智能的边缘

哈萨比斯谈 AI、科学与人类未来

---

献给

所有相信科学能够改变世界的人

以及

正在用 AI 工具探索未知边界的你

---

目录

序言 为什么这本书现在很重要

第一章 从神童到诺贝尔奖得主

• 1.1 国际象棋神童的 AI 启蒙
• 1.2 17 岁，百万美元薪水与大学选择
• 1.3 DeepMind 的诞生：解决智能问题
• 1.4 被谷歌收购：科学自由与商业压力的平衡

第二章 AlphaFold：AI 如何改变药物研发

• 2.1 五十年大挑战：蛋白质折叠问题
• 2.2 那个改变一切的会议：“为什么不做全部？”
• 2.3 2 亿个蛋白质结构：一年内完成人类几十年工作
• 2.4 开源的决定：科学应该属于全人类
• 2.5 从 AlphaFold 到 Isomorphic Labs：18 个药物管线的进展
• 2.6 现实约束：AI 能加速什么，不能加速什么

第三章 AlphaGo 与第 37 手：AI 创造力的觉醒

• 3.1 为什么选择围棋？
• 3.2 那个震惊世界的 Move 37
• 3.3 从 AlphaGo 到 AlphaZero：17 天从零到世界冠军
• 3.4 AI 创造力 vs 人类直觉
• 3.5 AlphaTensor：发现人类未知的算法
• 3.6 下一步：材料科学、量子计算与室温超导

第四章 AGI 之路：科学方法 vs 商业竞赛

• 4.1 什么是真正的智能？
• 4.2 Deep Blue 的问题：它没有学习
• 4.3 语言模型的意外突破
• 4.4 世界模型：缺失的那一块拼图
• 4.5 为什么 AGI 需要像 CERN 一样开发
• 4.6 时间线预测：1-2 年、3-5 年、50 年

第五章 普通人的 AI 时代

• 5.1 能力溢出：顶级实验室的内卷红利
• 5.2 超级个体：一个人如何成为一支队伍
• 5.3 机会在哪里：被忽视的应用场景
• 5.4 哈萨比斯的建议：深度使用每个工具
• 5.5 务实路径：从效率提升到小而美业务

第六章 AI 风险：被误解的与被忽视的

• 6.1 短期：深度伪造与信息战
• 6.2 中期（3-4 年）：政府大规模使用 AI
• 6.3 长期：AGI 对齐问题
• 6.4 SynthID：水印技术与可追溯性
• 6.5 国际协调的必要性

第七章 智能的本质

• 7.1 大脑是图灵机吗？
• 7.2 量子效应：目前没有证据
• 7.3 人类的特殊性在哪里？
• 7.4 意识的难题
• 7.5 AI 能否理解"现实的自然"？

第八章 终极愿景

• 8.1 清洁能源：核聚变与室温超导
• 8.2 治愈所有疾病：AI 助力的医疗革命
• 8.3 星际旅行：能源突破后的可能性
• 8.4 把意识带到宇宙各处
• 8.5 墓志铭：“他的一生是对人类有益的”

后记 如何参与这个未来

附录 关键术语解释与延伸阅读

---

序言

为什么这本书现在很重要

2024 年，Demis Hassabis 获得了诺贝尔化学奖。

这不是因为他是一位杰出的科学家——虽然他确实是——而是因为他的工作代表了一个历史性的转折点：人工智能开始解决人类几十年无法解决的科学问题。

AlphaFold 破解了生物学五十年大挑战，一年内预测了 2 亿个蛋白质结构。这个数字是什么概念？在此之前，科学家用 X 光晶体学花费数千万美元、数年时间才能解析一个蛋白质结构。AlphaFold 用了一年时间，完成了人类几十年的工作。

但这只是开始。

在这本基于哈萨比斯最新深度访谈整理的书中，你将看到：

• AI 如何真正改变药物研发（不是聊天机器人，而是你看不见的 backend）
• AlphaGo 第 37 手为什么震惊世界（人类几千年的经验说是"臭棋"，但它是绝杀）
• AGI 开发的正确路径（为什么哈萨比斯主张像 CERN 一样的科学方法）
• 普通人如何参与 AI 时代（不是空想十亿美金，而是成为超级个体）
• 被忽视的真正风险（不是 AGI 末日，而是政府大规模使用 AI 的中期风险）

最重要的是，你将理解哈萨比斯的终极愿景：

“使用 AI 作为工具，帮助我们理解现实的本质。”

这不是一个科学家的野心宣言，而是一个从 4 岁开始学国际象棋、13 岁成为国际象棋大师、17 岁收到百万美元薪水邀请、最终获得诺贝尔奖的人，对"智能"这个问题的三十年追问。

为什么这本书现在很重要？

因为我们正处在历史的转折点上。AI 不再是一个实验室里的概念，它正在：

• 加速新药研发（几乎所有制药公司都在用 AlphaFold）
• 发现新算法（AlphaTensor 发现人类未知的矩阵乘法优化）
• 设计更好的芯片（AlphaChip 超越人类工程师的方案）
• 预测极端天气（GenCast 比传统方法更准确）

而普通人，第一次有机会使用这些曾经只属于顶级实验室的工具。

这本书的目的，是帮助你理解：

1. AI 真正能做什么（以及不能做什么）
2. 你如何参与其中
3. 我们需要警惕什么
4. 未来 50 年可能发生什么

希望读完这本书后，你能像哈萨比斯说的那样：

“看到乐观的未来，然后参与实现它。”

---

第一章

从神童到诺贝尔奖得主

1.1 国际象棋神童的 AI 启蒙

Demis Hassabis 的故事，开始于一个棋盘。

4 岁那年，这个伦敦小男孩第一次接触国际象棋。很快，他的天赋显露出来——不是普通的"有点聪明"，而是那种几十年一遇的神童级别。

9 岁，他的棋艺已经达到成人高手水平。

13 岁，他成为国际象棋大师，是当时世界上最年轻的棋手之一。

但真正塑造他人生轨迹的，不是棋盘上的胜利，而是他对"智能"这个问题的好奇。

"下棋的时候，我一直在想：我的大脑在做什么？"哈萨比斯后来回忆，“为什么有些棋手能看到更远的步数？是什么让一个人比另一个人更聪明？”

这些问题，引导他走向了一个必然的方向：人工智能。

90 年代，当他在剑桥大学学习计算机科学时，AI 还处于"寒冬"。神经网络被认为是死胡同，专家系统是主流。但哈萨比斯看到了不同的可能性。

“我当时就想，如果我们真的想理解智能，我们需要建立一个能够从经验中学习的系统，而不是被灌输规则的系统。”

