企业官网建设流程全解析

先说一句，Demis Hassabis这个名字，只要你关注AI超过一年，就不可能没听过。DeepMind的创始人，AlphaGo背后的核心大脑，2016年那盘举世瞩目的围棋人机大战之后，他就成了全球公认的AGI开拓者。但很多人对他的印象停留在"做AI很厉害"，这其实忽略了最有意思的部分——他受过正统的神经科学训练，而且他反复在公开场合讲一句话：做AI的目的，不只是造一个聪明的工具，而是通过AI去理解人类心智本身。

这篇文章我打算完整整理一下Hassabis关于AI与人类心智的核心观点。我会按他的经历、他从大脑里学到的算法灵感、AlphaGo到AlphaFold背后的创造力隐喻，以及他对通用人工智能和人类命运的担忧这几个方向展开。如果你从事AI相关行业，或者只是单纯好奇"智能是什么"，这篇梳理应该能给你一个有深度的坐标系。

1. 为什么是"神经科学家"去做AI研究，而不是程序员

1.1 从国际象棋少年到神经科学博士的奇特路线

Hassabis这条职业路径，放在今天依然非常反常规。他从小在国际象棋上展现出惊人天赋，十三岁左右就拿到大师级头衔，常年泡在棋局里。下棋这件事给了他一个很底层的思维习惯：在有限时间内快速评估局面、搜索最佳落点，同时还要保留全局视野。后来AlphaGo的核心架构里有蒙特卡洛树搜索，很多人只看技术，但如果你了解他从小对弈的经验，就会发现搜索和评估并行这件事早就刻在他脑子里了。

他后来去了剑桥学计算机科学，毕业后短暂做了一段时间游戏制作人，参与设计了《主题公园》这款经典模拟游戏。这个阶段的收获通常被讲AI的人一笔带过，但我觉得特别关键——做游戏需要同时处理规则系统、玩家体验、虚拟世界的即时反馈机制，本质上就是一个小型的"人工环境模拟器"。再后来，他跑去伦敦大学学院读神经科学博士，研究的是海马体和情景记忆。这个决定在当时很多人看不懂，一个顶尖计算机背景的人，跑去研究脑区，图什么？他自己解释过很多次：如果你真想造出智能，就得先搞清楚自然界唯一被验证过的智能是怎么运行的，那就是人脑。

1.2 DeepMind的使命不是造工具，而是解谜

DeepMind创立之初的使命宣言是，"解决智能问题，然后用智能解决一切其他问题"。这句话很容易被当成漂亮口号，但其实是Hassabis所有选择的原动力。他并没有把AGI理解成一个更大的语言模型，或者一个更强的推荐系统，而是把它当作一个科学问题：智能从哪里来？计算系统如何产生抽象、想象、迁移、创造力？

这种视角决定了他做事的方式。一般工业界做AI是"先找到一个应用场景，然后训练模型解决它"，Hassabis的做法更像是"先找到一个能体现某种智能能力的测试环境，然后在里面把算法逼到极限，再看它涌现出什么"。这也是为什么他把游戏——尤其是围棋这种复杂博弈——当作早期研究的试验场。游戏的好处是规则清晰、反馈即时、难度可以精确调节，很像实验室里的可控培养皿。

我个人一直觉得，DeepMind后来走到蛋白质折叠和材料发现领域，看起来跨度很大，但底层逻辑是完全一致的。AlphaFold不是突然冒出来的商业产品，而是同一套"理解智能基本规律"思路的延伸：如果AI能掌握物理世界和生物世界的深层模式，那它就已经超越了"棋手"和"玩家"的范畴，开始具备真正的科学想象力。

1.3 棋盘上的直觉，怎么变成了算法里的先验

很多人把Hassabis和AlphaGo划等号，其实AlphaZero才是他思路的完全体。AlphaZero完全不依赖任何人类棋谱，只告诉它围棋规则，它就能自己跟自己对弈，从零开始涌现出超越人类的策略。这里有个容易被忽略的点：它仍然需要规则作为先验，但它不再需要人类经验作为种子。

这跟我前文提到的棋手经历形成微妙呼应。一个顶级棋手的大脑中，存储着大量残局知识和局部定式，这些就是"先验"。但棋手的创造力恰恰来源于能够跳出这些先验，在关键时刻下出反常规的棋。AlphaZero则把这条路彻底自动化：先把规则编码进去，然后在自我对弈中自由探索所有策略空间。对Hassabis来说，这就是人类心智的一种抽象映射——我们做决定时，其实也在反复进行"经验匹配"和"超越经验"的交替。

