：围棋不是目标，而是开发更好 AI 模型的手段。AlphaGo 成功后，DeepMind 开始将这些方法用于更重要的科学难题，蛋白质结构预测是其中的标志性案例。

AlphaFold 数据库后来公开了超过 2 亿个蛋白质结构预测。它没有取代实验生物学，但大幅压缩了候选结构探索的时间，让科学家能将精力放到更关键的假设、实验和解释上。

3. 把研究组织也当成一种技术

DeepMind 的路线不只是模型算法，还包括一种组织设计：让机器学习、神经科学、数学、工程和具体科学领域的专家围绕长期问题协作。2023 年 Google Brain 与 DeepMind 合并，则进一步将人才、研究方法和大规模算力整合到同一组织中。

哈萨比斯的 AI for Science 观

哈萨比斯将 AI 理解为科学工具，不是独立取代科学家的主体。他在获诺奖后的官方访谈中强调：AI 擅长分析数据、寻找模式和结构；但至少在可预见的未来，选择正确问题、提出假设与猜想，仍然是人类科学家的工作。

因此，更准确的未来图景不是“AI 自己完成科学”，而是：

会提出好问题的科学家 × 会大规模搜索和分析的 AI

作者解读：有启发，但不应当成已证实事实

原视频包含部分未注明出处的转述与推测。以下内容不纳入事实时间线：

  • “霍金称他为地球上最聪明的人”：未在本次核对的官方资料中找到可验证出处。
  • 童年比赛、与投资人的谈判、马斯克与佩奇对话等细节：可能来自传记或二手报道，但原稿没有给出来源。
  • 对李世石、柯洁心理状态的描写：属于作者主观观察。
  • “仅靠语言能否到达 AGI”、意识上传、疾病消失和科学大爆发时间表：属于研究判断或未来想象，不是已确认结论。
  • 视频中关于 Gemini 版本、训练方法、企业估值和算力合同的数字：变化快且缺少一手引用，不放入永久人物笔记。

可迁移的方法

  1. 先找试验场，再碰真问题：用低成本、可评分的环境快速验证方法。
  2. 把短期里程碑服务于长期使命：AlphaGo 是能力证明，不是研究终点。
  3. 选择“根节点”问题：蛋白质结构预测一旦突破，会同时打开生物学、医药和环境科学的多条分支。
  4. 把组织当作研究设施：长期问题需要跨学科人才、稳定算力和容许失败的时间尺度。
  5. 区分工具与判断：AI 扩大搜索与模式发现，人类仍要负责问题选择、假设和价值判断。

核对资料

原始素材说明

本笔记由 B 站视频的机器转写稿提炼而来。转写稿存在大量人名、专有名词和数字识别错误，因此事实时间线以上述官方资料为准；作者的叙事和价值观则单独标注。