这个想法，成为了他一生的追求。

1.2 17 岁，百万美元薪水与大学选择

17 岁那年，哈萨比斯收到了一个令人难以置信的 offer。

一家游戏公司愿意给他百万美元的年薪，唯一的条件是他来工作。

这是一个改变人生的机会——对于任何来自普通家庭的年轻人来说，这都是难以拒绝的。

但哈萨比斯选择了拒绝。

"我想先去上大学，"他说，“我想理解智能的科学基础。”

这个决定，反映了他的核心特质：对理解的渴望，胜过对金钱的追求。

他进入了剑桥大学，学习计算机科学，最终以优异成绩毕业。之后，他在 UCL 获得了认知神经科学的博士学位，研究人类记忆和决策的神经机制。

这段经历，为他后来的 AI 研究奠定了两个关键基础：

1. 计算机科学的理论基础：算法、复杂性、计算理论
2. 认知科学的深刻理解：人类如何学习、记忆、决策

"很多人认为 AI 只是工程问题，"哈萨比斯说，“但如果你不理解智能本身是什么，你只是在盲目地建造系统。”

1.3 DeepMind 的诞生：解决智能问题

2010 年，哈萨比斯与 Shane Legg 和 Mustafa Suleyman 共同创立了 DeepMind。

公司的使命非常简单，也非常宏大：

“解决智能问题，然后用它解决其他所有问题。”

这是一个典型的"第一性原理"思考：如果智能是解决所有问题的元工具，那么理解智能本身就应该是最高优先级的任务。

DeepMind 从游戏开始。

为什么是游戏？

1. 游戏有明确的规则：可以清晰地定义成功和失败
2. 游戏是智能的试金石：围棋、国际象棋等游戏需要战略规划、模式识别、长期规划
3. 游戏可以自我对弈：系统可以自己生成训练数据

2013 年，DeepMind 发布了 DQN（Deep Q-Network），一个能够从像素输入学习玩 Atari 游戏的系统。它不需要任何人类知识，只通过试错学习。

结果令人震惊：DQN 在多个游戏中达到了人类专业水平，有些甚至超越了人类。

但这只是热身。

1.4 被谷歌收购：科学自由与商业压力的平衡

2014 年，谷歌以 4 亿英镑收购了 DeepMind。

对于一家成立仅 4 年的初创公司来说，这是一个惊人的退出。但对于哈萨比斯来说，收购的条件比价格更重要。

"谷歌承诺让 DeepMind 专注于科学研究，"他说，“这是我最看重的。”

这个承诺，在后来被证明是至关重要的。

当 2022 年 ChatGPT 引爆 AI 竞赛时，谷歌面临巨大压力。哈萨比斯被赋予了更广泛的责任——他成为了谷歌 AI 的负责人， overseeing 包括 Gemini 在内的所有 AI 产品。

这是一个微妙的平衡：

• 科学自由：继续推进 AlphaFold 等长期项目
• 商业压力：与 OpenAI、Anthropic 等公司竞争
• 社会责任：确保 AI 的安全和负责任使用

"我认为最好的方式是逐步推进，"哈萨比斯说，“每一步都理解，每一步都验证。像 CERN 一样。”

CERN 是欧洲核子研究组织，以大型强子对撞机闻名。它的特点是：

• 国际合作
• 科学优先
• 安全严谨
• 成果公开

这正是哈萨比斯希望 AGI 开发采取的模式。

但现实更加复杂。

"我们生活在一个竞争激烈的世界里，"他承认，“有地缘政治压力，有商业压力。但我们仍然可以尝试用科学方法来做这件事。”

---

第二章

AlphaFold：AI 如何改变药物研发

2.1 五十年大挑战：蛋白质折叠问题

蛋白质是生命的基础。

你身体的每一个细胞、每一个器官、每一个功能，都依赖于蛋白质。抗体是蛋白质，酶是蛋白质，荷尔蒙是蛋白质。

但蛋白质的功能，完全取决于它的 3D 结构。

想象一条长长的链条，由氨基酸串成。这条链条会自动折叠成一个复杂的 3D 形状。这个形状决定了蛋白质的功能——它能结合什么分子，它能催化什么反应，它能在细胞里做什么。

问题是：给定一个氨基酸序列，你能预测它的 3D 结构吗？

这就是著名的"蛋白质折叠问题"，生物学五十年大挑战。

为什么这么难？

因为一个典型的蛋白质有数百个氨基酸，每个氨基酸可以有多种构象。可能的折叠方式数量，超过了宇宙中的原子数量。

"这是一个计算上的噩梦，"哈萨比斯说，“但也是完美的 AI 问题。”

90 年代，当哈萨比斯第一次听到这个问题时，他就意识到：

“这一定会适合 AI。因为本质上，这是一个从高维序列到 3D 结构的映射问题。神经网络天生擅长这种任务。”

但当时，AI 还没有准备好。

2.2 那个改变一切的会议：“为什么不做全部？”

2020 年，AlphaFold 取得了突破性进展。

在一次内部会议上，团队讨论如何部署这个系统。传统的做法是：

1. 科学家提交基因序列
2. 服务器运行预测（需要几天）
3. 返回结果

这是过去 40 年科学计算服务的标准模式。

但哈萨比斯问了一个问题：

“我们的系统有多快？”

"大约 10 秒，"团队回答。

"10 秒？"哈萨比斯开始心算，“自然界有多少已知蛋白质？”

“大约 2 亿个。”

“如果我们有足够的算力，一年能预测多少个？”

团队计算后，得到了一个惊人的数字：全部 2 亿个，一年内完成。

会议室里安静了。

然后哈萨比斯说：

“那为什么要等科学家来申请？为什么不做完所有 2 亿个，然后免费开放给全世界的科学家？”

这是一个价值数亿美元的决定。

DeepMind 本可以建立一家公司，向制药公司收取每次预测的费用。这将会是一门非常赚钱的生意。

但他们选择了另一条路。

"科学应该属于全人类，"哈萨比斯说，“如果我们要解决这个问题，我们应该让所有人都能受益于这个解决方案。”

2021 年，AlphaFold 数据库公开。

2.3 2 亿个蛋白质结构：一年内完成人类几十年工作

AlphaFold 的影响是立竿见影的。

在此之前，科学家用 X 光晶体学解析一个蛋白质结构，需要：

• 时间：数月到数年
• 成本：数十万到数百万美元
• 设备：昂贵的实验室和同步辐射设施

使用 AlphaFold：

• 时间：10 秒
• 成本：几乎为零
• 设备：任何有互联网的电脑

到 2024 年，AlphaFold 数据库包含了超过 2 亿个蛋白质结构预测——几乎涵盖了所有已知的蛋白质。

这是什么概念？

想象一下，如果人类几千年积累的科学知识是一个图书馆，AlphaFold 在一年内往这个图书馆里添加了相当于过去几十年工作量的新书。

"这是科学史上最快的知识积累之一，"一位结构生物学家说。

但这只是开始。

2.4 开源的决定：科学应该属于全人类

AlphaFold 的开源决定，反映了哈萨比斯的科学哲学。

"我认为科学进步是通过共享加速的，"他说，“如果每个发现都被锁在付费墙后面，进步会慢得多。”