2. 人类心智给AI提供了哪些"设计蓝图"

2.1 情景记忆与经验回放池之间的隐秘联系

Hassabis在神经科学博士期间研究的重点之一是海马体在情景记忆中的作用。所谓情景记忆，就是你记住了"今天下午三点在咖啡馆遇见一个朋友"这种包含时间、地点、人物、情绪的具体事件，而不是"咖啡馆是什么"这种语义知识。海马体负责把碎片化的皮层信息整合成一个完整事件索引，然后在某个时刻重新激活整段记忆。

这个机制在AI里的直接对应物就是经验回放。早期强化学习的最大麻烦是样本之间高度相关，算法很容易被连续的几条经验带偏。DeepMind在2013年那篇深度强化学习论文里用了一个技巧：把智能体与环境交互产生的经验放进一个缓冲区，然后随机采样小批量来训练网络。为什么要随机？因为随机采样会打乱时间相关性，让神经网络每次更新时看到更多样化的样本，减少灾难性遗忘。你仔细想想，这几乎就是海马体情景记忆的功能——把零散的经验片段存储起来，再以随机的方式回放，帮助大脑在睡眠中巩固重要的记忆、剔除噪音。

这种跨学科借鉴不是偶然的。Hassabis在多个场合讲过，他研究强化学习的初衷之一，就是想验证多巴胺系统提出的"奖励预测误差"假说。大脑里的多巴胺神经元并不是在你获得奖励时猛烈放电，而是在预期之外的奖励到达时放电，这恰好就是强化学习里时序差分误差的定义。人脑和算法共享同一个底层逻辑，这本身就是"人类心智能启发AI"的最有力证据。

2.2 多巴胺预测误差与TD学习：心与算法的一致

我们把这点展开一下。经典强化学习里有一个核心公式，价值函数会沿着"实际回报 + 下一状态价值估计"这个方向更新，其中"下一状态价值估计"与"当前状态实际收到的奖励"之间的差值，就叫做时序差分误差。如果这个误差为正，说明环境比自己预期得更好，算法就会提高对这个状态的评价，反之则降低。

而神经科学家在对老鼠、猴子和人类的实验中观察到，多巴胺神经元的放电率和这个误差信号几乎一模一样：意外奖励出现时，多巴胺爆发放电；预期奖励落空时，多巴胺反而会压低到基线以下。这意味着大脑本身就是一套强化学习系统，只是它的实现方式是化学递质而不是梯度反向传播。Hassabis第一次读到这个领域时，他意识到两边的研究者其实在描述同一件事，只是用词不同。此后DeepMind很多算法设计里都直接受这个观点影响，比如在奖励塑造、逆强化学习、好奇心机制这些方向，都能看到神经科学的影子。

如果你问我，这部分对普通从业者的启发是什么，我的答案是：多读一点认知科学，你会发现所谓"新的AI技术"，很多只是把人类古老的心智机制换了一种方式重新发明了一遍。比如注意力机制之于人类注意力，Transformer之于工作记忆的绑定操作，扩散模型之于视觉想象的层级生成。理解这一点，不仅能让你更容易接受新模型，还能让你在调试模型时多一些"常识直觉"——当一个模型表现得像一个记忆错乱的人，你大概能猜到问题出在哪个环节。

2.3 想象与规划：AI怎么获得"脑内预演"的能力

人类有一种强大的能力：在真正动手之前，先在心里把过程预演一遍。你想象自己走过一条街，拐两个弯，推开一扇门，这个过程会激活大脑中与实际行动类似的神经网络，但又不会真正产生动作。这种"脑内模拟"让我们能够规划路线、评估风险、预判他人反应。

AlphaGo和AlphaZero之所以厉害，恰恰是因为它们也具备类似的心理预演能力。蒙特卡洛树搜索做的事情，就是在当前棋局状态下，通过自我对弈展开无数条"脑内未来"，再用价值网络和策略网络对这些未来进行快速评价，最终选出胜率最高的一条路。这个思路和人类打腹稿一模一样，只是AI的搜索深度和宽度远超人脑。

