Google AI掌門人Demis Hassabis：比爽文更爽的開掛人生
你現在17歲，有人給了你提供了兩個選擇：
選項A：拿下1000萬，別去讀大學
選項B：去劍橋念書
你怎麼選擇？給你10秒鐘時間思考。
你可能常常在小紅書、公眾號、虎撲看到這樣的選擇題，大多數人只會想問：我該去哪領錢？
但…這個極端不現實的場景，確實Google AI的負責人在31年前真實面臨的選擇。
1993年，16歲的Demis Hassabis被劍橋大學錄取了，但因為年紀太小，還不滿足入學的條件，所以需要等一年再去讀大學。
怎麼利用這一年的Gap Year呢？
環遊世界？還是在家玩遊戲？
都不是，從小愛玩遊戲的Demis Hassabis選擇去一家遊戲公司打「黑工」。
也就是在這一年時間內，他主導設計了一款史上十大最暢銷遊戲之一——《主題公園》（Theme Park），這款遊戲累計賣出了超過1500萬份。
Peter Molyneux是全歐洲最好的遊戲公司創始人。他提出了一個條件：給Demis 100萬英鎊，但他不能去讀大學。
那在20世紀90年代是一大筆錢。對於一個17歲的窮小子來說，這是改變命運的機會。
但Demis拒絕了。
他說：”我從一開始就有個計劃。我的計劃一直都是要去劍橋大學讀書。”
Peter至今依然記得送Demis去火車站的那天：”他就如同一粒即將破土而出的小種子，但在牛蛙製作公司，他是無法做到的。我至今依然記得這個小精靈角色消失在那條隧道里的畫面。那是個令人極其傷感的時刻。”
為什麼？
一個17歲的天才少年，怎麼會有魄力拒絕100萬英鎊？
他在追求什麼？
答案要從6年前說起。
1988年，列支敦斯登的一個山間教堂里，12歲的Demis正在參加一場國際象棋錦標賽。
對手是前丹麥冠軍，三十幾歲。比賽持續了10個小時。
到了最後，Demis明明可以逼成平局——只需要放棄皇后，棋局就會陷入僵局。但他太累了，誤以為被將軍是無可避免的，於是認輸了。
對手跳了起來，開始大笑。他問：”你為什麼要認輸？這是平局。”然後他立刻用誇張的動作，給Demis演示平局該怎麼走棋。
Demis感到很不舒服。但真正讓他開始思考的，不是這次挫敗本身，而是他環顧四周時看到的景象：教堂里坐著數百名國際象棋棋手。所有人都在全神貫注地對弈，消耗著巨大的腦力。
他突然想到一個問題：”我們是在浪費頭腦嗎？這就是腦力最好的用武之地嗎？如果可以把那300個大腦連接到一個系統上，那種腦力水平也許能夠用於根治癌症。”
那一刻，即便熱愛國際象棋，Demis也決定：這不該是他一生的事業。
這個12歲時的問題，成為了他一生的追問：智力的最好用處是什麼？
6年後，當Peter Molyneux提出100萬英鎊時，Demis拒絕的原因很簡單：做遊戲不是答案。錢也不是。
他要去找那個答案。
30年後，2024年10月，Demis Hassabis因為用AI解決了50年未解的蛋白質摺疊問題，獲得了諾貝爾化學獎。
這篇文章想講的，不只是他怎麼拿到諾貝爾獎，而是他怎麼找到了那個12歲時的問題的答案。
答案就是一個詞：Simulation（模擬）。
這個詞貫穿了他整個人生。
一、17歲：第一次模擬一個世界
要理解Demis為什麼拒絕100萬英鎊，得先知道他是怎麼走到那一步的。
Demis 4歲學國際象棋，幾周后就擊敗了父親和叔叔。13歲時達到大師級別（Elo 2300），Under-14年齡組的世界第二。
列支敦斯登的那次挫折，讓他開始思考國際象棋之外的可能性。