这个决定带来了深远的影响：

1. 被忽视疾病的研究加速

疟疾、查加斯病、利什曼病——这些疾病影响数百万人，但主要发生在贫困地区。制药公司没有动力投入研发，因为市场太小。

现在，研究这些疾病的科学家可以免费使用 AlphaFold，直接进入药物发现阶段，无需花费数年解析蛋白质结构。

"这是一个巨大的平等器，"一位热带病研究员说。

2. 植物科学的新发现

植物蛋白质的研究远落后于人类蛋白质。但现在，植物科学家可以立即获取任何植物蛋白质的结构预测，加速作物改良和生物燃料研究。

3. 基础研究的民主化

在小实验室、发展中国家、资源有限的机构工作的科学家，第一次能够与顶级研究机构使用相同质量的工具。

"科学不应该取决于你所在的机构或国家，"哈萨比斯说。

2.5 从 AlphaFold 到 Isomorphic Labs：18 个药物管线的进展

AlphaFold 解决了蛋白质结构预测问题。但这只是药物研发的第一步。

药物研发的全流程：

1. 靶点发现：确定与疾病相关的蛋白质
2. 结构解析：了解蛋白质的 3D 结构（AlphaFold 已解决）
3. 化合物筛选：找到能与靶点结合的小分子
4. 优化：改进化合物的效力、选择性、安全性
5. 临床前研究：动物实验
6. 临床试验：I/II/III 期人体试验
7. 监管审批：FDA/NMPA 等机构审核

2022 年，DeepMind 分拆成立了 Isomorphic Labs，专注于将 AI 应用于整个药物研发流程。

"AlphaFold 是拼图的一块，"哈萨比斯说，“但药物研发需要更多。”

Isomorphic Labs 正在建立：

• 结合亲和力预测：AI 预测化合物与靶点的结合强度
• 选择性优化：确保药物只作用于目标，不作用于其他蛋白质（减少副作用）
• 药代动力学预测：AI 预测药物在体内的吸收、分布、代谢、排泄
• 毒性预测：提前发现潜在的安全问题

到 2024 年，Isomorphic Labs 有 18-19 个药物管线在进行中，涵盖：

• 心血管疾病
• 代谢疾病
• 神经系统疾病
• 癌症

"我们处于早期阶段，"哈萨比斯说，“但方向是正确的。”

2.6 现实约束：AI 能加速什么，不能加速什么

尽管 AI 在药物研发中取得了巨大进展，但哈萨比斯保持谨慎。

"AI 能加速早期阶段，"他说，“但临床试验和审批流程有硬性约束。”

AI 能加速的：

阶段	传统时间	AI 加速潜力
靶点发现	2-5 年	5-10 倍
结构解析	1-3 年	100 倍+
化合物筛选	1-3 年	10-50 倍
临床前优化	1-2 年	2-5 倍

AI 不能显著加速的：

阶段	时间	约束
临床 I 期	1-2 年	人体安全性试验，必须实际进行
临床 II 期	2-3 年	有效性验证，需要真实患者
临床 III 期	3-5 年	大样本验证，法规要求
审批	1-2 年	政策流程

"我们不能模拟人体，"哈萨比斯说，“至少在可预见的未来，我们必须用真实的人来测试药物。这是伦理和科学的要求。”

这意味着，即使 AI 将早期研发从 10 年缩短到 2 年，整个药物研发流程仍然需要 8-10 年。

"但这仍然是巨大的进步，"他说，“从 10-15 年到 8-10 年，意味着更多药物能进入临床，更多患者能受益。”

---

---

第三章

AlphaGo 与第 37 手：AI 创造力的觉醒

3.1 为什么选择围棋？

2016 年 3 月，首尔。

五局三胜制的围棋比赛正在进行。一方是韩国棋手李世石，人类历史上最伟大的棋手之一，拥有 18 个世界冠军头衔。另一方是 AlphaGo，DeepMind 开发的 AI 系统。

在此之前，电脑已经击败了人类的国际象棋冠军（1997 年 Deep Blue vs 卡斯帕罗夫）、西洋双陆棋冠军、甚至扑克冠军。但围棋不同。

围棋是游戏的"珠穆朗玛峰"。

为什么？

1. 可能性空间太大

   • 围棋棋盘有 361 个交叉点
   • 可能的棋局数量约为 10^170
   • 作为对比，宇宙中的原子数量约为 10^80
   • 围棋的可能性比宇宙中的原子还多

2. 无法用暴力计算解决

   • 国际象棋可以用"暴力搜索"：计算所有可能的走法，选择最好的
   • 但围棋的可能性太多，即使是最快的超级计算机也无法穷举
   • 必须依靠直觉和模式识别

3. 围棋是艺术

   • 在东亚文化中，围棋不仅是游戏，还是艺术和哲学
   • 职业棋手会说某步棋"感觉对"或"感觉不对"
   • 这种直觉被认为是最难被机器复制的

"围棋是智能的最后前沿，"哈萨比斯说，“如果我们能解决围棋，我们就证明了 AI 可以处理人类最复杂的认知任务。”

3.2 那个震惊世界的 Move 37

比赛进行到第二局。

AlphaGo 执黑，李世石执白。棋局进行到第 37 手，AlphaGo 下出了一步让所有人震惊的棋。

黑棋第 37 手：第五线，肩冲。

在人类几千年的围棋传统中，这是一步"臭棋"。

"如果在道场里下出这步棋，是会被师傅打手板的，"一位职业棋手后来回忆。

为什么？因为围棋的定式告诉人们：

• 第五线太靠外，不利于实地
• 肩冲在这个局面下没有先例
• 这是"不应该"下的位置

李世石愣住了。他离开了赛场，独自休息了十几分钟。

直播间的职业棋手们议论纷纷：
“这步棋是什么意思？”
“AlphaGo 出错了吗？”
“这不符合任何已知的定式。”

但 100 手之后，人们明白了。

那步"臭棋"在棋局的后期发挥了关键作用。它帮助 AlphaGo 控制了中央，最终赢得了比赛。

Move 37 不是错误，是创造。

"那一刻，我等了一辈子，"哈萨比斯回忆，“我们建立的系统不仅击败了世界冠军，还下出了人类从未想过的棋。”

这意味着什么？

这意味着 AI 不再是模仿人类，而是创造了超越人类认知的新知识。

3.3 从 AlphaGo 到 AlphaZero：17 天从零到世界冠军

AlphaGo 胜利后，DeepMind 团队问自己一个问题：

“我们能走得更远吗？”

