生命科学的范式革命：从AlphaFold到端到端药物研发

蛋白质折叠是困扰科学界50年的难题。哈萨比斯认为，AI解决这一问题的价值在于重构药物研发与生命科学。在AlphaFold上线后的关键决策中，DeepMind并未选择传统的“按需计算”模式，而是决定利用算力预先计算并免费开放自然界已知的约2亿种蛋白质结构。这一决策通过“用算力换时间”，让结构生物学的发展速度与基因测序技术实现了同步。

AlphaFold的价值已延伸至植物科学（培育抗气候变化作物）及被忽视的疾病研究。然而，哈萨比斯强调AlphaFold只是药物发现链条的起点。为了补齐化学设计环节，DeepMind成立了Isomorphic Labs，通过AI生成候选化合物并精准预测结合强度与毒性，打造端到端的全自动流水线。这旨在打破传统药物研发平均周期长达10年、临床成功率仅10%的瓶颈。

从博弈进化到科学发现：AlphaZero的逻辑延伸

AlphaGo的成功证明了AI可以从经验中自主学习并产生超越人类的创造性洞见。与依靠人类规则的专家系统（如IBM深蓝）不同，AlphaZero实现了“零先验知识”的进化，仅通过规则进行自我博弈，在围棋、国际象棋等任务中展现出极高的泛化能力。

这种“自我博弈+强化学习”的思路正被扩展至硬核科学领域：AlphaTensor通过优化矩阵乘法算法提升神经网络底层运算效率；AlphaChip在芯片布线等NP难问题上的表现已超越顶级设计师。DeepMind的目标是将这套逻辑应用于材料设计、量子计算等真实世界的科学问题，构建基于世界模型的通用智能体系。

理想与现实的博弈：AGI的加速路径与风险分级

哈萨比斯坦言，当前AI的发展节奏并非其理想路径。他理想中的AGI路径应遵循CERN式的全球协作与严格的科学验证，甚至愿意在实验室里多沉淀十年。但现实中，商业压力、地缘竞争和Transformer架构的爆发，迫使行业进入高速迭代轨道。

针对AI风险，哈萨比斯提出了清晰的分级判断： 1. 第一类（最紧迫的中期风险）：AI被恶意滥用。如利用AI进行网络攻击或漏洞挖掘，这是未来2-4年必须优先解决的核心问题。 2. 第二类（核心中期风险）：AI系统自主脱轨。随着AI进入智能体（agentic）时代，如何确保超强自主系统严格遵循人类目标是极大的技术挑战。 3. 第三类（被高估的短期风险）：深度伪造与虚假信息。虽然是现实问题，但相对于AGI层面的系统性风险，其优先级相对较低。

后AGI时代的愿景：人类文明的指数级跃迁

哈萨比斯大胆预判，后AGI（post-AGI）场景可能在50年内成为现实。其核心逻辑是人类安全度过AGI落地关键期后，利用AI集中攻克科学根节点问题。例如，通过突破可控核聚变和室温超导体，人类将获得近乎免费的清洁能源，进而解锁星际旅行、大规模海水淡化及小行星采矿等文明进程。

对于普通人，哈萨比斯建议不要恐惧，而是要把自己浸入每一种可用的AI工具里，让自己变成一个“超能力者”。随着AI能力的悬置（overhang）越来越大，精通工具并进行跨界创新的人将迎来指数级增长的机会。