1990年，他看到雜誌上的一個比賽廣告：創作《太空侵略者》的原創版本，獲勝者能去牛蛙製作公司（Bullfrog Productions）工作。
Demis做了一款叫《國際象棋入侵者》的遊戲，贏得了比賽。
創始人Peter Molyneux至今記得他第一次見到Demis的場景：”他走進門，看上去大概12歲上下。我心想：’天啊，我們該拿他怎麼辦？'”
因為太小不能合法僱用，Demis的薪水都是裝在棕色紙信封里發的。
1994年，17歲的Demis和Peter Molyneux一起設計了那款改變他命運的遊戲：《主題公園》。
玩家可以建造主題公園，設計過山車，給炸魚薯條店的東西定價。
但最重要的是：遊戲里的遊客有自主行為。
Demis設計的AI模擬了真實的人類行為：如果離驚險的過山車距離太近，過山車上剛吃過東西的人就會嘔吐
當其他人看到地上的嘔吐物時，他們也會嘔吐
這樣就得有很多清掃人員，以便趕在被人們看到前快速清掃乾淨
這些細微的模擬動作，Peter Molyneux說，是”前所未有的發明，獨一無二”。
這是Demis第一次用代碼模擬一個世界。他發現了一件事：模擬不只是娛樂，模擬是理解世界的方式。
遊戲大獲成功。1500萬份。
Peter看到了Demis的天賦，於是提出了那個100萬英鎊的條件。
但Demis拒絕了。
同學都覺得他瘋了：”你為什麼不拿錢？100萬英鎊可是一大筆錢！”
Demis心裏很清楚：做遊戲很有趣，也能賺錢。但那不是12歲時那個問題的答案。
他要去劍橋，去理解什麼是智能，什麼是理解。
Demis去了劍橋，學Computer Science。但真正改變他軌跡的，是1997年發生的一件事。
二、劍橋：模擬不是計算，理解才是智能
1997年5月，IBM的”深藍”擊敗了國際象棋世界冠軍卡斯帕羅夫。
全世界都在歡呼人工智慧的勝利，但Demis的反應很不一樣。
他說：”我對’深藍’的印象並不深，卡斯帕羅夫的思維讓我印象更深。”
為什麼？
“卡斯帕羅夫在國際象棋上的造詣跟野獸般的機器不分伯仲，但卡斯帕羅夫還能做到人類能做到的其他所有事。這是一項巨大的成就，而’深藍’只會下象棋。它的系統里缺少了我們所認為的智能，即通用性和學習的想法。”
深藍是暴力計算。它每秒評估2億個棋局，靠窮舉，不是理解。
Demis意識到：真正的智能不是計算，是理解。
而理解的核心能力，是模擬。
在劍橋，他接觸到不同學科的人——生物學家、哲學家、藝術家。有人不斷跟他講一個問題：”蛋白質摺疊”。
蛋白質是生命的機器。由氨基酸鏈構成，摺疊形成特定結構。如果能從氨基酸序列預測蛋白質結構，就能設計出治愈癌症或分解塑料的新型蛋白質。
這個問題從20世紀60年代起就有人研究，但沒人解決。
Demis當時想：”人類是否真的智慧到能夠摺疊蛋白質？我覺得它是可以解決的，但我認為需要人工智慧來解決。”
但在創辦AI公司之前，他決定先去理解人類大腦本身是如何工作的。
2005年，他去了UCL（倫敦大學學院），攻讀神經科學PhD。
三、神經科學：大腦如何模擬未來？
Demis在UCL的研究主題是：想象、記憶和失憶症。
他想搞清楚的核心問題是：人類大腦是如何模擬未來場景的？
他的第一篇論文發表在PNAS上，是個裡程碑式的發現：海馬體****受損的患者，既有失憶症（無法記憶過去），也無法想象新體驗（無法模擬未來）。
這證明了：記憶和想象是同一個系統。
換句話說，大腦模擬未來的能力，依賴於它存儲過去經驗的能力。
這篇論文被Science雜誌評為”2007年度十大科學突破”之一。