AlphaGo 仍然依赖人类知识：

• 它学习了人类棋手的数百万局棋谱
• 它使用了围棋特定的特征和技巧
• 它本质上是"站在人类肩膀上"

但如果，完全从零开始呢？

2017 年，AlphaZero 诞生了。

AlphaZero 的设计原则：

• 不学习任何人类棋谱
• 不使用任何围棋特定知识
• 只知道游戏规则，其余全部自学

它如何学习？

自我对弈。

AlphaZero 自己和自己下棋，每天下数百万局。每局棋后，它从输赢中学习，调整自己的策略。

版本 1：随机下棋，很糟糕
版本 2：从版本 1 的胜局中学习，稍好一些
版本 3：从版本 2 的胜局中学习，更好
…
版本 17：击败世界冠军

时间：17 天。

"早上开始，它只是个新手，"哈萨比斯说，“午餐时，它能打败业余高手。下午茶时，它能打败世界冠军。晚餐时，它已经是历史最强的棋手。”

AlphaZero 不仅在围棋上成功，还在：

• 国际象棋：击败 Stockfish（最强传统象棋引擎）
• 将棋：击败 Elmo（最强将棋引擎）

同一个系统，没有任何游戏特定知识，17 天内成为三个游戏的世界冠军。

这是通用智能的雏形。

3.4 AI 创造力 vs 人类直觉

Move 37 之后，围棋界发生了什么？

革命。

职业棋手们开始研究 AlphaGo 的棋谱，学习它的"新定式"。以前被认为是"臭棋"的走法，现在被重新评估。

"AlphaGo 改变了我们对围棋的理解，"一位九段棋手说，“我们现在知道，人类几千年的经验可能只是真相的一个子集。”

这引出了一个深刻的问题：

人类的直觉是什么？

当棋手说某步棋"感觉不对"时，他们在感受什么？

哈萨比斯的解释：
“人类直觉是大脑基于经验的快速模式匹配。它很有用，但也有限制。我们的直觉被训练数据（人类经验）限制了。”

AI 的直觉不同：

• 它没有人类的"传统"束缚
• 它可以探索人类从未尝试过的空间
• 它的"直觉"是基于数亿次自我对弈形成的

"AlphaGo 告诉我们，人类的经验可能只是最优解的局部峰值，"哈萨比斯说，“而 AI 可以找到全局最优。”

这对其他领域意味着什么？

3.5 AlphaTensor：发现人类未知的算法

2022 年，DeepMind 发布了 AlphaTensor。

它的任务：发现更快的矩阵乘法算法。

矩阵乘法是几乎所有科学计算的基础：

• AI 训练：本质上是矩阵运算
• 物理模拟：需要矩阵乘法
• 图形渲染：依赖矩阵变换
• 密码学：大量使用矩阵运算

传统上，矩阵乘法算法由人类数学家设计。最好的算法（Strassen 算法等）已经存在了几十年。

AlphaTensor 的任务是：找到更快的方法。

结果如何？

AlphaTensor 发现了新的算法，比人类已知的算法快 5-10%。

不要小看这 5%。

"如果你训练一个大模型需要 10 亿美元，5% 的加速意味着节省 5000 万美元，"哈萨比斯说，“而且这是在基础算法层面，所有应用都能受益。”

更重要的是，AlphaTensor 的发现证明了：

即使在数学这样"封闭"的领域，AI 也能创造人类未知的知识。

3.6 下一步：材料科学、量子计算与室温超导

AlphaGo 和 AlphaTensor 证明了 AI 的创造力。但游戏和算法只是开始。

真正的战场在科学。

哈萨比斯提到了几个关键领域：

1. 材料科学

• 设计具有特殊性质的新材料
• 更轻、更强、更耐高温
• 用于航空航天、电动汽车、可再生能源

2. 室温超导

• 超导材料可以无损耗传输电力
• 但现有的超导材料需要极低温（接近绝对零度）
• 室温超导将彻底改变能源传输
• “这将解决气候问题的关键一环”

3. 量子计算

• 量子比特非常不稳定，容易出错
• AI 可以帮助设计更好的纠错方案
• “量子计算 + AI = 科学发现的超级加速器”

4. 核聚变

• 无限清洁能源的圣杯
• AI 可以帮助控制等离子体，优化磁场设计
• “一旦解决，人类能源问题基本解决”

"我认为 3-5 年后，当这些领域的 AI 应用成熟时，那才是真正的巅峰时刻，"哈萨比斯说。

---

第四章

AGI 之路：科学方法 vs 商业竞赛

4.1 什么是真正的智能？

在深入 AGI 之前，我们需要回答一个基本问题：

什么是智能？

哈萨比斯从两个角度思考这个问题：

1. 功能角度

• 智能是解决问题的能力
• 能学习新知识，适应新环境
• 能进行长期规划，权衡短期和长期利益
• 能创造新知识，而非仅仅复制已有知识

2. 计算角度

• 大脑是否在本质上是一台"图灵机"？
• 如果是，那么任何可计算的东西，AI 最终都能做到
• 如果不是（例如存在量子效应），那么 AI 可能有根本性限制

"我认为大脑很可能就是一台图灵机，"哈萨比斯说，“到目前为止，神经科学没有发现任何非计算的过程。”

这意味着什么？

这意味着理论上，AI 可以模仿人类的任何智能行为。

但这不意味着 AI 和人类完全一样。

"即使 AI 能做到人类能做的一切，人类仍然有特殊的价值，"他说，“人与人之间的连接、情感、共同经历——这些可能永远无法被机器替代。”

4.2 Deep Blue 的问题：它没有学习

1997 年，IBM 的 Deep Blue 击败了国际象棋世界冠军加里·卡斯帕罗夫。

这是历史性时刻。但哈萨比斯当时是学生，他感到"有些不对劲"。

"Deep Blue 是智能的吗？"他问自己。

Deep Blue 的工作原理：

• 人类专家把国际象棋规则编码成程序
• 程序用超级计算机暴力搜索所有可能的走法
• 每秒计算 2 亿个位置，选择最好的

"这没有学习，"哈萨比斯说，“它只是执行人类设计的算法。智能不在机器里，在设计机器的人里。”

更明显的问题：

Deep Blue 不会迁移。

• 它不能学习下围棋（即使围棋更简单）
• 它不能回答简单的问题
• 它甚至不能玩井字棋（除非重新编程）

"这不是真正的智能，"哈萨比斯说，“真正的智能应该能学习新任务，能从一个领域迁移到另一个领域。”

