DeepMind创始人哈萨比斯：创造AI的人，也在怀疑AI

随着AI能力逼近甚至超越人类，哈萨比斯逐渐意识到技术失控的风险，陷入类似“奥本海默时刻”的困境：尽管最懂技术风险，却发现自己无法控制AI的发展方向。当技术进入国家竞争、资本角逐和社会治理的复杂博弈，创造者的担忧能否转化为有效的约束机制，正成为比技术突破更紧迫的命题。

1981年，在伦敦的一场国际象棋比赛里，一个五岁的男孩坐在两把叠放的椅子上，屁股下还垫着一本厚厚的电话簿，这样才勉强让他的视线高过棋盘。而他的对面，坐着的是一个比他大得多的孩子。让很多人意外的是，这个小不点赢得了胜利。

这是DeepMind创始人德米斯·哈萨比斯，最早被公开记录的一次胜利。

DeepMind创始人德米斯 · 哈萨比斯

图片来源：Wikimedia Commons

几年之后，哈萨比斯用比赛奖金买了第一台电脑，并接触到一本名叫《国际象棋计算机手册》的小册子。这成为他与机器智能的第一次结缘，他的兴趣也从如何赢棋，逐渐转向探究机器智能。

多年之后的今天，我们谈论人工智能时绕不开AlphaGo、AlphaFold和DeepMind。不过回到投身AI的起点，哈萨比斯的问题只有一个：智能，是否可以被机器理解与重建。

故事的起点，AI并不诱人

2010年，当德米斯·哈萨比斯与沙恩·莱格、穆斯塔法·苏莱曼共同创立DeepMind时，人工智能并不是什么热门的投资领域。《哈萨比斯：谷歌AI之脑》作者，科技史学家、金融史学家塞巴斯蒂安 · 马拉比曾经提到：“你要知道这是2010年，在2010年的时候AI还什么都做不了。最著名的突破就是识别一只猫的图片，还是在2012年才实现的。”

那时，资本与媒体关注的焦点，是移动互联网、社交网络。而DeepMind成立时，并没有明确的产品路线，也没有明确的商业计划。它的目标只有一个：构建通用人工智能（AGI）。

这一目标在当时听起来并不具体，甚至难以评估。

在与投资人接触时，这一问题很快显现出来。2010年，哈萨比斯见到彼得 · 蒂尔，他是PayPal联合创始人、Founders Fund创始人，投资了Facebook和SpaceX，是硅谷最具影响力的投资人之一。在介绍公司时，他说公司希望结合神经科学的最新理解，借助计算能力的提升，构建一种能够学习和推理的通用系统。

据《哈萨比斯：谷歌AI之脑》一书记载，彼得 · 蒂尔认为这一构想在科学上顶级，但在商业模式上是最差的。他仍然决定继续关注这家公司，部分原因在于他判断哈萨比斯属于一种少见的创业者类型，不是寻找机会创业致富的人，而是试图解决某个问题的人。2012年，蒂尔的Founders Fund向DeepMind投资约230万美元。

资金之外，更困难的是人。

DeepMind成立初期，最紧迫的问题是招募科学家。候选人需要同时满足两个条件：一方面要具备顶尖研究能力；另一方面要愿意投入一个尚未被验证的方向。这一组合几乎排除了大多数人。在最初的几个月里，公司几乎没有真正意义上的AI研究人员加入。唯一全职从事AI研究的，还是哈萨比斯儿时的国际象棋伙伴。

此后，为了推动公司的长期发展，哈萨比斯框定了三件最重要的事：信念、时间，以及能够支持研究的组织环境。

所谓信念，是指团队必须接受一个前提，尽管没有明确路径，但AGI是可以实现的。所谓时间，意味着公司需要在资本有限的耐心里，找到盈利的方式。为此，DeepMind在早期尝试过多种副业，包括开发商业游戏，以及将图像识别技术应用于电商推荐系统等。在最后的组织环境建设中，DeepMind内部设置了专门的项目管理角色，帮助协调那些在沟通和协作上存在困难的研究人员，使技术能力能够在组织中持续运转。

渐渐地，这家位于伦敦罗素广场的办公室里，坐满了愿意投身AGI的研究者。

从围棋到蛋白质

接下来的故事，很多人已经耳熟能详。

2016年，DeepMind的AlphaGo在首尔以4 : 1战胜围棋世界冠军李世石。这场比赛之所以引发全球关注，并不只是因为胜负本身，而在于围棋长期被认为是机器难以攻克的领域。围棋中，可能出现的局面数量极其庞大，传统依赖穷举计算的方法难以奏效。AlphaGo则通过深度学习与强化学习的结合，在大量对局中提取模式、做出决策，标志着人工智能首次在这一类问题上取得突破。

如果说围棋代表的是复杂决策问题，那么AlphaFold则让DeepMind走进了自然科学领域。2020年，AlphaFold成功预测蛋白质三维结构。在公开竞赛中，AlphaFold大幅领先其他方法，让一项长期困扰科学界的课题首次接近被系统性解决。2024年，相关研究成果获得诺贝尔奖，也标志着人工智能在科学研究中的地位发生变化。

