Demis Hassabis，DeepMind 创始人兼 Google DeepMind 首席执行官。1976 年出生于英国伦敦，4 岁下国际象棋，8 岁自学编程，13 岁进入英国少年队 Master 级别阵容，17 岁入剑桥大学计算机科学专业。本科毕业后在 Bullfrog Productions 担任游戏设计师，主导《Theme Park》（1994）的早期设计；之后回学术界，在伦敦大学学院（UCL）取得认知神经科学博士学位。2010 年与 Shane Legg、Mustafa Suleyman 共同创立 DeepMind，2014 年被 Google 以约 5 亿美元收购，2024 年因蛋白质结构预测贡献获诺贝尔化学奖。
核心观点
一、AGI 不是更大，而是更深——理解才是终极能力。Hassabis 在 Lex Fridman 第 471 期对谈中反复强调，真正的智能不是预测下一个 token，而是对世界形成可被推理、可被迁移、可被检验的内部模型。AlphaFold 之所以解决了困扰生物学界 50 年的蛋白质折叠问题，恰恰因为它把序列当成「要理解的对象」而不是「要记忆的输入」。
二、诺贝尔化学奖证明，AI for Science 比大模型本身更值得押注。2024 年 10 月瑞典皇家科学院把化学奖颁给 Baker、Hassabis 与 Jumper，颁奖词第一次写下「计算蛋白质设计」——这是 AI 第一次拿到纯理科诺贝尔奖。AlphaFold 3 把预测对象从蛋白质扩展到小分子、DNA、RNA，论文 2024 年 5 月发表于《Nature》。
三、多模态与具身智能是 AGI 必经的「具身性」关口。Hassabis 多次表示 AGI 不是产品，是研究纲领；2024 年 12 月 DeepMind 推出 Gemini Robotics，把 Gemini 模型放进 ALOHA 2 双臂机器人中操作从未见过的物体——这是把多模态从「屏幕里的能力」推到「物理世界的能力」的关键一步。
四、DeepMind 的组织架构是「基础研究 + 应用研究」双轮驱动，但 Google 的资源整合是双刃剑。2023 年 4 月 Google Brain 与 DeepMind 合并为 Google DeepMind，由 Hassabis 统一领导，但保留了 Alphabet 内部的相对独立性；这种结构让 Gemini 既能调用 TPU 算力，又能享受学术文化，但代价是与 Anthropic、OpenAI 的「产品节奏」存在结构性落后。
五、未来 10 年的核心赌注是「能把科学发现加速 10 倍」的 AI 系统。在 2024 年 12 月获奖后的访谈中，Hassabis 明确提出目标：把材料科学、能源、药物研发三个领域的科学发现节奏提升一个数量级——「如果 AI 仅仅只是让研究变快 10%，那它只是一个工具；如果它能带来 10 倍加速，那它就是科学革命」。
一、4 岁到 17 岁：被棋盘和键盘塑造的大脑
Demis Hassabis 的童年几乎是为 AGI 量身定制的实验样本。4 岁下国际象棋，8 岁自学 BASIC，10 岁在 Atari 8-bit 电脑上写出第一个国际象棋程序，13 岁以全英格兰第 2 名进入英国少年队 Master 级别阵容。
17 岁入剑桥大学计算机科学专业，本科论文方向是经典人工智能——把博弈树搜索与神经网络结合。这与 90 年代主流 AI 学界对神经网络的悲观看法形成鲜明对比：Hassabis 在剑桥就把「人脑工作方式 + 计算机算力」当作信条。
这段经历直接影响了他后来对 DeepMind AGI 路线的判定：理解 > 记忆、推理 > 拟合、长期主义 > 工程迭代。
二、从游戏设计师到认知神经科学博士：跨界是 AGI 创始人的共同基因
剑桥毕业后，Hassabis 没直接读博，而是在 Bullfrog Productions 担任游戏设计师，主导了 Peter Molyneux 旗下《Theme Park》（1994）的早期设计。这段经历让他第一次体验到「不完整的智能模型」如何被困在工程任务里——模拟经营游戏里 NPC 行为薄弱，本质就是没有世界模型。
之后他回到学术界，在 UCL 取得认知神经科学博士，研究方向是海马体在记忆与想象中的作用。这段学术训练让他的 AGI 路线和当时主流的统计学习学派划清了界限：他认为人类智能的核心是「持续学习」与「对未来的想象」，而监督学习的 loss function 显然装不下这两个目标。
在 UCL 期间他在顶刊发表多篇关于想象与计划（imagination-based planning）的论文，包括 2007 年的「Patients with hippocampal amnesia cannot imagine new experiences」——这是临床证据里第一次直接证明海马体不仅管过去，也管未来。这一点成了后来 AlphaZero 底盘的认知基础。
