# 哈萨比斯把 AGI 闹钟拨到 2030：领先五年是远见，领先五十年是灾难

> Training Data No. 87 中文精读

- 原标题：Demis Hassabis on Building DeepMind, AlphaFold, and the Final Stretch to AGI
- 发布日期：2026-04-30
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/087-demis-hassabis-on-building-deepmind-alphafold-and-the-final-9b9464.html
- 精读字数：约 4777 字（阅读约 11 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

2010 年创立 DeepMind 时，德米斯·哈萨比斯给 AGI 定的期限是 20 年。2026 年 4 月，这位 2024 年诺贝尔化学奖得主坐在红杉的播客《Training Data》现场，交出核对结果：**「我们基本正点。」**终点站，2030 年。

这场对话的硬货密度很高：17 岁做出销量超千万份的游戏，第一次创业学到「领先五年，别领先五十年」，AlphaGo 赢下首尔的第二天就成立科学部门，还有一个具体到吓人的目标，把新药研发从平均 10 年压到几周，甚至几天。

顺便交代背景：《Training Data》是红杉采访 AI 创始人的播客，这期在办公室现场录，台下坐了一屋子创业者，好几个问题都是替他们问的。下面按他讲故事的顺序拆开。

## 15 岁定下的人生计划，和一次太超前的创业

哈萨比斯的履历看起来很跳跃：国际象棋神童、游戏公司创始人、神经科学家、DeepMind 创始人。主持人问这些碎片之间有没有共同主线，他的回答很干脆：有，而且很可能是他自己事后硬剪出来的主线。15、16 岁那年，他就认定 AI 是他能做的最重要、也最有意思的事，之后所有选择都围绕这个目标倒推，连绕路都是计划好的。

第一段绕路进了游戏行业，理由很实际。90 年代，最尖端的技术全在游戏里，图形如此，硬件也如此。今天大家用的 GPU，最早就是为游戏图形引擎设计的，他在 90 年代末就用上了最早一批 GPU。

17 岁前后，他在英国传奇工作室牛蛙（Bullfrog Productions）参与制作《主题公园》（Theme Park），这款模拟经营游戏后来卖了 1000 多万份。玩法是经营一座游乐园，成千上万的小人进场，自己决定玩哪个设施、逛哪家店、买什么东西，底下跑着一整套经济学 AI 模型，和《模拟城市》同属这一类型的开山之作。

**真正让他决定把职业生涯押上去的，是玩家和游戏里 AI 互动时脸上的那种快乐。**看到人们跟自己写的 AI 玩得那么开心，他开始认真考虑这件事能干一辈子。

再往后读神经科学，目的同样明确：从大脑的工作方式里偷算法。这几块拼图最后全用在了 DeepMind 的创立上，连游戏本身都没浪费，早期 AI 的试验场就是游戏。

大学毕业，他创办 Elixir Studios。用他的话说，那是「从后门」资助 AI 研究，做游戏赚的钱，养着最前沿的 AI 开发。公司做过一款叫《Republic》的游戏，野心大得离谱：模拟整个国家，玩家可以用各种方式推翻一个独裁者。要在 90 年代末的一台奔腾家用电脑上，同时跑出 100 万人的活生生城市，图形和 AI 一个都不能少。

结果可想而知，太超前了，项目出了问题。他把教训原样带走，这段话值得每个创业者抄在显示器边上：

> 「你要领先时代五年，别领先五十年。所有人都一眼看懂的时候，已经太晚；领先五十年，你几乎不可能把它做成功。」

2009 年再出发时，他学乖了。用他自己的话说，这次大概只领先了十年，比五十年强多了。

## 2010 年，一群「守着秘密的人」

主持人让他讲讲，当年怎么把一批顶尖人才拉进一个听起来像科幻的项目。哈萨比斯列了三条当时没人当回事的判断。

- 深度学习刚被杰弗里·辛顿（Geoffrey Hinton）等人在学界做出来，几乎没人意识到它有多重要。
- 深度学习和强化学习是两个互不往来的学术孤岛，像两个从不串门的课题组，他判断把两者结合会有巨大进展，此前除了玩具级问题，几乎没人混着用过。
- GPU 带来的加速计算会非常关键，如今 DeepMind 用的是 TPU，逻辑没变；再加上他从计算神经科学带来的一批想法，核心一条是「强化学习最终能扩展到 AGI」。

他说当时的感觉像「守着一批秘密」，因为学界和业界都不信还有什么大进展可能发生。他在 MIT 做博士后，那里是专家系统和符号逻辑的大本营，一提 AGI，同行直接翻白眼：90 年代大家都试过了，此路不通。