但對Demis來說，這個發現的意義遠不止於此。它回答了一個更深層的問題：什麼是智能？
Demis的答案是：智能就是模擬的能力。
一個智能系統，不只是記住過去發生了什麼，還要能模擬未來可能發生什麼，然後基於這些模擬做決策。
這讓人想起物理學家Richard Feynman說過的一句話：**”What I cannot create, I do not understand.”**（凡是我不能創造的，說明我還不夠理解。）
Demis想明白了：要理解智能，就要能創造智能系統。而創造的方式，就是模擬。
DeepMind後來做的所有事，都是這個思路。
2007年，在UCL的一次演講上，Demis遇到了Shane Legg。
Shane當時在講：”機器真的變得更智能了嗎？有人說是，有人說不是。它們現在的計算速度變得快多了，但在通用智能方面，我們真的在進步嗎？”
兩個人聊完后，Demis感覺：”我們倆守護著一個不為人知的秘密。”
那個秘密是：通用人工智慧（AGI）是可能的，而且需要用模擬的方式去實現，而不是深藍那樣的暴力計算。
但在學術界，這個想法是不被接受的。
Demis說：”學術界沒人會支持我們所做的事。幾乎可以說在學術界，’人工智慧’一詞是個令人尷尬的詞。如果你說自己在研究人工智慧，那顯然你不是一個真正的科學家。”
所以，他說服Shane：正確的做法是創辦一家公司。
四、DeepMind：在模擬中自我進化
2010年，DeepMind成立。前兩年完全隱身，辦公室在秘密地點，沒有網站。
去面試的人會說：”我剛剛給我妻子發了簡訊告訴她我要去的具體地方，以防這是個可怕的騙局，我會遭到綁架。”
他們在做什麼？
Demis的目標很清楚：建造世界上第一台通用學習機器。
他們的方法是：讓AI在模擬環境中自我學習。
第一個測試是雅達利遊戲。
他們創建了一種叫DQN的演算法，結合了強化學習和深度學習。目標是：用同一個系統，玩幾十款不同的遊戲。
第一個遊戲是Pong（乓）。
開始時，AI根本不知道要做什麼。它只知道得分是好事，其他什麼都不知道——不知道自己在控制什麼，不知道規則，不知道目標。
Demis當時對Shane說：”也許我們錯了，我們甚至連《乓》都玩不好。”
但突然，它拿到了第一分。
“這是偶然嗎？不，不是。它真的得分了。”
接著它得了一些分，然後贏了第一場比賽。3個月後，沒有人類能擊敗它。
從像素到動作，完全自學。這在當時是第一次有人做到。
然後他們試了《Breakout》（打磚塊）。
300場比賽后，它的水平幾乎和任何人類一樣出色。但他們讓系統又玩了200場比賽，它做了一件很驚人的事：它發現最佳策略是在一側打通一條通道，把球打到牆後面。
這不是人類教它的。這是它自己在模擬中發現的。
50個遊戲之後，DQN可以從頭開始自我訓練，達到人類水平甚至超過。
2014年，Google以4億英鎊收購了DeepMind。
但真正讓全世界震驚的，是2016年發生的事。
五、AlphaGo：模擬出人類從未走過的棋
圍棋被認為是人工智慧的聖杯。它的潛在棋譜比宇宙中的原子還多。
多年來，所有用AI試驗圍棋的嘗試都失敗了。
2016年3月，韓國首爾，AlphaGo對戰李世石——過去十年裡最偉大的棋手之一，”圍棋界的羅傑·費德勒”。
第37步棋，AlphaGo走了一步沒有哪個人類棋手會走的棋。
專業評論員說：AlphaGo認為，這步棋只有萬分之一的概率是人類會走的。
但它走了。而且是對的。
