當AI開始「理解」而非「猜測」：Demis Hassabis 揭露AGI的最後拼圖，以及為何科學界將迎來「黃金十年」

你曾經想過，一個能打敗世界棋王的AI，和一個能預測蛋白質結構、拯救生命的AI，本質上用的是同一套「思考」邏輯嗎？這不是巧合，而是一個更大佈局的冰山一角。

DeepMind 的創辦人 Demis Hassabis 近期在 Y Combinator 的訪談中，丟出了一顆震撼彈：我們正在見證的，不只是 AI 模型的迭代，而是通往「通用人工智慧」（AGI）的最後衝刺。他直言，未來的十年，將是人類科學史上最輝煌的「黃金時代」。

但等等，這聽起來很像矽谷常見的樂觀過頭宣言，對吧？這次不一樣。Hassabis 不是畫大餅的創業家，他是那個把 AI 從「遊戲玩家」變成「科學家」的人。這篇文章將帶你拆解他訪談中的 7 個核心觀點，從 AI 的「意識」騙局，到 AGI 的真正定義，再到我們該如何準備迎接這個即將顛覆一切的時代。

1. 別再問「AI有沒有意識」：這是一個糟糕的問題

每當有新的 AI 模型問世，社群上總會爆發一場哲學大戰：「GPT-5 有自我意識了嗎？」「AI 是否感覺到了痛苦？」

Hassabis 毫不留情地給了這個問題一記重拳。他認為，討論 AI 的「意識」或「情感」完全是個誤導。為什麼？因為我們根本連人類的「意識」是什麼都還沒搞懂。

「我們連人類意識的物理基礎都還沒弄清楚，就急著去評判 AI 有沒有意識，這本末倒置了。」

他的觀點很務實：我們應該專注於 AI 的「能力」和「行為」——它能解決什麼問題？它能否在未知領域做出可靠的推論？而不是糾結於它「感覺」起來像不像人。

這為什麼重要？ 如果你把「意識」當作評判 AI 的標準，你就會陷入無止境的哲學泥沼。但如果你把焦點放在「能力」，你會發現：我們已經在許多領域（如圍棋、蛋白質預測）擁有了超越人類的 AI。Hassabis 暗示，真正的 AGI 不需要「有意識」，它只需要具備「通用學習能力」——這是一個工程問題，不是一個玄學問題。

2. AGI 的定義被搞錯了：不是「像人」，而是「能解決一切」

Hassabis 提出了他對 AGI 的獨特定義，這個定義可能會讓很多人不舒服。他認為，AGI 不應該是「像人類一樣思考的機器」，而應該是「能夠在任何認知任務上達到或超越人類水準的系統」。

這聽起來像文字遊戲，但區別是巨大的。

狹義 AI（ANI）：只會做一件事，例如 AlphaGo 只會下棋，Midjourney 只會畫圖。
通用 AI（AGI）：具備「跨領域轉移學習」的能力。它能將在一個領域（如遊戲）學到的策略，應用在另一個完全不同的領域（如科學研究）。

Hassabis 舉了一個例子：AlphaGo 的強化學習技術，後來被用在 AlphaFold 上，去解決蛋白質折疊問題。這不是巧合，而是 DeepMind 從第一天就在鋪設的基礎。

數據佐證：

AlphaGo 在 2016 年擊敗李世石。
AlphaFold 在 2020 年解決了困擾生物學界 50 年的蛋白質折疊問題。
這兩者背後的底層演算法（強化學習 + 蒙地卡羅樹搜索）是相通的。

所以，當人們問「AGI 何時到來？」時，Hassabis 的回答是：「它正在來的路上，而且比你想像的更接近。」他預測，在未來 10 年內，我們將看到第一個具備「通用學習能力」的系統誕生。