Hassabis在讲AI的通用性时，多次提到"想象和规划"是人类智能的核心组件。他认为，如果AGI能够像人类一样在内部构建一个世界模型，然后通过这个模型做推演和规划，那么它就不需要像今天的大模型那样事事依赖外部检索和海量数据。这个看法直接影响了他对下一代AI系统路线的偏好——他关心的不只是"能说会道"，而是"能不能在行动之前想清楚"。这也是为什么他主导的许多研究都往世界模型、环境模拟和Model-Based强化学习方向倾斜。

2.4 快慢思考：直觉与理性在AI里的分工

诺贝尔经济学奖得主卡尼曼把人脑的认知系统分成系统1和系统2：系统1快速、自动、情绪化，比如你一眼认出朋友的脸；系统2慢速、耗能、需要主动调用，比如你做两位数乘法。Hassabis在设计AI架构时，对这个二分法非常痴迷。

AlphaGo的工作方式就是一分为二：策略网络充当"直觉系统"，它看一眼棋盘局面，立刻给每个候选点打分，大致就是系统1；蒙特卡洛树搜索则充当"慢思考系统"，它会展开大量推演，把候选点的长期胜率算清楚，相当于系统2。两者协同，才产生了那种既有爆发力又不失稳健的棋风。Hassabis在很多公开对话里提到，他希望未来的AI能把两者的优势结合起来，而不是像现在的大模型一样只擅长"系统1式的快速生成"。

如果你用过GPT这类大模型，就会发现它们很多错误其实属于系统1的过度自信——它们可以在几毫秒内给出一个语法完美但逻辑有问题的答案，因为生成机制本质上是概率序列预测，并没有真正花时间去检索、推演和校验。Hassabis想做的下一代架构，正是要弥补这个短板。这也是他把大模型称为"有趣的工具，但还不是通用智能"的原因。

3. 从AlphaGo到AlphaFold：AI如何重新定义"创造力"

3.1 AlphaGo第37手与"天外飞仙"般的直觉

2016年AlphaGo对决李世石的第二盘，AlphaGo下出了震惊全世界围棋界的第37手。那一步棋在一个人类棋手极少会考虑的位置落子，很多职业棋手当时的第一反应是"这手棋不对"，可随着棋局深入，越来越多人才发现它是一步极具前瞻性的妙棋。Hassabis说他当时在后台看到这步棋，第一反应是大笑，因为他也没有完全看懂，但他意识到AlphaGo已经展示出一种不属于任何人类棋谱的创造力。

这件事被反复讨论，但我还是想强调它真正的意义：AlphaGo并不是靠暴力穷举找出这步棋的。围棋的合法局面数量大到远超宇宙原子数，任何暴力搜索在它面前都不成立。AlphaGo能下出第37手，是因为策略网络在自我对弈的海量样本里，学习到了某种超越人类定式的"抽象棋感"。这和你做设计时突然冒出的灵感一样，本质上都是大量经验被压缩成模式后，在特定条件下涌现出来的异常匹配。

Hassabis后来多次讲，这一步棋让他确信，机器学习系统并不是机械的重复工具，它可以产生人类经验之外的"新知识"。这个信念后来在AlphaFold身上得到了更大规模的验证。

3.2 AlphaFold：从棋盘到蛋白质的惊人一跳

AlphaFold解决的蛋白质折叠问题，被称为生物学界五十年的"圣杯"之一。蛋白质由氨基酸链组成，但它要发挥功能，必须折叠成特定的三维结构。这个折叠规则天然存在于氨基酸序列之中，可人类用几十年的实验方法也只能逐一破解少量蛋白质结构，速度慢、成本高。

AlphaFold的厉害之处在于，它把蛋白质折叠问题建模成一个几何结构预测问题，用深度神经网络在海量已知蛋白质序列和结构数据上学习"序列如何决定结构"的隐含规律。2020年，AlphaFold2在CASP14竞赛上达到与实验方法相当的准确度，震惊了整个科学界。Hassabis把AlphaFold称为AI改变科学发现方式的第一个里程碑，我完全同意。它证明了同一套"从经验中提炼规律"的学习机器，不仅能下棋，还能做前沿科学发现，这已经触及智能通用性的核心。

更让我觉得有意思的是，AlphaFold并没有完全撇开人类的学科知识。它仍然整合了大量结构生物学、物理和进化学的先验知识，只是在"搜索结构空间"这个环节上，用深度学习替代了传统实验试错。这其实是一个极好的案例，说明AI与人类心智的协作不是替代，而是加速那些人类已经理解但执行太慢的部分。