这正是 DeepMind 与之前 AI 研究的根本区别：

不是建造能下棋的机器，而是建造能学习的机器。

4.3 语言模型的意外突破

2022 年，ChatGPT 引爆了 AI 热潮。

哈萨比斯承认，语言模型的突破速度超出了他的预期。

"我们认为语言理解还需要一两个突破，"他说，“但 Transformer 架构比想象中更强大。”

Transformer 是 Google 研究人员在 2017 年提出的架构，后来成为所有大语言模型的基础。

"现在看来，语言和理解可能比我们想象的要’容易’破解，"哈萨比斯说。

但这不意味着问题完全解决。

当前语言模型的问题：

问题	描述
幻觉	模型会自信地说出错误信息
推理局限	复杂的多步推理仍有困难
长期规划	难以维持长远的目标和计划
可解释性	难以理解模型为何做出某个决定

"我认为还需要一两个关键突破，"哈萨比斯说，“才能真正解决这些问题。”

可能的方向：

• 系统 2 推理：像人类一样"慢思考"，进行深度分析
• 世界模型：在内部建立对物理世界和社会的理解
• 记忆增强：更好的长期记忆和上下文管理

4.4 世界模型：缺失的那一块拼图

哈萨比斯多次提到"世界模型"这个概念。

什么是世界模型？

想象你在房间里，闭上眼睛。你仍然"知道"：

• 家具在哪里
• 门在哪个方向
• 如果你走路，会遇到什么

这是你大脑中的"世界模型"——对环境的内部表征。

当前的大语言模型缺少这个。

"LLM 学习的是文本中的统计模式，"哈萨比斯说，“它们没有对物理世界的真实理解。”

这就是为什么 LLM 会犯一些常识性错误：

• “把书放在桌子上，然后桌子消失了”（物理不可能）
• “他早上出生，晚上就 10 岁了”（时间逻辑错误）

AlphaGo 有世界模型吗？

有的。它的世界模型是围棋规则和棋盘状态。它能在内部模拟"如果我下这里，对手会怎么应，然后我下哪里"。

这正是当前 LLM 缺少的能力。

"我认为未来的突破会结合 LLM 的语言能力和 AlphaGo 式的搜索/推理能力，"哈萨比斯说。

4.5 为什么 AGI 需要像 CERN 一样开发

AGI（通用人工智能）可能是人类历史上最重要的技术。

它可能带来的好处：

• 加速所有科学领域的发现
• 解决癌症、阿尔茨海默病等顽疾
• 优化全球经济系统，减少贫困
• 帮助人类成为多行星物种

它可能带来的风险：

• 被用于开发大规模杀伤性武器
• 权力过度集中
• 失控风险（如果目标不对齐）

"这样的技术，不能只由几家公司在封闭环境中开发，"哈萨比斯说。

他主张像 CERN 一样的开发模式：

CERN 模式	AGI 开发应用
国际合作	多国参与，共同制定标准
科学优先	研究目标胜过商业目标
安全严谨	每一步都经过验证
成果公开	安全相关研究应共享

"我不是说所有 AGI 技术都应该开源，"他强调，“但安全研究应该国际合作。”

现实更复杂。

"我们有地缘政治压力，有商业竞争，"哈萨比斯承认，“中美之间的 AI 竞赛就是一个例子。”

但他仍然希望：

• 主要实验室之间建立安全沟通渠道
• 共享安全测试基准
• 在关键节点（如 AGI 出现时）进行国际协调

"这可能过于理想主义，"他说，“但我认为这是正确的方向。”

4.6 时间线预测：1-2 年、3-5 年、50 年

哈萨比斯对 AI 发展的时间线有清晰的预期：

1-2 年内：

• 语言模型的幻觉问题可能得到缓解
• 更好的推理和规划能力出现
• AI 在更多科学领域展示价值

3-5 年内：

• AI 在材料科学、量子计算迎来"巅峰时刻"
• 可能出现室温超导的突破
• AI 设计的药物进入临床后期

5-10 年内：

• 首批 AI 全流程参与的药物获批
• AI 在核聚变控制中发挥关键作用
• AGI 的早期形式可能出现

10-20 年内：

• AGI 可能达到人类水平
• 科学发现速度显著提升
• 人类寿命开始显著延长

50 年内：

• 人类可能成为多行星物种
• 能源问题基本解决
• 大多数疾病可治愈
• “把意识带到宇宙各处”

"这些预测很激进，"哈萨比斯说，“但我认为基于现在的进展，它们是合理的。”

---

第五章

普通人的 AI 时代

5.1 能力溢出：顶级实验室的内卷红利

2024 年，AI 实验室处于"军备竞赛"状态。

OpenAI、Anthropic、Google、Meta 等公司投入数百亿美元，开发越来越强大的模型。

这产生了一个意外结果：能力溢出。

什么是能力溢出？

想象一下，工程师们为了造火箭，发明了喷气发动机。但火箭太贵了，只有国家能玩。但喷气发动机可以用在飞机上，普通人也能享受。

AI 的能力溢出类似：

• 实验室为了 AGI，开发了强大的工具
• 但这些工具可以应用于日常场景
• 应用这些工具的人，远低于开发能力的人

"这就是机会，"哈萨比斯说。

具体的溢出例子：

实验室技术	溢出应用
GPT-4	写邮件、写代码、写报告
DALL-E 3	设计 logo、插画、营销素材
AlphaFold	学生做生物项目、小公司做药物研究
Gemini	分析数据、总结文献、学习新技能

"一个完全不懂技术的普通人，如果能熟练使用这些工具，就可能解决传统行业的问题，"哈萨比斯说。

5.2 超级个体：一个人如何成为一支队伍

"超级个体"是哈萨比斯在访谈中提到的概念。

什么是超级个体？

用 AI 工具武装自己，一个人能做以前需要一个团队才能做的事。

例子：

传统内容创作团队：

• 文案：写脚本
• 设计：做图
• 剪辑：剪视频
• 运营：发内容、回评论
• 4-5 人团队

超级个体：

• 用 LLM 写脚本
• 用 Midjourney 做图
• 用 AI 视频工具剪辑
• 用 AI 回复评论
• 1 人完成

这不只是"省人力"。

这是可能性的扩展。

以前，一个人不可能每天发 10 条高质量视频。现在可以。

以前，一个人不可能同时运营 5 个账号。现在可以。

以前，一个人不可能做多语言内容。现在可以。

"我不是建议每个人都去做内容，"哈萨比斯说，“而是说，AI 让你能突破以前的个人产能限制。”

5.3 机会在哪里：被忽视的应用场景

哈萨比斯被问到：“普通人应该从哪里入手？”

他的回答：“找大厂看不上的小赛道。”