3. 為什麼科學家比工程師更需要 AI？因為「時間」是最大的敵人

Hassabis 在訪談中透露了一個令人深思的觀察：人類科學的進步正在減速。不是因為我們變笨了，而是因為問題變得越來越複雜。

愛因斯坦的時代：一個人可以在腦中完成相對論的推導。
今天的時代：要驗證一個物理假說，可能需要建造一座造價數十億美元的粒子對撞機，並花費數十年分析數據。

科學家正面臨「數據爆炸」與「理論枯竭」的矛盾。我們有能力收集海量數據（如基因組、天文觀測），但缺乏將這些數據轉化為洞察的工具。

AI 的切入點： Hassabis 認為，AI 不是要取代科學家，而是要成為科學家的「協作夥伴」。具體來說，AI 可以做三件事：

加速實驗設計：AI 可以模擬數百萬種化學反應，只選出最有希望的幾種進行真實實驗，節省數年時間。
發現隱藏模式：人類大腦只能處理二維或三維的相關性，而 AI 可以在高維空間中找出人類無法察覺的因果關係。
自動化文獻閱讀：科學家每年要讀數千篇論文，AI 可以幫他們篩選、總結，甚至將不同領域的知識連結起來。

案例：AlphaFold 的影響 AlphaFold 已經預測了超過 2 億種蛋白質結構，這相當於人類科學家花費數百年才能完成的工作。現在，任何研究寄生蟲、癌症或抗生素的科學家，都可以免費使用這個資料庫。

「我認為，AI 將是我們發明『發明的方法』的工具。」

4. 強化學習的「終極形態」：從遊戲到現實世界

如果你聽過 Hassabis 的演講，你一定會聽到他反覆強調一個詞：強化學習（Reinforcement Learning, RL）。這不是巧合。他認為，RL 是通往 AGI 的最短路徑。

什麼是強化學習？ 簡單來說，就是讓 AI 透過「嘗試與錯誤」來學習。它像一個嬰兒，透過不斷探索環境，發現哪些行為會得到「獎勵」（獎勵函數），哪些會得到「懲罰」。

在遊戲中：獎勵是贏得比賽、獲得高分。
在科學中：獎勵是找到一個更穩定的分子結構、預測出一個更準確的天氣模型。

但 RL 有個致命的缺點：它在模擬環境中表現極佳，一旦進入真實世界，就會因為「環境不穩定」和「獎勵稀疏」而崩潰。

Hassabis 的解決方案： DeepMind 正在開發一種名為「世界模型」的技術。這個模型不只是學習如何解決問題，它還學習「世界如何運作」。這就像一個棋手下棋，他不只知道下一步該走哪，他還知道對手的心理、棋盤的局勢和未來的發展。

未來的應用場景：

機器人：不再需要人類寫程式碼控制每一個關節，而是讓機器人透過 RL 在虛擬環境中學會走路、抓取物體，然後將技能轉移到真實世界。
能源：AI 可以學習如何更有效地管理電網，預測太陽能和風能的波動，並自動調整發電量。
材料科學：AI 可以發明新的超導體或更輕、更強的材料。

Hassabis 認為，一旦我們掌握了「世界模型」，AGI 就不再是遙不可及的夢想。

5. 從「模仿」到「創造」：AI 如何突破數據的邊界

目前的大型語言模型（LLM）本質上是「預測下一個詞」的機器。它們非常擅長模仿人類的語言模式，但 Hassabis 認為，這不是真正的智能。

「僅僅透過預測文字，你永遠無法達到真正的理解。」

真正的智能，需要具備「因果推理」和「反事實思考」的能力。也就是說，AI 必須能夠回答「如果...會怎樣？」的問題。

DeepMind 的差異化策略：

LLM 路線：OpenAI 和 Google 專注於擴大模型規模、餵養更多數據。這條路線的瓶頸是數據稀缺和算力成本。
DeepMind 路線：Hassabis 的策略是將 LLM 與 RL 結合。讓 AI 不只是被動地學習文字，而是主動地「探索」環境，並從中學習因果關係。

