我們可能用一個聊天機器人，換掉了治愈癌癥的機會。

這并非陰謀論，而是哈薩比斯（Demis Hassabis）的原話邏輯。

這位諾貝爾獎得主、Google DeepMind的CEO、AlphaFold的創(chuàng)造者，在被問到ChatGPT發(fā)布那一刻時，給出了一個幾乎可以稱得上“反行業(yè)共識”的回答：

“如果讓我來決定的話，我會讓AI在實驗室里待得更久一些，做更多AlphaFold這樣的事情——也許能治愈癌癥之類的。”

但現實是，像ChatGPT這樣的產品爆發(fā)，讓整個AI行業(yè)都陷入了高速競爭。

上述內容來自Huge Conversations在2026年4月7日發(fā)布的一次訪談，在這場對話中，哈薩比斯講清楚了四件事：

AI真正改變世界的地方

AI是如何偏離原本路徑的

真正需要被擔心的風險

人類應該怎么應對

下面，是這場對話中最值得關注的幾個部分。

01

AI真正改變世界的地方，我們很難看見

如果不是相關從業(yè)人員，大部分人對AI的印象還停留在聊天機器人、寫作助手、或者生成圖片上。

哈薩比斯在這場訪談里提到了一個很容易被忽略的事實：AI更重要的應用，其實發(fā)生在這些產品之外。

真正重要的變化發(fā)生在另一個離日常生活很遠的層面，在實驗室、在數據庫、在那些大多數人從未接觸過的科學問題之中。

最典型的例子就是AlphaFold。這是哈薩比斯帶領DeepMind做出的一個系統(tǒng)，目標是僅憑一段蛋白質的氨基酸序列，預測出它最終的三維結構。

你可以這么想：蛋白質的結構決定了它在人體中的功能，而功能決定了疾病如何發(fā)生，也決定了藥物如何起作用。

當然實際情況會復雜得多，在這里就不展開解釋了。

過去，科學家想知道一個蛋白質有什么樣的結構，需要花費數年時間，在實驗室里反復嘗試，成本動輒幾十萬美元，甚至更高。

很多蛋白質因為結構過于復雜，想被解析出來簡直難如登天——認真的，不是開玩笑。

但AlphaFold把這件事變成了一次計算問題，輸入一段序列，只需要幾秒鐘就能得到一個高度可靠的三維結構預測。

DeepMind原本可以像行業(yè)里慣常的做法那樣做一個在線服務，科學家提交一個蛋白質序列，系統(tǒng)算一次，返回結果。

但在一次內部會議上，哈薩比斯突然意識到，與其按需計算，不如把自然界中已知的所有蛋白質全部算完。

于是DeepMind在他的帶領下，把大約兩億個蛋白質結構批量計算了出來，免費開放給全世界。

在某種意義上我們可以認為這是一項公益事業(yè)，畢竟這一做法意味著，結構生物學這個領域，突然多了一個隨時可以調用的基礎設施。

哈薩比斯解釋到，今天已經有超過300萬名科學家在使用AlphaFold。對于許多研究者來說，這已經不只是一個“工具”，更像一個默認存在的前提條件。

在藥物研發(fā)中，AlphaFold改變了整個流程的起點：過去的路徑是在實驗室里反復試錯，但現在，大量的試錯被提前搬到了計算機里。

過去，研究者需要先確定一個可能的靶點，再去設計分子，讓它能“貼”在這個蛋白質上。這個過程依賴大量濕實驗：做一個分子，測試一次；如果不對就再改一點，再測一次。

但在AI介入之后，這個邏輯開始發(fā)生變化。

在DeepMind拆分出來的藥物公司Isomorphic Labs中，這一過程被重新組織成了一種“計算優(yōu)先”的模式：AI先在計算機中生成大量候選分子，預測它們與目標蛋白質的結合效果，同時快速檢查這些分子是否會誤傷人體內其他蛋白質，可能帶來什么副作用……

然后，根據這些反饋不斷調整分子結構，進入下一輪搜索。

整個過程變成了一種高頻率的迭代搜索，原本在實驗室里花費大量時間和資源的試錯，被壓縮到了計算機的多輪計算里。

濕實驗并沒有消失，只是被推到了流程的最后一環(huán)：只有少數幾個最有希望的候選分子，才會真正進入實驗驗證。

傳統(tǒng)路徑中一款藥物的研發(fā)周期大約需要10年，成功率只有約10%。而這種以計算為核心的方式，至少在理論上，有機會同時改變這兩個數字。

哈薩比斯自己的判斷是：從現在開始，幾乎所有新藥的研發(fā)過程中，都會或多或少地用到AI。

在他看來，這才是AI最有可能改變世界的方式。不是以任何一個爆款產品的形式出現，也不會在手機界面上反復提醒你它的存在。

它更像是一層被鋪設好的底層系統(tǒng)，一旦建成，就會悄無聲息地改變整個領域的運行方式。

也就是說，如果只看聊天機器人，我們看到的可能只是AI最不重要的一部分。

02

AI正在被“推著跑”

