高能人物：哈萨比斯卸任 DeepMind CEO，转向前沿科研
德米斯·哈萨比斯（Demis Hassabis）交出 Google DeepMind 的日常运营职责，转任 Google DeepMind 主席和 Alphabet 首席科学家。
2026 年 8 月 5 日，Google 公布了一轮 AI 业务的人事调整。
他没有离开 Google。
这次调整让他从 Google DeepMind 的日常运营中抽身，重新面对两个更远的问题：AGI 会怎样到来，AI 能不能真正缩短药物发现的过程。
他仍会就模型和研究提供建议，也会继续领导 AI 药物发现公司 Isomorphic Labs。
从下国际象棋、开发游戏，到研究大脑、创办 DeepMind，再到做出 AlphaGo 和 AlphaFold，哈萨比斯换过多个领域。
他的路线可以总结为：理解智能，建造智能，再用智能解决科学问题。
哈萨比斯在 Google DeepMind 挑战赛活动现场。图源：美联社图片
游戏不是一段无关的履历
哈萨比斯 1976 年出生于伦敦，少年时是国际象棋神童，后来进入电子游戏行业。
童年时期的哈萨比斯。图源：British Chess News
他 17 岁时参与设计和编程《主题公园》（Theme Park），之后创办游戏公司 Elixir Studios。
年轻时期的哈萨比斯与游戏控制器。图源：Academy of Achievement
下棋和做游戏，让哈萨比斯从两个方向接近“智能”这个问题。
下棋时，他要根据当前局面选择走法，并预想几步之后可能出现的结果。做游戏时，他站到了另一边：先设计规则、环境和反馈，再决定玩家或程序可以怎样行动。
从他后来的路线看，这两段经历与 DeepMind 的研究方法形成了呼应：先让 AI 在规则明确、结果可以计分的游戏里学习。程序做出一个动作，得分上升还是下降会立刻得到反馈；同一个任务还可以反复尝试。研究者因此更容易判断，它究竟学会了什么。
为了建造智能，他先去研究大脑
2005 年，Elixir Studios 一个开发约两年的主要项目被取消。公司停止日常运营，随后出售剩余资产和游戏知识产权。
他接下来没有再办一家游戏公司，而是转向认知神经科学，并在伦敦大学学院完成博士研究，试着从大脑本身理解智能。
十多年里，他已经从下棋走到编程，又从编程走到游戏设计。游戏提供了观察决策和学习的环境，却不能直接回答人为什么能够记忆、想象和规划。
他研究的一个问题是：记忆只负责保存过去，还是也帮助人想象未来？在一项针对 5 名双侧海马损伤失忆症患者的实验中，其中 4 人难以在脑中构造连贯的新场景。这项研究把回忆过去与想象未来经验联系在一起。
2010 年，哈萨比斯与谢恩·莱格、穆斯塔法·苏莱曼共同创办 DeepMind。它的目标不是先做一个明确的消费产品，而是尝试建立更通用的学习系统。
DeepMind 先从游戏里验证这条路线
DeepMind 没有一开始就把 AI 放进复杂的现实世界，而是回到了哈萨比斯熟悉的游戏。
团队让程序直接读取 Atari 游戏的屏幕像素，只给它游戏得分和可操作的按钮，不提供攻略。程序需要在反复试玩中自己发现，哪些动作更容易得高分。
实现这件事的系统叫 DQN。它要做两件事：先从屏幕像素判断游戏进行到了什么局面，再估算此时按下哪个按钮，更可能在后面拿到高分。每玩一局，得分反馈都会修正它的判断。
2013 年 12 月，DQN 的早期论文公开，团队在 7 款 Atari 游戏上测试了这套方法。
2014 年，Google 收购 DeepMind。进入 Google 后，DeepMind 得以依托 Google 的计算基础设施和工程资源继续开展研究；其公开的长期方向仍是构建更通用的 AI 系统。
2015 年，研究团队把评测扩展到 49 款 Atari 游戏，成果发表在《自然》。每款游戏仍要分别训练模型，但使用的是同一套学习方法和训练设置，不需要研究者为每款游戏手写策略。
Google 的资源为 DeepMind 后续扩大研究规模提供了条件，但不能把后来的成果简单归因于一次收购。DQN 在收购前已经起步，AlphaGo 和 AlphaFold 也都是众多研究者共同完成的。
AlphaGo 让这条路线第一次被公众看见