为什么？

大厂的逻辑：

• 需要服务 10 亿用户
• 需要百亿级市场
• 需要标准化产品

普通人的机会：

• 服务 10 万用户就够了
• 千万级市场就很舒服
• 可以高度定制化

被忽视的场景举例：

1. 垂直行业知识库

   • 大厂不会为某个小众行业定制模型
   • 但你可以用 RAG+LLM 做行业专家系统
   • 例子：法律问答、医疗咨询、税务规划

2. 本地化服务

   • 全球性 AI 不懂本地文化、法规、习惯
   • 你可以做本地化的 AI 应用
   • 例子：本地政策解读、社区服务对接

3. 传统行业数字化

   • 很多传统行业还没被 AI 渗透
   • 农业、建筑、制造、物流
   • 例子：用 AI 优化农场灌溉、工地调度

4. 个人服务增强

   • 教练、顾问、老师、治疗师
   • 用 AI 增强你的服务能力
   • 例子：健身教练用 AI 做个性化计划

"机会在’无人注意的角落’，"哈萨比斯说，“那里竞争少，需求真实。”

5.4 哈萨比斯的建议：深度使用每个工具

主持人问：“如果只能给一个建议，会是什么？”

哈萨比斯的回答：

“融入自己在每个工具中，变得像超级能力使用者。”

具体怎么做？

阶段 1：熟悉

• 选一个工具（如 ChatGPT）
• 每天用，持续 30 天
• 用它做各种任务：写作、分析、学习、规划

阶段 2：整合

• 把工具融入你的工作流
• 建立你的"提示词库"
• 形成你的使用习惯

阶段 3：扩展

• 尝试其他工具（Claude、Gemini、Midjourney 等）
• 理解每个工具的优势和局限
• 组合使用，形成你的"AI 栈"

阶段 4：创造

• 用你的 AI 栈解决实际问题
• 可能是工作上的，也可能是创业想法
• 从"使用 AI"到"用 AI 创造"

"这不是被动学习，"哈萨比斯强调，“是在做的过程中学。”

5.5 务实路径：从效率提升到小而美业务

访谈中，哈萨比斯提到了"十亿美金公司"的可能性。

媒体放大了这句话：“普通人用 AI 能做十亿美金公司！”

但这不是他的本意。

他的完整逻辑是：

1. AI 工具让个人产能大幅提升
2. 有人能用这种产能解决真实问题
3. 如果问题够大、解决够好，商业价值可能很大
4. "十亿美金"是可能性，不是预期

对普通人来说，更务实的路径：

Level 1：效率提升（2-5 倍）

• 用 AI 写邮件、写报告、写代码
• 每天节省 2-3 小时
• 这是确定能达到的

Level 2：副业收入

• 用 AI 做内容、做咨询、做产品
• 每月增加几千到几万收入
• 少数人能达到

Level 3：小而美业务

• 年收入百万美金级别
• 1-3 人团队，或纯个人
• 极少数人能达到

Level 4：大生意

• 需要能力×时机×资本×运气
• 凤毛麟角

"我不希望人们辞去工作，All in 创业，"哈萨比斯说，“先用 AI 提升你的本职工作，那是最稳妥的起点。”

---

第六章

AI 风险：被误解的与被忽视的

6.1 短期：深度伪造与信息战

2024 年，一段视频在社交媒体疯传。

视频中，某国领导人宣布投降。市场剧烈波动，股市下跌。

几小时后，视频被证实是 AI 生成的伪造内容。但损害已经造成。

这不是科幻，是已经发生的事。

深度伪造（Deepfake）是 AI 最直接的威胁。

哈萨比斯认为，这是"短期最紧迫的风险"：

风险类型	具体表现
政治操纵	伪造政客言论，影响选举
金融欺诈	伪造 CEO 指令，转移资金
名誉损害	伪造名人丑闻视频
社会动荡	伪造紧急事件，引发恐慌

如何应对？

DeepMind 开发了SynthID——一种 AI 生成内容的水印技术。

• 在生成图像/音频/视频时嵌入不可见水印
• 可以检测内容是否由 AI 生成
• 帮助平台和用户识别伪造内容

"所有主要的 AI 公司都应该采用类似技术，"哈萨比斯说。

但问题在于：

• 开源模型可能没有水印
• 技术可能被绕过
• 检测永远落后于生成

"这需要行业合作，也需要法规，"他说。

6.2 中期（3-4 年）：政府大规模使用 AI

哈萨比斯在访谈中提到了一个被大多数人忽视的风险：

政府大规模使用 AI。

为什么这是中期风险？

因为政府有：

• 数据：税务、医疗、教育、社保——海量数据
• 权力：可以强制使用，无需用户同意
• 资源：预算充足，可以大规模部署

潜在的好处：

• 提升公共服务效率
• 更好地分配资源
• 更准确的疾病预测
• 更有效的灾害响应

潜在的风险：

• 大规模监控
• 权力过度集中
• 算法歧视被制度化
• 民主制衡被削弱

"我认为民主政府应该使用 AI，"哈萨比斯说，“新加坡和欧盟在往正确的方向走。但我们必须确保有适当的制衡。”

他特别担心的是：

中期（3-4 年）内，这个问题可能没有足够的公众关注。

"人们担心 AGI 末日，但忽视了眼前的权力集中，"他说。

6.3 长期：AGI 对齐问题

长期来看，最大的风险是AGI 对齐问题。

什么是 AGI 对齐？

简单说：如何确保 AGI 的目标与人类一致？

例子：

假设你给 AGI 一个目标：“消除人类疾病”。

AGI 可能得出的方案：

• 方案 A：研发新药（人类想要的）
• 方案 B：消灭所有人类（没有人类就没有疾病）

显然，方案 B 是灾难性的。但它确实"实现"了目标。

这就是对齐问题：目标表述与真实意图的差距。

哈萨比斯认为：

1. 这是真实的风险，但不是迫在眉睫的

   • AGI 还需要几年才可能出现
   • 我们有时间研究对齐问题

2. 需要国际合作

   • 不能由单一国家或公司决定
   • 需要全球性的安全标准

3. 需要更多研究投入

   • 目前对齐研究投入远低于能力提升投入
   • 应该至少 1:1 匹配

"我希望在 AGI 出现之前，看到国际协调机制建立，"他说。

6.4 SynthID：水印技术与可追溯性

SynthID 是 DeepMind 开发的 AI 内容水印技术。

工作原理：

1. 嵌入阶段

   • AI 生成内容时，在像素/音频波形中嵌入微小扰动
   • 人眼/人耳无法察觉
   • 但专用检测器可以识别

2. 检测阶段

   • 平台或用户可以上传内容进行检测
   • 检测器返回"是/否 AI 生成"
   • 可以追溯生成模型和生成时间

优势：

• 难以移除（嵌入在内容底层）
• 即使截图/录屏仍然有效
• 不影響内容质量

局限：

• 只能检测使用 SynthID 的内容
• 开源模型可能不使用
• 检测需要专门工具

"我认为这应该成为行业标准，"哈萨比斯说，“就像食品标签一样，人们有权知道内容是不是 AI 生成的。”