如果順著哈薩比斯自己的設想，AI的發(fā)展路徑本來可以是另一種樣子，更慢一點，也更“科學家”一點。

他在訪談里給出了一個比較罕見的表態(tài)：如果由他來決定，他會讓AI在實驗室里多待10年，甚至20年，像大型科學項目那樣推進。

他給出的參照是CERN（歐洲核子研究中心，世界上最大的粒子物理研究機構），像那樣把全世界最好的科學家組織在一起，一步一步把問題拆清楚，對每一個關鍵環(huán)節(jié)都建立起足夠清晰的理解，而不是在不完全理解的情況下快速往前推進。

在這條路徑上，AI的目標并不是盡快做出產品，而是優(yōu)先解決那些最基礎、最關鍵的科學問題——AlphaFold就是這種思路的典型體現。

在他的設想中，這些“慢而深”的突破，可以在通往AGI（通用人工智能）的過程中，持續(xù)為人類帶來回報。

但現實并不是這樣。

哈薩比斯的解釋很直白：技術的發(fā)展，往往不會按照預期的路徑前進。

其中一個關鍵的轉折點是語言模型的突破，以及ChatGPT帶來的爆發(fā)式傳播。

語言能力比很多人預期的要容易解決得多，像Transformer這樣的架構，加上一些強化學習方法，就足以讓模型在語言、概念和抽象表達上表現出驚人的能力。

ChatGPT最初也只是一個研究實驗，但它一被發(fā)布就迅速變成了一個全球性的產品。

它改變了整個行業(yè)的節(jié)奏，讓AI變成了一場正在發(fā)生的激烈競爭。

大量用戶開始直接接觸到最前沿的AI能力，市場的關注點也隨之發(fā)生了轉移，從實驗室里的長期問題，轉向了可以快速落地的產品形態(tài)。

商業(yè)競爭開始加速，各家公司不得不更頻繁地發(fā)布新模型，模型能力的演進也開始和用戶增長、市場反饋深度綁定在一起。

哈薩比斯并沒有完全否定這種加速，他承認這種發(fā)展方式也帶來了幾個現實的好處：原本可能需要更長時間才能落地的能力，現在可以更早進入現實世界。

今天大多數人使用到的AI，往往只比實驗室內部的版本落后幾個月——這放在以前幾乎是難以想象的。大量的真實使用也帶來了更豐富的數據，畢竟再完善的內部測試，也難以覆蓋數百萬用戶帶來的復雜場景。

但有好處并不意味著路徑是理想的，它更像是一個被現實推動出來的結果。

哈薩比斯的態(tài)度其實很清楚，他是一個科學家，但同時也是一個工程師。我們可以理解為一種理想主義者在現實面前的妥協(xié)：他知道什么是更理想的路徑，但也接受這個世界并不會按照理想運行。

技術的進展在很大程度上是不可預測的，一旦某個方向率先取得突破，它就會迅速吸引資源、資本和注意力。

于是，更容易被產品化的能力被不斷放大，原本可能優(yōu)先推進的科學問題，則被暫時放在了后面。

從這個角度看，今天的AI并不是沿著“最有價值”的方向在前進，而是在多種力量的推動下，走上了一條更快、也更不確定的路徑。

03

真正的風險不是deepfake，是兩件更大的事

關于AI的討論，大多數焦點都集中在一類問題上：deepfake、虛假信息、內容失真。

注意，這里是對于大部分人而言，不是從業(yè)者，是任何一個使用AI的普通人。

deepfake確實是問題，但在哈薩比斯看來，它并不是最值得擔心的那一類。

他在訪談中給出了一個非常明確的排序：

第一類是“人”的問題。小到個人，大到國家，會不會把這些原本用于科學研究、醫(yī)療和基礎設施的技術，用在有害的方向上。

這種風險并不新，但AI讓它的規(guī)模和效率發(fā)生了變化。一個原本只在小范圍內產生影響的能力，一旦被放大，就可能帶來完全不同級別的后果。

第二類是AI本身的問題。準確地說，是隨著AI從“工具”變成能夠獨立完成任務的系統(tǒng)，這種變化所帶來的不確定性。

哈薩比斯提到，今天的系統(tǒng)還不具備這種能力，但在未來幾年內，隨著AI進入所謂的“agentic”階段（也就是能夠自主執(zhí)行完整任務的階段），問題會變得更加嚴峻。

關鍵并不在它是否足夠智能，在于我們是否能夠確保它始終按照既定目標行事，不會繞過規(guī)則，也不會在執(zhí)行過程中偏離原本的意圖。

這在技術上是非常困難的，因為系統(tǒng)越智能，它能夠找到的捷徑也就越多，而這些捷徑并不一定符合設計者最初的預期。

哈薩比斯認為，這兩類風險是接下來幾年需要重點面對的問題。

相比之下，當前最常被討論的deepfake和虛假信息，更像是“已經發(fā)生的問題”，它們需要被解決，也有相對明確的技術路徑，比如通過水印系統(tǒng)來標記AI生成內容：DeepMind內部就開發(fā)了類似的技術（SynthID），用于識別和追蹤生成內容的來源。