3.3 从封闭游戏到开放科学：通用性才是真正的坎

为什么下围棋和折叠蛋白质能被放进同一个讨论里？因为Hassabis眼中的智能不是一堆垂直技能的拼凑，而是一种可以跨领域迁移的通用能力。他在多个场合用"系统2思维"框架来解释：围棋AI擅长在封闭、规则明确的系统里做策略推理，AlphaFold则开始在开放、信息不完备的科学问题里做模式发现。后者更接近人类科学家的工作方式，也更接近AGI的定义。

但走向通用谈何容易。真实世界的绝大多数问题不像围棋那样有精确规则和即时反馈，也不像蛋白质数据库那样有干净的标注数据。你让AI替你管理一家公司，它会面临无数隐藏的规则、无法量化的目标和随时变化的约束，这种环境复杂度超出了所有现代算法的舒适区。Hassabis并没有回避这一点，他多次强调AGI的真正突破，很可能不是把模型参数继续堆大，而是发明出能够处理"不完美规则环境"的新算法。

4. 他眼中的AGI：大模型的幻象与真正的风险

4.1 为什么他说"大语言模型不是完整智能"

现在只要打开科技新闻，到处都是大模型在挑战AGI的话题，但Hassabis对此态度一直很微妙。他其实尊重LLM在很多任务上的成就，也承认它们在自然语言理解和生成上取得的突破超乎预期，但他反复提出一个关键质疑：语言流畅不等于推理正确，生成概率不等于世界模型。

举个例子，你问一个LLM一个涉及常识的问题，它可能给出语法完美且语气笃定但内容完全错误的回答。因为它的训练目标就是预测下一个词，它优化的是"这段话读起来像不像人类说出来的"，而不是"这段话对应的世界状态是否为真"。Hassabis想要打造的下一代AI，必须把这两种能力绑在一起：既要有语言生成和知识检索的流畅度，也要有基于内在世界模型的验证和推理能力。你可以把前者想象成销售员的口才，后者想象成工程师的图纸，两者缺一都做不成大事。

4.2 小数据学习：人类心智里让AI羡慕的"归纳偏置"

Hassabis多次提到一个对比：人类儿童学母语，输入量大约在数百万字级别，而且没有经过任何梯度更新和数万次反向传播，就能形成丰富的语言能力。而现代大语言模型动辄使用数万亿token，还经常在学习完成后只能"不犯错地复述训练分布"，一旦遇到分布外的场景就会乱来。这种差距说明，人类大脑天生就带着非常强的归纳偏置——我们天生倾向于在某些抽象规则上快速泛化，比如因果关系、物体恒常性、数量比较。

DeepMind非常关注这个方向，代表成果就是它们对"Meta-Learning"和小样本学习的研究。Hassabis的逻辑是：真正接近人脑的AI，不应该把一切都押在统计规律上，而应该学会"从少量经验里提取抽象结构，然后迁移到新任务"。这本质上就是人类专家面对新领域时快速上手的能力。如果未来某天AI真的在这方面出现重大突破，那不是比拼参数的比赛，而是算法范式的转变。

4.3 AI安全不是事后补丁，而是与能力同时生长的内核

谈到未来，Hassabis的另一张重要名片是AI安全。早在DeepMind被收购前后，他就坚持在技术研究中嵌入安全议题，后来还推动成立了DeepMind伦理与社会团队。他在多个访谈中提到，AGI的能力一旦超过人类控制范围，任何"事后补救"都可能来不及，所以安全必须作为系统的本质属性来设计，而不是外部包装。你可以类比核电站设计：安全壳不是核泄漏发生后才装的，而是与反应堆同步建造的。

具体的担忧包括几类：一类是"能力失控"——未来AI可能拥有难以对齐的自我目标，与人类利益产生冲突；另一类是"滥用风险"——任何强大技术都可能被恶意使用，比如深度伪造、自动化网络攻击、生物设计工具被滥用；还有一类是"认知冲击"——如果AI在几乎所有智力活动上超越人类，人类社会结构、就业、信仰体系都会面临重大调整。Hassabis对这些问题的态度是"谨慎但不停止"，他支持在安全可控的前提下持续推进AI研究，同时呼吁国际范围内的技术社群共同参与治理框架的讨论。