从AlphaGo到AlphaFold，DeepMind从处理棋盘上的策略选择，转向对自然结构的预测。但两者指向同一类能力，在极高复杂度、近乎无限可能的空间中，找到有效解。

哈萨比斯的误判

有了AlphaGo和AlphaFold，看起来哈萨比斯似乎已经找到了通往AGI的方向。但事情并没有那么简单。

在很长一段时间里，DeepMind坚持的是一条以“行动”为起点的技术路径。哈萨比斯认为人类智能的形成，并不是从语言开始，而是来自与现实世界的互动，通过感知、行动和反馈，不断建立对世界的理解。在这一框架下，智能的形成路径可以被概括为：行动 → 认知 → 智能。

这一判断在AlphaGo和强化学习体系中得到了验证。机器通过不断对弈、自我反馈，逐渐形成策略与判断能力。在哈萨比斯看来，这种路径更接近人类大脑的运作方式，也更有可能通向AGI。

但与此同时，另一条路径正在形成。

以OpenAI为代表的团队，逐渐将重点放在语言模型上。他们并不试图让机器进入物理世界，而是让机器在语言数据中学习，通过预测下一个词的方式，建立对世界的统计性理解。这一路径可以被简化为：语言 → 预测 → 智能。

在一开始，这条路径并不被普遍看好。语言被视为人类认知的表层，而不是核心机制。哈萨比斯本人也曾明确表示，单纯依赖语言，很难构建真正的智能系统。

转折发生在2020年前后。

GPT-3的发布，让人们第一次看到，大规模语言模型可以在多个任务中表现出超出预期的能力。而到了2022年，ChatGPT的推出，使这种能力进入公众视野。短时间内，大量用户开始与模型对话，人工智能从一个技术问题，迅速变成一个社会现象。

这一变化也意味着，DeepMind在这一方向上处于落后位置。

哈萨比斯后来承认，他低估了语言模型的潜力。他原本认为，语言只是智能的一种表达形式，而不是生成智能的路径。但现实证明，在足够规模的数据与计算条件下，语言本身也可以成为建模世界的一种方式。

这是一次路径上的误判。但对哈萨比斯而言，更关键的并不是误判本身，而是如何应对。

在确认这一趋势之后，DeepMind迅速调整方向，将更多资源投入大语言模型的研发中，并加速推出自己的系统。最终，Gemini的发布标志着这一调整基本完成。

奥本海默时刻

在哈萨比斯的AI故事里，技术并不是唯一困扰他的问题，更让他焦虑的是：当一种足以改变世界的力量被创造出来之后，创造者是否还能控制它带来的后果？

曼哈顿计划的科学负责人、原子弹的关键推动者罗伯特 · 奥本海默也曾面对类似的处境：科学家可以创造一种前所未有的力量，但当它进入现实之后，其用途与后果往往不再由创造者决定。技术随即进入国家、资本与治理体系，成为一种远超实验室控制范围也更难逆转的力量。

随着人工智能能力快速逼近，甚至可能在某些维度上超越人类智能，哈萨比斯越来越清楚地意识到，自己正处在“奥本海默时刻”之中。

这种警觉并不是近期才产生的。早在2014年DeepMind被谷歌收购时，哈萨比斯就坚持要求技术去军事化和设立独立伦理委员会。此后，他也在持续发声，警示人们AI可能带来的风险。比如在自动驾驶技术开始进入公共道路测试时，他就曾公开表示，在安全性尚未成熟之前就让系统在现实环境中运行，是不负责任的做法。到了2023年，他又参与签署了一份公开声明：将人工智能带来的潜在灭绝风险，与流行病和核战争并列为全球优先事项。

但真正困难的部分，不在于发出警告，而在于如何把警告转化为约束机制。

马拉比分享了一些细节。传记写作期间，他和哈萨比斯常常在一间酒吧的二楼见面。那里没有人打扰，适合长时间交谈。马拉比说，他们通常一聊就是两个小时。在这些相对私密的对话里，哈萨比斯谈到的，不只是技术路线，也包括他在安全问题上的反复努力与现实受挫。

他曾试图与谷歌母公司Alphabet谈判，希望为AI的发展设置更明确的边界和减速带。他也希望在技术全面扩散之前，先建立某种跨国、跨机构的基本规则。甚至在某些阶段，他还认真考虑过让DeepMind从谷歌体系中独立出来，再通过独立融资维持研究，以便摆脱商业竞争对开发节奏的挤压，让系统按照更谨慎的方式推进。

但这些努力最终大多没能落地。原因也显而易见，国家之间、公司之间、资本之间，都在推动这场技术竞赛继续加速。于是，最理解这项技术潜力的人，也最理解它的危险，但即便是他也没法让系统慢下来。

这也是为什么，哈萨比斯的故事到最后，已经不只是一个天才科学家或企业家的个人传记。它最终触及的是一个更底层的问题：如果人工智能最终真的成为一种能力无限的机器，那么人类是否还有能力定义它的边界？

内容来源：信睿科技评论

获取更多 AI时代的科技参考

欢迎点击下方卡片关注 信睿科技评论

本文同步发表于《信睿周报》

点击下方卡片立即购买 ↓