如果把整個風險結構看作一個時間軸：短期我們面對的是信息層面的混亂；而中期，更嚴肅的問題，是能力層面的失控。

至于后期，現在談論后期還為時過早（bushi）。

在這個意義上，哈薩比斯提到點：真正需要被關注的，并不是AI能說什么，而是它能做什么。

當AI開始從“回答問題”走向“執(zhí)行任務”，風險的性質也會隨之發(fā)生變化。

換句話說，我們正在談論的很多風險只是發(fā)生在信息層面，而我們真正需要警惕的，是正在逼近的“行動”。

這話聽起來有些科幻小說質感，可能很多人都設想過，有朝一日出現的超級智能覺醒出了“自我意識”，然后反過來替代甚至統(tǒng)治人類。

哈薩比斯本人也表示自己讀了很多科幻小說，他最愛的是Iain Banks的Culture系列，那是一個post-AGI的世界，書里發(fā)生在一千年之后，但他覺得其中一些情節(jié)可能在50年內就成立。

不過他本人對此的設想比較美好：風險被解決了，人類安全度過了AGI時刻，AGI已經在每個人的口袋里，對社會有益，然后用來攻克他所說的“科學中的根節(jié)點問題”，像是能源、醫(yī)療、材料什么的。

04

把自己浸入每一種可用的AI工具里

如果把前面的討論繼續(xù)往前推，很容易走到一個問題：當AI開始參與科學發(fā)現、參與決策、甚至開始執(zhí)行任務，人類還剩下什么？

換句話說，“人類為什么特別”？

這個問題在訪談后半段被非常坦誠地提了出來：主持人說，她發(fā)現自己在做一件人類歷史上反復在做的事情，試圖找到一個理由，證明“我們是特殊的”。

我們曾經以為地球在宇宙的中心，后來發(fā)現不是；我們以為只有人類會哀悼，后來發(fā)現大象也會；我們以為只有人類能創(chuàng)作藝術，但現在，AI也可以畫畫、寫作、作曲。

每一次邊界被打破，人類都會重新問一遍這個問題：我們到底為什么特殊。

對于這個問題，哈薩比斯并沒有直接給出一個答案，我覺得這個問題也很難被簡單的回答出來。

他提到了一個經典的計算理論框架：圖靈機。

從理論上講，一臺通用計算機可以計算任何“可計算”的問題；在很多神經科學家的理解中，人腦本身也可以被看作是一種近似的計算系統(tǒng)。

如果這個前提成立，那么人類的大腦和我們正在構建的AI系統(tǒng)，在某種意義上是同一類東西。也正因如此，AI才有可能不斷逼近甚至超過人類在某些能力上的表現。

而如果連智能本身都可以被復現，那么真正值得追問的，可能不再是“我們和AI有什么不同”，而是“我們到底在試圖理解什么”。

哈薩比斯在訪談中提到，他小時候最喜歡的學科其實是物理。

吸引他的不是應用，而是那些最基礎的問題：時間是什么？意識是什么？宇宙是如何運作的？

但這些問題，直到今天依然沒有答案。

而他做AI的一個核心動機，就是把它當作一種工具，去幫助人類理解這些問題。

從這個角度看，AI并不只是一個替代人類能力的系統(tǒng)，更像一個被用來放大認知邊界的工具。

這也解釋了為什么，在談到未來時，他的語氣反而很樂觀：如果風險能夠被控制，AI可以被用來解決那些“根節(jié)點問題”，那些一旦被突破，就會帶來成體系的變化的問題。人類最終甚至可以把這種能力帶出地球，延伸到更遠的地方。

但這些都還是遠景，我們還是要回到更現實的問題：對于今天的人來說，該怎么辦？

哈薩比斯的建議很樸素，他在訪談里說，他每次去大學演講，都會重復同一句話：

“跟上這股潮流。”

對于每個想要參與AI未來的人，哈薩比斯的建議是把自己浸入到這些工具里，去理解它們，使用它們，成為一個“被放大的人”。

原因很簡單，即使是在最前沿的實驗室內部，大量精力也只能用于打磨模型本身，但這些模型真正可以被用來做什么，還有巨大的空間沒有被探索。

也就是說，能力已經在那里了，但應用還沒有被窮盡。

這也意味著，對那些能夠理解這些工具、并把它們應用到新領域的人來說，機會正在迅速擴大。

他給出了一個非常具體的判斷：今天的一個年輕人，完全有可能借助這些工具，在別人沒有想到的方向上，做出一家價值數十億美元的公司。（他舉的例子是OpenClaw。）

把整場對話看下來，它其實給出了一個矛盾但真實的圖景：一方面，AI正在被加速推進，風險正在逼近；另一方面，AI也打開了一個前所未有的機會窗口。

我們可能確實用一些更容易被產品化的能力，暫時換掉了某些更重要的可能性。

但事情已經發(fā)生，人類能做的或許并不是去糾正這條路徑，而是盡可能理解它，并在其中找到自己的位置。

在對話的最后，主持人問了一個很感性的問題：你希望別人如何評價你的一生？

而哈薩比斯對此的回答是：“我希望他們會說，我的一生，對人類是有幫助的?！?/p>