2016 年，AlphaGo 在首尔以 4 比 1 战胜李世石。
2017 年，它又在乌镇以 3 比 0 战胜被赛事方称为当时世界第一的柯洁。
2017 年乌镇围棋峰会开幕式现场：哈萨比斯、柯洁与时任 Alphabet 董事长埃里克·施密特。图源：凤凰体育
围棋可能出现的局面多到无法靠穷举找出最佳走法，许多局面的好坏也很难写成固定规则。
AlphaGo 用神经网络判断当前局面，挑出更值得考虑的走法，再用树搜索比较这些走法接下来可能出现的不同变化。它先从人类专家棋谱学习，再通过自我对弈继续改进。
比胜负更重要的是，机器能在复杂环境里学出没有被开发者逐条写下的策略。
2017 年发表的 AlphaGo Zero 更进一步。除围棋规则外，它不使用人类对局数据、指导或其他领域知识，通过自我对弈的强化学习训练。
论文报告，它以 100 比 0 击败此前发表、曾战胜李世石的 AlphaGo 版本。
会下围棋不等于拥有通用智能。游戏的目标和反馈仍由人设定，现实世界也不会为机器准备一套完整、稳定的规则。
AlphaGo 的价值，是证明这组方法可以处理一类曾被认为很难由机器攻克的复杂决策问题。
AlphaFold 把这条路线带进了科学
AlphaGo 之后，哈萨比斯把团队的一部分注意力转向蛋白质结构预测。
蛋白质由氨基酸序列折叠成三维结构，结构又与其功能密切相关。实验测定结构往往需要大量时间和资源。能否根据序列准确预测结构，是生物学长期面对的重要问题。
AlphaFold 预测的 FAM86B1 蛋白质结构，颜色表示预测置信度：蓝色较高，黄色较低。图：EMBL-EBI AlphaFold / Wikimedia Commons，CC BY-SA 4.0
2020 年 11 月，AlphaFold2 在 CASP14 结果公布中引发关注。详细方法于 2021 年发表在《自然》。
2024 年诺贝尔化学奖的一半由哈萨比斯和约翰·江珀共同获得，获奖理由是“蛋白质结构预测”。另一半授予 David Baker，理由是“计算蛋白质设计”。
从棋局到蛋白质，具体方法已经不同，但选题思路没有变。先找到一个边界相对清楚、进展可以严格评价的问题，再让模型学习人很难手工写出的复杂规律。
在 2024 年诺奖采访中，哈萨比斯把这类 AI 称作科学家的工具：至少在可预见的未来，它们擅长分析数据、发现模式和结构。
正确的问题、假设和猜想，仍要由人类科学家提出。
AlphaFold2 主要预测蛋白质结构。后续的 AlphaFold 3 把范围扩展到蛋白质与 DNA、RNA、小分子等的结构和相互作用。这些预测可以为靶点研究和分子设计提供线索，但不是药物本身，也不能替代实验、毒理和临床验证。
哈萨比斯接下来要通过 Isomorphic Labs 验证的是：这类信息能否提高药物发现前端的分子设计和实验研究效率。
从研究实验室到 Google 的 AI 引擎
2023 年 4 月，DeepMind 与 Google Research 的 Brain 团队合并为 Google DeepMind，由哈萨比斯领导。新部门被定位为同时推进 AI 研究，以及面向 Google 和 Alphabet 的产品突破。
DeepMind 并非到这时才与 Google 的业务发生联系。2016 年，DeepMind 已与 Google 数据中心团队合作，将机器学习用于优化冷却系统。2023 年的变化在于，DeepMind 与 Google Brain 两支 AI 研究团队被放进同一个组织，新部门同时推进通用 AI 研究，并支持下一代产品和服务。
这也意味着，团队要在前沿模型进展和产品交付上持续面对外部竞争。
对哈萨比斯来说，新的挑战是让长期研究与持续交付在同一个组织里共存。
Gemini 是 Google 多个团队协作研发的成果，其中包括 Google DeepMind 和 Google Research。它随后进入 Google 的产品和开发者平台。
至此，哈萨比斯领导时期的三条成果线已经清楚：AlphaGo 展示了机器在复杂决策任务上的新能力；AlphaFold 让 AI 在蛋白质结构预测上取得关键突破，并让他与约翰·江珀共同获得诺贝尔化学奖；Gemini 则走进了 Google 的产品体系。
