有一个小时，我建议你把它留给Demis Hassabis在剑桥的这场演讲。因为当所有人还在讨论AI会不会写文案、做PPT的时候，他讲的却是一个更大的问题：如果机器真的学会“思考”，人类究竟能拿它做什么？

这场演讲发生在2025年3月，地点是剑桥大学Babbage Lecture Theatre。很巧的是，差不多30年前，年轻的Hassabis就在附近听过自己的第一堂剑桥课程，如今再回来，他已经是Google DeepMind联合创始人、CEO，也是2024年诺贝尔化学奖得主。

可他讲AI，并不是从ChatGPT，也不是从大模型开始，而是从4岁那年第一次接触国际象棋说起。13岁时，他已经达到国际象棋大师级水平，而棋盘真正让他着迷的，并不是输赢，而是一个问题：人脑为什么能够在无数可能性里找到下一步？

这个问题后来几乎贯穿了他整个人生。他做过游戏程序员，参与开发《Theme Park》，又去剑桥学计算机，后来干脆跑去读认知神经科学博士。别人研究AI可能从代码开始，他却一直试图把计算机、游戏和人脑放进同一张地图里。

所以2010年创办DeepMind以后，他们干的第一件大事也不是造聊天机器人，而是让机器玩游戏。原因特别简单：游戏规则明确、有输有赢，又足够复杂，是测试“机器到底有没有真正学会解决问题”的天然实验室。

从Atari游戏，到后来的围棋，DeepMind真正想验证的其实只有一件事：能不能造出一种系统，不需要程序员把每一步都提前写好，而是让机器通过经验、搜索和反复试错，自己找到人类没有教过它的策略？

2016年的AlphaGo给出了答案。它以4比1击败李世石，全世界都在讨论“电脑终于战胜围棋高手”，可Hassabis后来反复强调，赢棋从来不是终点。真正重要的是，机器第一次展示出一种能力：面对极其复杂的问题，它能够学习、规划，甚至找到让顶尖人类棋手都觉得陌生的解法。

接下来发生的事情，才是这场演讲最值得看的地方。AlphaGo之后，DeepMind没有继续沉迷于“打败人类”，而是把目光直接转向科学：既然AI能在棋盘上搜索答案，那能不能让它去搜索那些科学家几十年都解决不了的问题？

他们选中的第一个超级难题，就是蛋白质结构预测。蛋白质由氨基酸链组成，可同样一串氨基酸最终会折叠成什么三维形状，直接关系到它在生命里的作用。这个问题科学界研究了半个世纪，实验测一个结构往往要花很长时间。

2020年，AlphaFold2把局面改变了。它能够根据氨基酸序列高度准确地预测蛋白质三维结构，后来DeepMind又公布了超过2亿个预测结构，覆盖几乎所有已知蛋白质。2024年，Hassabis和John Jumper也正是因为这项工作分享了诺贝尔化学奖。

你这时候再回头看AlphaGo，就会突然明白：围棋其实只是练兵场。Hassabis真正想做的，从来不是制造一个最强棋手，而是把“学习—搜索—发现规律”这套能力，从棋盘搬到真实世界，再让它进入生物学、材料、医学甚至物理学。

他在剑桥讲了一个特别有冲击力的概念，叫“数字生物学”。今天研发一种新药，平均可能需要十年，投入甚至达到数十亿美元；可蛋白质结构预测已经从过去可能耗费数月甚至数年的工作，被AI压缩到分钟甚至秒级。他的问题是：药物研发为什么不能也被这样压缩？

这才是他眼里的AI未来。不是让一个聊天框越来越会说话，而是让AI拥有世界模型，再叠加像AlphaGo那样的搜索、推理和规划能力，让机器从“回答问题”继续走向“解决问题”。机器人、药物研发、数学、材料科学，都可能因此发生变化。

至于大家天天挂在嘴边的AGI，Hassabis给它的意义也比“超级聊天机器人”大得多。他真正期待的，是一种足够通用的智能工具，能够帮助人类理解自然规律，提出假设、寻找答案，甚至进入那些过去因为计算量和复杂度太高而无法探索的科学区域。

所以这一个小时最厉害的地方，不是让你记住多少AI名词，而是把过去十几年那些看似零散的大事件突然串成了一条线：小时候下棋研究思考，后来用游戏训练智能，用AlphaGo验证学习和规划，再用AlphaFold证明AI真的能推动科学发现，最后把目标指向AGI。

看完你大概也会发现，我们今天争论“哪个模型写文章更好”“AI能不能取代某个岗位”，可能只是站在浪花上讨论海水。Hassabis真正下注的是更深的一层：如果智能本身能够被理解、被构建、被规模化，那么AI最终改变的，也许不只是我们怎么工作，而是人类发现知识的速度。这个视角，才是这场剑桥演讲真正值得你花一个小时的原因。