我自己的感受是，真正做过大模型项目的人更容易理解他的担忧。模型越大、能力越强，它的内部决策路径就越不透明，那些负责评估安全的人往往只能依赖外部行为测试，很难清楚知道模型在什么地方会失控。这就好比一个天赋极高但缺乏社会化的少年，学习能力惊人，但在关键选择上可能完全背离初衷。这也是为什么可解释性研究在DeepMind内部优先级极其高。

5. 这些宏大叙事，跟普通打工人到底有什么关系

5.1 别把AI当人，也别把AI当纯工具

听完一堆AGI哲学，回到现实生活，我最想提醒大家的是认知姿态。现在市面上的AI产品都做得越来越拟人，有些模型甚至会表现出情绪波动和"个人喜好"，导致用户很容易对它们产生情感投射。但Hassabis的分析框架告诉你，AI本质上是从数据分布中学习规律的机器，它没有欲望、没有自我意识、没有连续的存在感。它表现出来的"个性"，往往是训练数据里人类特征的统计回声。

反过来，也不能把AI当成完全中立的工具。它会在你意识不到的地方放大偏见、强化信息茧房、制造看似合理实则荒谬的结论。正确的心态是：像对待一个能力很强但立场不明的助手——既利用它的效率和创造性，又保持必要的怀疑和审计。尤其在医疗、法律、财务这些高风险领域，任何AI输出都应该被当作"建议"而非"裁决"。

5.2 从Hassabis的跨学科路径里，学一套可复用的思维方法

Hassabis给我们普通人的最大启示，不是什么天才叙事，而是跨学科套利的思维模型。他把游戏设计、计算机科学、神经科学、心理学这几个领域强行揉在一起，结果诞生了全新的研究范式。我建议大家在自己工作里也试着这么做：如果你是程序员，花一点时间读认知心理学，能让你的产品设计更贴合人类直觉；如果你是产品经理，了解一下强化学习的奖励设计思路，能让你设计用户激励机制时有更多底层抓手。

不必成为某个领域的专家，但一定要懂那个领域的关键概念和思维方式。跨学科的杠杆效应在于，99%的人只会用单一学科的语言思考问题，而你若能在两三个学科之间自由切换，就已经具备了独一无二的稀缺性。这比多学一个框架、多会一个库值钱得多。

5.3 未来几年真正值得关注的信号，而不是热词

当你看多了Hassabis这类人的访谈，你对AI新闻的免疫力会大大提升。你不会再为某个大模型的"惊艳Demo"尖叫，而是会关注几个更本质的信号：第一，模型能否在极低数据量下实现可靠的泛化；第二，模型能否在推理过程中显式地进行搜索、回溯和自我修正；第三，模型能否直接参与真实世界的科研发现并产出可验证的新结果。只要这三个方向没有本质突破，AGI就依然遥远，所谓"涌现意识""彻底取代人类"更多是媒体叙事。

反过来，一旦这三个方向出现实质性进展，那才是需要认真调整自己职业规划和认知框架的时候。

5.4 最后的实际操作建议：怎么建立对AI的"体感"

我经常被人问，博主你搞技术这么多年，平时怎么跟踪AI最有效率？我的答案是：不要只看综述文章和发布会，要找一个小项目亲手把模型跑起来，或者至少用一个可编程的AI框架做一个小应用。你亲自动手训练过模型，才会真正理解损失函数下降时的焦虑、过拟合时的抓狂、以及一切参数都调好那个瞬间的快感。这些体验比任何宏大的哲学讨论都更能塑造你对AI的正确直觉。

Hassabis谈论AI与人类心智，本质上也是在提醒我们：技术不是悬浮在真空里的，它的底层逻辑很多都来自人类自己的认知机构。多观察自己的思维习惯，比如你怎么记忆、怎么计划、怎么在信息不足时做决定，你就能反过来猜测AI系统可能在哪里突破、哪里卡壳。这种从"人"到"机"再到"人"的循环，是理解AI最好的路径。

我个人的体会是，自从用神经科学的视角重新审视AI之后，我对许多技术争论的焦虑感反而变轻了。智能不是一个神秘黑箱，而是一系列可理解、可拆解、可组合的机制。不管未来AGI走多远，只要我们还保有对自己心智的好奇心，就总能在大潮里找到属于自己的位置。最后再分享一个我坚持多年的小习惯：遇到一个新的AI产品，先别急着评价它好不好用，想一下它最核心的学习信号是什么——是模仿人的回答，还是鼓励试错的奖励，还是搜索验证的推演。这个思路会让你在AI信息洪流中保持清醒。