一位棋手說：”我原以為AlphaGo是基於概率計算的，而且它只是一台機器。但AlphaGo肯定很有創意。圍棋已經被研究了幾千年，AlphaGo發現了一些全新的東西。”
AlphaGo贏了。李世石投子認輸。
這一刻，全世界意識到：地球上誕生了新事物。
對中國來說，這是”斯普特尼克時刻”——像1957年蘇聯發射人造衛星一樣，引發了全球AI競賽。
但Demis沒有停下來。
2017年，DeepMind發布了AlphaZero。
AlphaGo是基於人類數據訓練的——它先觀看了10萬場厲害的業餘棋手的比賽，然後通過強化學習與自己對弈數百萬次。
但AlphaZero完全不需要人類數據。
它剝離了所有人類的知識，完全從零開始，在模擬中與不同版本的自己對弈，從錯誤中學習。
訓練速度有多快？
AlphaGo需要幾個月。
AlphaZero早上開始訓練，完全隨機對弈。到茶歇時達到超人類水平。到晚餐時，成為有史以來最強大的象棋實體。
它成了自己的老師。
Demis一直相信的事得到了證明：真正的智能不是學習人類的經驗，而是在模擬中自我進化。
但他想做的，遠不止遊戲。
六、AlphaFold：模擬生命的基礎
2018年，DeepMind參加了CASP——蛋白質結構預測關鍵評估，每兩年舉行一次，被稱為”蛋白質摺疊的奧運會”。
評分標準：超過90分算成功。
CASP13的結果出來了：DeepMind以50%的優勢擊敗了第二名。
但約翰·穆特（CASP的聯合創始人）說了一句話，讓Demis很失望：”阿爾法摺疊沒有獲得足以讓其切實得以被利用的數據。”
諾貝爾獎得主Paul Nurse也說：”比如說像我這樣的人查驗我自己的生理問題——阿爾法摺疊做不到。”
Demis後來回憶：”那個時刻讓人感覺有些慚愧。我們覺得自己非常努力，也成功了，而且在一個難住了全世界的問題上我們的表現是最好的。我們知道我們很爛。”
團隊里有人開始質疑：”這在某種程度上是一場愚蠢的冒險。也許考慮人工智慧的現狀，那還是太難了。”
有人說了一句話：”最長的梯子並不能幫你登上月球。”
什麼意思？用現有的方法優化，可能永遠也到不了目標。需要完全不同的思路。
2019年，Demis做了一個決定：”從這裏開始，我們需要加倍努力並儘快實現。我覺得我們不能再浪費時間了。”
他組建了一個突擊小組，約翰·江珀（John Jumper）擔任組長，加入了生物學專家。
關鍵是：他們重寫了整個數據管道，而不是在原有系統上修修補補。
有人說：”你必須給那些花朵綻放的空間，不能在創作階段強迫它。”
4個月後，進展出現了。
速度突破：CASP13期間1-2天摺疊1個蛋白質，現在1秒摺疊數十萬個。
質量突破：許多結構達到高精度水平。
2020年11月，CASP14的結果公布了。
約翰·穆特發來郵件：”你們團隊在CASP14中表現得非常出色，不論是相對於其他組還是在模型的絕對準確性方面。恭喜你們完成了這項工作，真的非常出色。”
約翰·江珀說：”半個世紀之後，我們終於找到了蛋白質摺疊問題的解決方案。”
Demis給父母打電話：”嘿，媽媽，我有事要告訴你。我們做了一件事，可能是件大事。”
接下來，Demis做了一個決定：”我們想將這個公開，不僅確保代碼是公開的，我們還要讓所有人都能便利地獲得這些預測結果。”
他們在一個月內預測了所有已知的序列，公開了2億個蛋白質結構。
發布當天，從655個用戶暴漲到10萬個併發用戶。
Demis說：”這些是饋贈給人類的禮物。”
2024年，Demis Hassabis和John Jumper因為這項工作，獲得了諾貝爾化學獎。
