很多人以为 AI 的终极是一个「什么都会的通才」——一个 AI 把所有事都干了。但是有一位获得过诺贝尔奖的 CEO 的看法正好相反。

Demis Hassabis 认为：未来不是一个通才，是一群「领域专才 AI」，每个专才把某个具体行业的整个领域都建模一遍。这篇拆开讲他的判断 + 三个能让你判断「我这行什么时候会被专才 AI 改变」的指标。

Hassabis 是 DeepMind 的 CEO（Google 旗下那家 AI 公司），2024 年和 AlphaFold 团队的同事一起拿了诺贝尔化学奖。他做事的风格是盯一个具体科学难题，然后用 AI 把它彻底解开。

AlphaFold 是个标志性例子。蛋白质结构预测原来是生物学最难的课题之一——一个普通蛋白质，靠人手做实验解一个三维结构，三五年都正常。AlphaFold 出来之后，几秒钟就出一个预测结果，准确度比绝大多数实验方法都高。一个工种直接从「博士论文级」变成「按下回车」。

但 Hassabis 反复强调，这事的真正意义不是「蛋白质问题被解决了」，是「这套范式可以推广」。任何一个领域，只要数据够多、规则够清晰、结果可衡量，都能用同样的思路用 AI 把它整体建模。最近两年这个范式已经在好几个领域看到结果——材料科学（新材料发现 AI）、化学（蛋白质设计）、天气（DeepMind 自己的 GraphCast 比传统预报快得多）、药物（一批新药研发 AI 在 Phase 1/2 跑数据）。

所以 Hassabis 的判断和很多人对 AGI 的想象正好相反。多数人觉得 AI 终极是一个超级通才，所有事问它一个就行。Hassabis 说不是——更可能的格局是，每个行业都会有一个甚至几个「领域专才 AI」，它们在自己领域里能力远超通用 AI。通用 AI 仍然存在，但只是个「入口」，真正干活的是各个专才。

我之前其实也默认终极就是一个通才。看完他这套论证想了一阵——他的逻辑挺有道理：通用 AI 的能力上限受「什么都会一点」的代价拖累，专才 AI 不受这个限制。

那对你来说，怎么判断你所在的行业是不是要被一个专才 AI 改变？三个指标：

第一，数据是不是足够多、足够结构化、足够标注。蛋白质有几百万个已解析结构，材料学有结构化的物性表，气象有几十年的卫星数据——所以这些行业先被攻克。如果你的行业数据特别碎、各家公司格式都不一样、又没人花成本标注，专才 AI 在这行不会很快出现。

第二，已经有大公司或学术界在用 AI 攻这个领域。可以去 Google Scholar 搜搜你行业的关键词加「machine learning」或「deep learning」，看看顶级期刊近一两年有没有冒出这种工作。论文越多说明越多人在试，离做出真东西就越近。

第三，行业里有没有一个明显的「工业流程缓慢」痛点。AlphaFold 攻克的就是「解一个蛋白质结构要三五年」这种慢痛点。如果你这行有这种慢、贵、重复性高的环节，就是专才 AI 最容易切入的地方。

三个指标都符合的行业，未来五年大概率会被一个「领域专才 AI」改变；只符合一两个的行业可能慢一点，但也跑不掉。AGI 哪天到谁也不知道，但你这行有没有一个专才 AI 在路上，盯紧上面三个指标自己就能判断。

再加一句：能做「领域专才 AI」的不只是 DeepMind 一家。各个行业都有研究团队和创业公司在做某个具体领域的 AI（医疗影像、材料发现、药物筛选、芯片设计、农业育种等等都已经有相当成熟的尝试）。

我前两周刚发过一个视频，部分讲到了中国在科学领域的 AI 的进展。未来这方面非常有前景。