这种白眼反而让他更笃定，逻辑很朴素：**就算失败，也要以一种和 90 年代的人不同的方式失败，那本身就值得干。**

DeepMind 的原始使命就两步：第一步，解决智能，造出 AGI；第二步，用它解决其他所有问题。时间表也一起定了，20 年。

他还补了一句，就算 AI 至今仍是个小众学科，他也会把这辈子花在上面。在他看来，AI 是史上最重要的技术，也是最有趣的，因为它是理解我们自身心智的最好工具之一。意识、做梦、创造力，这些他做神经科学时留下的问题，一直缺一个分析工具，也缺一个对照组。人脑没法做对照实验，那就造一个别的心智出来，比着看。

## 首尔回来第二天，成立 AI for Science 部门

很多人以为 DeepMind 的科学转向是 AlphaFold 之后的事，实际上那个部门由普什米特·科利（Pushmeet Kohli）带队，存在快十年了。成立时间很讲究：2016 年 AlphaGo 首尔之战落幕，团队回国第二天，正式立项。

哈萨比斯在等一个信号：算法足够强、想法足够通用。攻克围棋就是那个信号，说明这套方法可以拿去啃真实世界的硬骨头了。他心里的排序也很清楚，最受益的用途是治病、延长健康寿命，后面跟着材料科学、环境、能源。

第一块骨头是蛋白质折叠，一个悬了 50 年的大挑战。AlphaFold 破解了蛋白质的三维结构，但他在播客里特意泼了盆冷水：**知道结构只是药物发现的一个环节，重要，但只是一环**。

于是有了最新的衍生公司 Isomorphic Labs，补上相邻环节：在生物化学和化学的空间里，让 AI 自动设计化合物。要求很具体，既要牢牢结合在目标蛋白的正确位置，又要尽量别碰别的位置，碰了就是毒副作用。

他给这个领域画了一条清晰的路线：把 99% 的探索工作搬进计算机里完成，湿实验室只留做最后验证。做到这一步，药物发现的平均周期有望从 10 年压到几个月，再压到几周，甚至有一天到几天。**到那时，所有疾病都有望进入射程，个性化药物会成为常规操作。**整个医药研发领域，未来几年会被重写一遍。

## 机器学习是生物学的数学

现场有人问，AI 会不会像工业革命催生热力学那样，催生全新的科学。哈萨比斯给了两层答案。

第一层，研究 AI 系统本身会变成一门工程科学。这些造物复杂到最终会和人类大脑一个量级，机械可解释性（mechanistic interpretability）只是起点，要真正搞懂这些系统怎么工作，后面还有大片空白。

第二层更有意思，AI 会解锁那些一直当不了「硬科学」的学科，他点名模拟（simulation）。经济学这类学科为什么至今偏软？因为做不了对照实验。利率上调 0.5 个百分点，只能在真实世界里跑一次，看结果，没法跑一千遍。理论可以有一堆，验证只有一次机会。

**如果模拟器足够准，你就能在模拟里把实验跑一千遍，从严格采样里得出结论。**他给的两个案例都已经在跑：WeatherNext，目前世界上最准的天气模拟器，速度也远超气象学家手里的工具。主持人顺势问，那你们能改变天气了吗？他笑着接住：还不能，而且他不太确定那是件好事，但第一步总是先把它理解透。另一个项目被他称作「虚拟细胞」，要把生物学这个高度动态的涌现系统整个装进模型里。

他还有一个漂亮的类比：**机器学习之于生物学，就像数学之于物理学**。生物系统里全是弱信号、弱关联、海量数据，人脑处理不过来，数学的表达力也不够，机器学习恰好是描述这类系统的语言。更进一步，等模拟器学好了，说不定还能从里面反推出显式方程，类似麦克斯韦方程组那样的东西。他不确定这样的方程是否存在，但认为只要存在，这套方法就能把它找出来。

## 信息、图灵机，以及先造工具再谈意识

聊到理论，哈萨比斯亮出一个私货观点。爱因斯坦证明了能量和质量等价，他认为信息也该有同样的等价地位，而且更根本：物质的组织和结构，尤其是生物这种抵抗熵增的东西，本质上就是信息处理系统。20 世纪 20 年代的物理学家把能量和物质放在第一位，他觉得把信息放在第一位，才是理解宇宙更好的方式。