但故事還沒有結束。
七、World Models：模擬世界，才能理解世界
2025年12月，在一次年終訪談中，Demis談到了DeepMind現在在做的事：World Models（世界模型）。
他說了一段很關鍵的話：”LLM理解語言，但缺少空間感知。World Models理解物理世界的因果關係。”
這是DeepMind和大多數AI公司的差異。
大多數公司在做什麼？
Scaling LLM——讓模型更大，數據更多，訓練更久。LLM學的是語言的統計規律。
但Demis認為，這還不夠。
費曼說過：”凡是我不能創造的，說明我還不夠理解。”
Demis現在要做的，就是創造（模擬）整個物理世界，來真正理解世界。
真正的智能，需要模擬物理世界。
DeepMind現在有兩個系統：Genie和Simma。
Genie生成可交互的虛擬世界，Simma在虛擬世界中探索。
把它們組合起來：Simma在Genie生成的世界中學習，Genie按需生成無限的訓練場景，AI可能實現”自我進化”。
這就像當年的AlphaZero：不需要人類數據，在模擬中自我學習。
但這次模擬的不是圍棋，而是整個物理世界。
Demis說：”我的夢想是在模擬中重新運行生命進化，觀察意識、社會結構如何湧現，理解我們從哪裡來。”
這讓人想起他在劍橋時的那個直覺：蛋白質摺疊可以用AI解決。
現在他在追問更大的問題：意識、創造力、情感…這些是可計算的嗎？
他說：”這是我人生的核心問題：圖靈機的極限在哪裡？ 到目前為止，宇宙中沒有發現任何不可計算的事物。”
“如果我們造出AGI，然後用它模擬人類心智，對比真實心智，就能看出差異在哪裡。也許差異是creativity？emotions？dreaming？consciousness？這將回答’人之為人’的本質。”
當AlphaGo擊敗李世石時，Demis說他的感受很複雜：”我既興奮又有點失落。圍棋是美麗的神秘，我們破解了它。這有點苦樂參半。”
科學家的宿命是：解開謎題的同時，失去神秘感。
但Demis還是選擇了這條路。
尾聲：智力的最好用處
從12歲在列支敦斯登的教堂里問出那個問題，到48歲獲得諾貝爾獎，Demis花了36年。
回過頭看，他的整個人生都在圍繞一個核心理念：Simulation（模擬）。
17歲，他模擬了一個主題公園。神經科學PhD，他研究大腦如何模擬想象和記憶。AlphaGo/AlphaZero，在模擬對弈中自我進化。AlphaFold，模擬蛋白質摺疊。World Models，模擬整個物理世界。
而他一直在追問的，是那個12歲時的問題：智力的最好用處是什麼？
答案是：用最好的頭腦，去模擬和理解整個世界。
不是為了下好一盤棋，不是為了贏一場比賽，而是為了解決癌症、阿爾茨海默病、能源危機、氣候變化【相關閱讀:魔鬼在統治著我們的世界(24)：環保主義(下)】——那些真正能改變人類命運的問題。
在2025年的那次訪談里，Demis說：”我的使命是幫助全人類安全地跨越AGI這條線。完成這個任務后，我會好好休個假。”
“我為這個時刻準備了一生。從下棋、做遊戲、研究神經科學…都是為了這個時刻。”
“這是我一生一直為之奮鬥的時刻。”
也許，這就是智力的最好用處。
*以上內容系網友AllaboutAUS自行轉載自花叔，該文僅代表原作者觀點和態度。本站系信息發布平台，僅提供信息存儲空間服務，不代表贊同其觀點和對其真實性負責。如果對文章或圖片/視頻版權有異議，請郵件至我們反饋，平台將會及時處理。