三、AlphaGo、AlphaFold、AlphaProof：三个台阶的真正顺序
DeepMind 2010 年成立、2014 年被 Google 收购，2015 年《Nature》发布 DQN 论文让 Atari 玩家惊讶，2016 年 AlphaGo 在首尔 4:1 击败李世石——这是 AGI 在公众语境里第一次具象化。但 Hassabis 在那次比赛后的公开访谈里反复说：「AlphaGo 解决的只是 AGI 的一个子问题，不是 AGI」。
第三个台阶才是关键：2020 年 AlphaFold 2 在 CASP14 蛋白质结构预测竞赛上达到接近实验级的准确率，2021 年《Nature》论文公开；2024 年 AlphaFold 3 扩展到蛋白质-小分子-DNA-RNA 复合物预测，论文与代码同年 5 月公开。这意味着 AlphaFold 第一次具备「参与新药设计」的能力。
而 2024 年 12 月 Hassabis 获得诺贝尔化学奖，等于学术界正式承认了「AI for Science 是一个独立学科分支」——这比单纯的资本估值更深远，因为它意味着材料、能源、医药领域的研究范式，开始系统性地把深度学习纳入主流方法栈。
四、Gemini Robotics 与具身智能：屏幕里的 AI 走入物理世界
2024 年 12 月 Hassabis 在诺贝尔颁奖典礼前夕，宣布 DeepMind 与 Google DeepMind Robotics 团队联合推出 Gemini Robotics——把 Gemini 2.0 接入 ALOHA 2 双臂机器人平台，模型在零样本下执行「把香蕉放进碗里」「把积木叠成塔」等从未训练过的精细操作任务。
Genie 2 同期发布，它能从单张图片生成可交互的 3D 世界，帧率 24fps，分辨率 1080p，论文与代码部分开源——这意味着 DeepMind 正在系统攻克「具身世界模型」这个制约所有机器人学派的瓶颈：传统 RL 缺少泛化，传统 CV 缺少物理，传统 LLM 缺少与物理世界的闭环反馈。
在这个范式里，大模型不是终点，而是「世界模型的压缩代理」——Gemini Robotics 的训练目标不是模仿人类动作，而是让模型在内部先构建一个物理世界，再通过想象和规划去行动。
五、AGI 路线 vs 产品路线：DeepMind 与 OpenAI 的根本分歧
Hassabis 与 Sam Altman 在 AGI 路线上有结构性的根本分歧。OpenAI 把「GPT 路线」走到尽头，用规模 + RLHF 推动对齐，把大模型做成 ChatGPT 这种全民产品；DeepMind 则把「研究路线」放在第一位，让 AGI 研究纲领本身决定产品节奏。这一分歧在 2023 年 Google Brain 与 DeepMind 合并后被进一步放大。
合并后的 Google DeepMind 是 Alphabet 内部最矛盾的一个部门：它既要服从 Google Cloud 的 GPU 调度，又要遵守 Alphabet X 的 moonshot 标准，还要在产品层面和 Gemini 团队争夺路线权。
Hassabis 在 2024 年接受《Financial Times》专访时承认这种张力：「内部最大挑战不是技术，是优先级判定——是先把 Gemini 做得更通用，还是先让 AlphaFold 4 进入医院？」。这个两难在 2025 年大概率会以「拆出独立产品团队」或「OpenAI 化的开源策略」两种方式之一得到解答。
六、Demis Hassabis 的底层判断：未来 10 年押注「科学发现加速」
Hassabis 的 AGI 哲学一句话概括：智能的最高形态不是回答问题，而是提出好的假设。 在 2024 年诺贝尔奖演讲中他明确说：「AlphaFold 真正的意义不是预测蛋白质结构，是让科学家能在 1 天内测试过去需要 1 年的假设；这是科学发现范式的跃迁。」
把这段话推到极致，Hassabis 押注的 AGI 图景是「AI-driven discovery」——人类科学家不再是研究流程的主体，AI 系统通过生成假设、设计实验、分析结果、迭代改进，把发现周期压缩 10 倍以上。
如果这个图景兑现，到 2034 年我们会看到：第一种 AI 自主设计的抗癌药物进入临床；第一种 AI 自主发现的新型电池材料被产业化；第一种 AI 自主完成的物理实验在实验室里跑通。DeepMind 的未来 10 年赌注，本质上就是把 AGI 从「更好用的搜索引擎」推到「更好用的科学工具」——这是 Hassabis 与同代 AI 从业者最大不同之处。