这些都是跨团队成果，不能算在一个人头上。从组织领导角度看，哈萨比斯任内的 DeepMind 与 Google DeepMind 先后参与解决了游戏、科学和通用模型中的不同难题，研究也从游戏环境延伸到更复杂的真实任务。
卸任 Google DeepMind 日常运营后
抽身日常运营后，哈萨比斯把更多时间留给两件事：参与 Google 的 AGI 战略，继续领导 Isomorphic Labs 做 AI 制药。
他在员工信中说，自己一生都在为 AGI 工作，如今“感觉它已近在眼前”。这不是行业共识，却解释了他的选择：如果 AGI 真的接近，下一步该往哪里走？
另一件事更具体：在 Isomorphic Labs 继续推进 AI 驱动的药物设计，把 AlphaFold 开启的能力延伸到候选药物的发现和开发，再交给后续实验与临床研究检验。
专业只是阶段性的工具
我从他的经历里看到的，不是频繁跨界，而是围绕同一个问题不断更换工具。下棋、游戏开发、神经科学、AI 和生物学是不同专业，却被“智能是什么、能解决什么”这条线串在一起。
我更期待 Isomorphic Labs 在他带领下推动新药研发，去解决那些长期缺少有效治疗方案的人类疾病难题。
资料卡
德米斯·哈萨比斯。图源：路透社
德米斯·哈萨比斯（Demis Hassabis）
- 当前身份：Google DeepMind 联合创始人兼主席、Alphabet 首席科学家、Isomorphic Labs 创始人兼 CEO
- 代表作品：DQN、AlphaGo、AlphaZero、AlphaFold2
- 论文主页：Google Scholar
- 社交媒体：X、LinkedIn
- 推荐阅读
参考资料
- Google：The next chapter of our AI momentum
- Nobel Prize：Demis Hassabis – Facts
- Nobel Prize：Demis Hassabis – Interview
- Google DeepMind：AlphaGo
- Google DeepMind：Exploring the mysteries of Go with AlphaGo and China’s top players
- Google DeepMind：AlphaGo Zero: Starting from scratch
- Google DeepMind：AlphaFold
- EMBL-EBI：How is AlphaFold 2 used by scientists?
- Nature：Human-level control through deep reinforcement learning
- PNAS：Patients with hippocampal amnesia cannot imagine new experiences
- Nature：Mastering the game of Go with deep neural networks and tree search
- Academy of Achievement：Sir Demis Hassabis
- Game Developer：Elixir Studios To Close Doors
- Google DeepMind：AlphaFold 3 predicts the structure and interactions of all of life’s molecules
- arXiv：Playing Atari with Deep Reinforcement Learning
- Google DeepMind：DeepMind AI reduces Google data centre cooling bill by 40%
- Google DeepMind：Announcing Google DeepMind
- Google：Introducing Gemini
- Isomorphic Labs：Our Tech
- Google DeepMind：AlphaFold five years of impact