舉例說明：

GPT-4 可以寫出一篇完美的關於牛頓運動定律的文章，但它無法設計一個實驗來驗證它。
DeepMind 的系統（如 AlphaZero）不僅知道遊戲規則，它還能發現人類從未見過的新策略。

這意味著，DeepMind 的 AI 正在從「數據驅動」走向「推論驅動」。它不再只是抄襲人類的智慧，而是開始創造人類從未想過的新知識。

6. 「科學的黃金時代」：未來十年我們會看到什麼？

Hassabis 在訪談中做了一個大膽的預測：如果我們成功開發出 AGI，那麼接下來的十年，將是人類科學史上最偉大的十年。

為什麼？因為 AGI 將解決三個最大的科學瓶頸：

速度：將數十年的研究壓縮到幾個月。
規模：可以同時探索數百萬個假設。
跨領域：能夠將物理學、生物學、化學和計算機科學的知識連結起來。

他認為最有可能被 AI 顛覆的領域：

領域	當前瓶頸	AI 如何解決	預期成果
藥物發現	開發一種新藥平均需要 10 年、花費 26 億美元。	AI 可以在數天內篩選數十億種分子，預測其藥效和毒性。	個人化癌症疫苗、抗衰老藥物、新型抗生素。
材料科學	發現新材料仰賴直覺和大量實驗。	AI 可以模擬原子間的交互作用，設計出具有特定屬性的新材料。	室溫超導體、更高效的太陽能電池、可生物分解塑膠。
氣候變遷	氣候模型過於簡化，無法預測極端天氣。	AI 可以處理衛星和感測器的巨量數據，建立更精準的模型。	更準確的災害預警、碳捕獲技術的突破。
數學	許多數學猜想無法被證明。	AI 可以探索人類數學家從未想過的證明路徑，或發現全新的數學結構。	解決黎曼猜想、P vs NP 問題。

7. 風險與責任：我們如何確保 AI 不會反噬？

最後，Hassabis 也談到了 AI 的黑暗面。他非常清楚，AGI 是一把雙面刃。如果管理不當，它可能導致大規模失業、社會不平等，甚至被用於開發自主武器。

他的核心觀點：

安全研究必須與能力發展同步：DeepMind 內部有一個專門的「AI 安全」團隊，他們的研究方向是「如何讓 AI 的行為與人類價值觀對齊」。
開源 vs 封閉：Hassabis 傾向於審慎的開源。他認為，核心的 AGI 模型不應該被完全公開，因為它太容易被濫用。但他支持開放 API，讓研究人員和開發者可以安全地使用。
監管框架：他呼籲各國政府建立類似「FDA 審查新藥」的機制來審查 AI 模型。任何可能對社會造成重大影響的模型，都必須經過嚴格的測試才能發布。

「我們只有一次機會把事情做對。我們不能等到 AGI 出現後才開始思考如何控制它。」

結論：準備好迎接「後科學時代」

Demis Hassabis 的訪談，就像是一份來自未來的說明書。它告訴我們，AGI 不是科幻小說，而是一個正在被解決的工程問題。

對於科技愛好者來說，現在需要關注的不再是「AI 會不會取代我的工作？」，而是「我該如何利用 AI 擴展我的能力？」

你應該關注的趨勢：

強化學習的應用：特別是結合了「世界模型」的 RL，將是下一個爆發點。
科學計算領域：如果 AlphaFold 是第一個預告，那麼下一個顛覆科學的 AI 隨時會出現。
AI 安全：這將是一個巨大的新興產業，就像 20 年前的網路安全一樣。

最後，留給你一個值得深思的問題：

如果 AI 能夠在未來十年內，為人類帶來愛因斯坦窮盡一生都無法完成的科學突破，那麼我們現在的教育體系、職業規劃和社會結構，是否還停留在一個即將被淘汰的時代？

我們不是在見證歷史，我們正在親手書寫它。而 Hassabis 的 DeepMind，顯然是握著那支筆的人之一。