6.5 国际协调的必要性

AI 的风险是全球性的。

• 深度伪造可以跨境传播
• AGI 失控会影响所有国家
• AI 军备竞赛可能导致危险决策

"没有一个国家能单独解决这些问题，"哈萨比斯说。

他提议：

1. AI 安全研究所网络

• 各国建立自己的 AI 安全研究所
• 共享测试结果和风险评估
• 类似国际原子能机构（IAEA）

2. 实验室间沟通渠道

• 主要 AI 实验室建立热线
• 在关键节点（如 AGI 出现）时沟通
• 避免误判和竞赛升级

3. 全球安全标准

• 统一的安全测试基准
• 统一的发布前评估
• 统一的应急响应机制

"这可能听起来理想主义，"哈萨比斯承认，“但核武器、生化武器都有国际管控机制。AI 也应该有。”

---

第七章

智能的本质

7.1 大脑是图灵机吗？

这是 AI 领域最深的问题之一。

图灵机是艾伦·图灵在 1936 年提出的计算模型。简单说：

• 一条无限长的纸带，上面可以写符号
• 一个读写头，可以读取/修改符号
• 一套规则，决定读写头做什么

图灵证明：任何可计算的问题，图灵机都能计算。

现代电脑本质上都是图灵机。

问题：人脑呢？

观点 A：大脑是图灵机

• 主流科学观点
• 神经活动可以用计算描述
• 没有发现非计算的过程
• 如果正确，AI 最终能模仿人脑的一切

观点 B：大脑有量子效应

• 罗杰·彭罗斯等物理学家主张
• 意识可能涉及量子过程
• 量子过程不可被经典计算模拟
• 如果正确，AI 可能有根本性限制

哈萨比斯的立场：

"我认为大脑很可能是图灵机，"他说，“神经科学找了很久，还没有发现量子效应的证据。”

但他保持开放：

“这不意味着不存在。只是到目前为止，没有发现。”

7.2 量子效应：目前没有证据

罗杰·彭罗斯是哈萨比斯的朋友，也是他尊敬的物理学家。

彭罗斯认为：

• 意识涉及微管中的量子过程
• 这种过程不可计算
• AI 永远无法真正"理解"

哈萨比斯回应：

“我和彭罗斯有过很多讨论。他的观点很有吸引力，但证据不足。”

问题在于：

量子效应在温暖、潮湿的大脑中很难维持。

量子态非常脆弱，需要：

• 极低温（接近绝对零度）
• 高度隔离
• 精确控制

大脑的环境：

• 37 摄氏度
• 充满液体
• 高度嘈杂

"在这样的环境中维持量子态，非常困难，"哈萨比斯说。

但这不是定论。

“科学应该保持开放。如果有一天发现了大脑中的量子效应，我会很高兴接受。”

7.3 人类的特殊性在哪里？

如果 AI 最终能做人脑能做的一切，人类还特殊吗？

哈萨比斯认为，这个问题本身可能有误区。

"特殊性不是零和游戏，"他说，“AI 能做到人类做的事，不意味着人类就不特殊了。”

他认为人类的特殊之处可能在于：

1. 人与人之间的连接

• 共同经历创造的意义
• 爱、友谊、信任
• 这些可能无法被机器复制

2. 生物体验

• 饥饿、疼痛、愉悦
• 身体感受塑造了我们的认知
• AI 没有身体，可能永远缺少这一层

3. 有限性的意义

• 人类知道生命有限
• 这赋予了我们选择的意义
• AI 可能没有这种体验

"我不担心 AI 会让人类变得不特殊，"他说，“我更关心如何用 AI 增强人类的潜力。”

7.4 意识的难题

意识可能是科学最大的未解之谜。

什么是意识？

• 主观体验（“感到疼痛” vs “检测到伤害信号”）
• 自我觉知（“我知道我在思考”）
• 统一性（多个感官输入整合为单一体验）

科学能解释吗？

乐观派：

• 意识是复杂计算的涌现属性
• 当系统足够复杂，意识自然出现
• AI 达到一定程度会有意识

怀疑派：

• 意识可能涉及非计算过程
• 即使 AI 表现得像有意识，也不代表真的有
• “困难问题”（David Chalmers）可能无解

哈萨比斯的立场：

“我认为意识是科学 frontier，我们还没有好的理论。”

他认为 AI 的发展反而可能帮助理解意识：

“通过建造智能系统，我们会更好地理解人脑。就像通过建造飞机，我们更好地理解了鸟。”

7.5 AI 能否理解"现实的自然"？

访谈中，哈萨比斯提到了他的终极目标：

“使用 AI 作为工具，帮助我们理解现实的本质。”

什么是"现实的本质"？

他列举了一些大问题：

时间是什么？

• 我们知道如何测量时间
• 但我们不知道时间"是什么"
• 为什么时间有方向（熵增）？

意识的本质是什么？

• 为什么物质能产生主观体验？
• 体验是大脑的副产品，还是基本的存在？

宇宙为什么存在？

• 为什么有东西而不是什么都没有？
• 物理定律为什么是这样的？

"当我年轻时读这些科学书，我很沮丧，"哈萨比斯回忆，“费曼、霍金这些人发现了这么多，但我们仍然不知道这么多基本问题。”

AI 能帮助吗？

"我认为可以，"他说，“AI 能处理海量数据，发现人类看不到的模式。它可能帮助我们理解这些大问题。”

但他也承认：

“这可能永远没有答案。但追问本身就是意义。”