顺着这个思路，AI 的地位就更特殊了，因为它干的就是组织信息、理解信息、构造信息对象这件事。

对图灵，他表达敬意的方式很特别，自称「图灵的旗手」。图灵是他心中的科学英雄，图灵机的结论在他眼里是科学史上最深刻的结果之一：一切可计算的东西，都能被一台结构极简的机器算出来。他判断人脑大概率就是一台近似的图灵机。

然后是全场技术含量最高的一段判断：**蛋白质折叠在某种意义上是个量子系统，学界一度以为必须把各种量子效应全算进去才能搞定，结果 AlphaFold 在经典计算机上就做到了近似最优。**他据此推测，很多被认为必须用量子计算机处理的问题，只要思路对，经典系统照样能建模。图灵机够用的地方，比大家以为的多。

有观众问了个尖锐的问题：一台能建模万物的机器，什么时候不再算工具？

哈萨比斯的回答是给整个行业的一条路线建议：**在通往 AGI 的路上，先把工具做出来，一个极其聪明、极其有用、极其可靠的工具，然后再跨下一道卢比孔河**。工具会越来越自主、越来越像 agent，这个阶段大家已经身处其中，但「它有没有自己的意志、有没有意识」这类问题，放到第二步，最好用第一步造出来的工具去帮我们回答，顺便把人类自己的大脑和心智搞清楚，把意识定义得比今天精确得多。

至于意识的定义，他说自己没法超越几千年的哲学积累，但有几样东西显然是必要条件，尽管未必充分：自我意识、自我与他者的区分、跨时间的连续性。

他提起和已故哲学家丹尼尔·丹尼特（Daniel Dennett）的几次长谈。丹尼特关心的问题很实际：一个系统怎么表现？接近 AGI 的系统，可能开始表现得像有意识，但那恰恰是麻烦的开始。哈萨比斯随后给出一个很冷静的分析：我们默认彼此有意识，一半因为行为像有意识的样子，另一半因为大家跑在同样的基底上，像两台装着同一套操作系统的机器。AI 跑的是另一套，基底等价性永远凑不齐，所以这道缝隙可能永远关不严。行为上可以观察，体验上没法打通，AGI 之后也许有办法，今天还谈不了。

聊到康德和斯宾诺莎，他给自己的日常找到了一句总结。康德说心智构造现实，他认为这话基本是对的，所以更该研究心智；斯宾诺莎给的是近乎精神体验的那一层，用科学理解宇宙，就是在触碰宇宙的某个深层秘密。用他的原话说：

> 「我们做的事情，某种意义上是在阅读宇宙的语言。」

## 快问快答，和明天就能用的三件事

结尾的快问快答，信息密度反而最高。主持人先让他对 AGI 年份表态，他没回避，直接报数。

- AGI 时间：2030 年，他说这个判断自己一直很稳定，从没摇摆过。
- AGI 实现后必读的书：大卫·多伊奇的《现实的结构》（The Fabric of Reality），他最爱的书，还说回答那本书里的问题，就是他 AGI 之后的工作。
- DeepMind 迄今最骄傲的时刻：AlphaFold。
- 主持人把场景设在《文明》那类回合制策略游戏里，让他挑一位历史科学家当队友：冯·诺依曼，理由是「你需要一个博弈论学家，而他是最强的那个，那才是真正的智能」。

给创业者和做事的人，这场对话里有三样东西可以立刻拿走。

第一，**用「领先几年」给项目定价**。领先五十年做不成，所有人都看懂了再做太晚，哈萨比斯的最佳区间是五到十年。评估自己的项目时，直接问一句：我这个判断比市场共识早几年？早五十年，砍掉或者收窄；早半年，抓紧跑。

第二，**去两个互不往来的领域交界处找机会**。DeepMind 的起点就是深度学习加强化学习这两个学术孤岛的组合，外加 GPU 算力这个外部变量。现在的版本照样成立：找出你所在行业里两个从未被组合过的成熟方法，试着拼一下，交界处往往没人排队。

第三，**能放进模拟里的事，别留在现实里试错**。99% 的探索在计算机里完成，湿实验室只做验证，这是哈萨比斯给药企画的路线，同样适用于投放、招聘、产品迭代。先问一句：我的「湿实验室验证」环节是哪一步？把验证之前的所有试错都搬进模拟。

最后是那个 20 年的框架。2010 年定下期限，2026 年核对，基本正点。**长周期目标的价值在于每年都有一个核对点，跑偏了能看见，正点了敢加注。**2030 年还剩四年，闹钟已经定好，就看他准不准时了。