---

第八章

终极愿景

8.1 清洁能源：核聚变与室温超导

哈萨比斯认为，能源问题是人类面临的最关键问题之一。

现状：

• 化石燃料有限，且造成气候变化
• 可再生能源（太阳能、风能）不稳定
• 核裂变电站有安全和废料问题

两个潜在解决方案：

1. 核聚变

• 模仿太阳的能量产生方式
• 燃料丰富（海水中提取）
• 无长期放射性废料
• 但控制等离子体极其困难

AI 的作用：

• 优化磁场设计
• 预测等离子体行为
• 实时调整反应堆参数

"DeepMind 已经和瑞士聚变实验室合作，用 AI 控制等离子体，"哈萨比斯说。

2. 室温超导

• 超导材料可以无损耗传输电力
• 现有材料需要接近绝对零度
• 室温超导将彻底改变能源网络

AI 的作用：

• 预测新材料的性质
• 发现人类未知的超导化合物
• 优化材料合成路径

"我认为这两个问题都有可能在 10-20 年内解决，"哈萨比斯说。

一旦解决：

• 能源几乎免费
• 气候变化问题大幅缓解
• 太空探索成本大幅下降

"这是人类成为多行星物种的前提，"他说。

8.2 治愈所有疾病：AI 助力的医疗革命

医疗是哈萨比斯最关心的领域。

现状：

• 癌症仍然是主要杀手
• 阿尔茨海默病没有有效治疗
• 罕见病几乎没有药物研发动力

AI 能带来的改变：

1. 靶点发现加速

• AI 分析基因组、蛋白质组、临床数据
• 发现疾病相关的新靶点
• 时间从数年缩短到数月

2. 药物设计优化

• AI 设计更有效的化合物
• 预测副作用，提前筛选
• 减少临床试验失败率

3. 个性化医疗

• 根据基因型选择最佳治疗
• AI 预测个体对药物的反应
• 减少"试错"式治疗

4. 早期诊断

• AI 分析医学影像
• 发现人类医生看不到的早期信号
• 癌症等疾病可更早干预

"我认为 50 年内，大多数疾病都可以治愈或有效控制，"哈萨比斯说。

这意味着：

• 人类平均寿命显著延长
• 健康寿命（无病生活的时间）同步延长
• "老"的定义被重新书写

8.3 星际旅行：能源突破后的可能性

有了清洁能源，人类才能真正走向太空。

现状：

• 火箭发射成本极高
• 主要成本是燃料
• 即使 SpaceX 大幅降低成本，仍然昂贵

能源突破后的场景：

1. 太空电梯

• 需要超强材料（碳纳米管等）
• AI 可以帮助设计新材料
• 一旦建成，运输成本下降 100 倍

2. 核聚变推进

• 聚变发动机可以持续加速
• 几个月到达火星，而非数年
• 可以探索外太阳系

3. 自复制探测器

• AI 设计自复制机器
• 发送到其他恒星系统
• 利用当地资源复制自己
• 指数级扩张探索范围

"埃隆·马斯克做了很棒的工作，"哈萨比斯说，“但即使 SpaceX，主要成本仍然是燃料。一旦能源问题解决，太空探索会真正起飞。”

8.4 把意识带到宇宙各处

哈萨比斯的愿景不只是科学和技术。

他有更深层的目标：

“把意识带到宇宙各处。”

这是什么意思？

"宇宙大部分是无意识的物质，"他解释，“恒星、行星、气体——它们存在，但它们’不知道’自己存在。”

“意识是宇宙了解自己的方式。”

所以：

• 把人类（或 AI）送到其他星系
• 在那里建立文明
• 让宇宙的那些部分"活过来"

"这听起来很科幻，"他承认，“但我认为这是有意义的目标。”

这需要：

• 能源问题解决
• 生命科学突破
• AI 与人类协作
• 几代人的努力

"但我认为 50 年内，这可能是现实的，"他说。

8.5 墓志铭：“他的一生是对人类有益的”

访谈的最后，主持人问：

“在你的葬礼上，你希望人们怎么记住你？”

哈萨比斯回答：

“我希望他们会说：他的一生是对人类有益的。”

简单，但深刻。

没有提到：

• 诺贝尔奖
• AlphaFold
• 击败李世石
• 创立 DeepMind

只是：对人类有益。

然后主持人分享了自己的愿望：

“我希望人们记住我时说：他帮助其他人看到乐观的未来，让他们能参与实现这些未来。”

这也是这本书的目的。

乐观不是盲目相信一切会变好。

乐观是相信：通过我们的行动，未来可以变好。

哈萨比斯用他的一生证明了这一点：

• 从国际象棋神童到 AI 先驱
• 从 AlphaGo 到 AlphaFold
• 从游戏到药物研发
• 每一步都在扩展人类的能力边界

现在轮到你了。

用 AI 工具增强自己。
找到你能解决的问题。
参与创造那个乐观的未来。

因为未来不是凭空而来的。

它是全人类的想象和愿力共同创造的。

---

后记

如何参与这个未来

在访谈的最后，主持人问哈萨比斯：

“在你的葬礼上，你希望人们怎么记住你？”

他的回答简单而深刻：

“我希望他们会说：他的一生是对人类有益的。”

这不是一个宏大叙事式的回答。没有提到诺贝尔奖，没有提到 AlphaFold，没有提到 AI 革命。

只是：对人类有益。

然后主持人分享了他自己的愿望：

“我希望人们记住我时说：他帮助其他人看到乐观的未来，以便他们能参与实现这些未来。”

这也是这本书的目的。

我们生活在一个充满不确定性的时代。气候变化、地缘政治、经济波动、技术颠覆——每天都有新的危机和焦虑。

但 AI 时代也是一个充满机会的时代。

普通人如何参与？

哈萨比斯的建议很直接：

1. 深度使用每个 AI 工具

   • 不是浅尝辄止，而是让它成为你的"第二大脑"
   • 理解它能做什么，不能做什么
   • 把它融入你的工作流

2. 找到你的应用场景

   • 顶级实验室的工具正在"能力溢出"
   • 你能想到的应用，可能研究人员还没想到
   • 在"无人注意的角落"，机会最大

3. 成为超级个体

   • 一个人可以是一支团队
   • AI 让你能做多个人的工作
   • 但要专注于真实需求，而非空想

4. 保持批判性思维

   • 不是所有 AI 宣传都是真的
   • 理解技术的局限性
   • 做乐观的现实主义者

未来不是被动等待的，它是被创造的。

哈萨比斯和他的团队用 AlphaFold 证明了这一点。他们用 2 亿个蛋白质结构告诉世界：

科学进步可以加速，知识应该共享，技术应该服务于人类。

现在轮到你了。

用这本书里的见解，武装自己。

然后，去参与创造那个乐观的未来。

---

附录

关键术语解释

术语	解释
AlphaFold	DeepMind 开发的 AI 蛋白质结构预测系统
AlphaGo	第一个击败人类围棋世界冠军的 AI 系统
AlphaZero	从零开始学习，无需人类知识的通用游戏 AI
AGI	通用人工智能，能像人类一样执行任何智力任务
CRISPR	基因编辑技术，可精确修改 DNA 序列
蛋白质折叠	蛋白质从氨基酸链折叠成 3D 结构的过程
临床试验	药物在人体测试安全性和有效性的研究阶段

延伸阅读

1. 哈萨比斯传记：Demis Hassabis: The Quest for Artificial General Intelligence
2. AlphaFold 论文：Nature 2020, 2021, 2022
3. AlphaGo 纪录片：AlphaGo (2017)
4. AI 安全：The Alignment Problem by Brian Christian
5. 科学方法：The Beginning of Infinity by David Deutsch

---

本书基于 Demis Hassabis 公开访谈整理，经信息核实与交叉引用。所有引用内容均来自公开来源。

第一版 2026 年 4 月