哈萨比斯：AGI还有两三年，社会还没做好准备，我们需要新的经济学，文科理科都可以获益

2026年6月3日刚出炉，Google DeepMind联合创始人兼CEO哈萨比斯（Demis Hassabis）在斯坦福大学商学院的炉边对话笔记。对话由斯坦福校长Jonathan Levin主持。两周前的Google I/O 2026上，他以一句"我们正站在奇点的山脚下"引发广泛讨论，这次在斯坦福他对这个判断做了更完整的阐释。

有意思的是，哈萨比斯在这期节目也提到了我们需要新的经济学。所以，我前几天写《AI经济学通识读本》，也是有意社会了[并不简单]

一、30年的"北极星"：为什么他把所有经历都当做AI的燃料

1、商业计划只有两行：解决智能，然后解决其余一切

2010年创办DeepMind时，哈萨比斯拿着这个商业计划去找英国为数不多的VC。"第一步，解决智能；第二步，用它解决其他一切。"投资人一头雾水，但他是认真的。"解决智能"指的是构建AGI，同时在通往AGI的路上理解智能本身的本质，包括意识、创造力、梦境这些人类心智的深层谜题。"解决其他一切"指的是用AGI推进科学和医学，从时间的本质到现实的本质，他想在有生之年触及所有根本性的大问题。

他承认，一个人的寿命不够用来逐个攻克这些问题，所以策略是先造工具。造出最好的工具，交给最好的科学家，让他们在各自领域跑得更快。

2、国际象棋、电子游戏、神经科学，全是同一条路的不同路段

表面上看，哈萨比斯的履历跨度很大：少年棋手、游戏开发者、神经科学研究者、科技创业者、诺贝尔奖得主。他自己的解释是，这些全部服务于同一个"北极星"。国际象棋训练了他把极端宏大的计划拆解成可管理的步骤的能力，这直接影响了他做商业决策和组织管理的方式。90年代的游戏行业教会他把创造力和前沿技术融合，也让他学会了如何运营工程项目和创业公司。神经科学则是为了从人脑中获取算法灵感。

"生命很短，我尽量把每一段经历都复用到更大的使命中去。"

3、为什么他选物理学放弃、选AI全押

哈萨比斯在学校时最喜欢物理，但他意识到有太多根本性的大问题令他着迷，不可能一个一个来。少年时代他读了太多科幻小说，啃过《哥德尔、埃舍尔、巴赫》，翻遍了图灵和费曼的传记，这些阅读在他心里种下的是对"理解世界"这件事本身的执念。与其做一个物理学家在单一问题上深耕，不如造一个通用工具。AI既是这个通用工具本身，同时作为一种科学人工产物，它自己也值得研究。即便最终没有成功，他也会在学术界的某个角落继续做这件事。这不是机会主义选择，是终身计划。

二、游戏作为AI的练兵场：从Pong的21:0惨败到AlphaGo的Move 37

1、选游戏是因为它们是真实世界的安全微缩模型

DeepMind最初选择游戏作为研究场景，看中的是游戏的三个关键特性：自包含的环境、由人类设计的挑战难度、以及清晰的目标函数。哈萨比斯认为围棋、扑克、象棋、外交这类游戏都是真实世界场景的微缩模型，玩家可以反复练习，AI系统也一样。他甚至觉得MBA课程里应该有一门专门的游戏模块，用围棋和外交来训练商业思维。当时几乎没有人将强化学习用于任何规模化的问题，它只被用在学术界的玩具问题上，比如小型网格世界。没人知道它能不能扩展到更大的东西上去。

2、Pong的六个月：从21:0惨败到"我们有起飞速度了"

最早的实验对象是70年代的Atari游戏Pong。规则极简，两个挡板一个球。但DeepMind的DQN系统，也就是他们为Atari打造的深度强化学习模型，只能获取屏幕上的2万个像素，没有任何关于球速、位置的特权信息。大约有六个月的时间，系统一分都拿不到，挡板在屏幕上乱晃，每局都0:21输给内置AI。当时团队只有几百万美元的资金，几乎不拿工资，钱也快烧完了。哈萨比斯开始怀疑他们是不是早了10年甚至20年。

然后系统突然得了一分。起初以为是运气，但它很快开始赢很多分，然后赢下整局。"做机器学习的人都知道，一旦你获得一个立足点，通常就能沿着它爬上去。AI的历史就是这样的。"

这个Atari实验后来成为DeepMind第一篇Nature论文，也是第一个规模化的深度强化学习模型，用深度学习处理感知输入、发现模式，然后在此基础上用强化学习做决策和规划。

3、AlphaGo的真正意义不在赢棋，在于"AI创造了新东西"

AlphaGo一直是哈萨比斯和David Silver的目标。Silver是AlphaGo项目的负责人，两人在剑桥读本科时就是朋友。90年代中期他们还在大学时，IBM的深蓝与卡斯帕罗夫的比赛正在进行。哈萨比斯对卡斯帕罗夫的大脑比对深蓝更感兴趣：卡斯帕罗夫能用他的思维与暴力搜索的超级计算机势均力敌，同时还能说五种语言、搞政治、开车，做人类能做的一切事情。

深蓝的方法是手工策划启发式规则加暴力搜索，这对象棋有效，但对围棋永远不行。围棋太微妙，每颗棋子价值相同，全靠模式和直觉。所以哈萨比斯判断，如果有人能在围棋上达到世界冠军水平，所用的方法很可能是一种真正有意思的算法路径，并且有希望泛化到其他领域。

2016年AlphaGo战胜李世乭，但更令哈萨比斯震动的是AlphaGo发明了从未被人类发现过的新策略。围棋有超过2000年的历史，被职业棋手下了几百年，人类还是没有发现那些策略。这个"双重冲击"是他等待已久的信号：AI能产生新颖的东西。从首尔回来之后，AlphaFold项目立刻启动。

三、AlphaFold：为什么把价值数十亿的成果免费送出

1、蛋白质折叠是"根音符"问题，解开它就解锁一整片下游

哈萨比斯在剑桥读本科时第一次接触蛋白质折叠问题，是因为一个痴迷于此的生物学家朋友。那个朋友后来成了结构生物学家，每次在酒吧打桌上足球时都在谈这个问题。哈萨比斯从中获得的判断是：蛋白质折叠是一个"根音符"问题，就像音乐中的根音决定了整组和弦的走向一样，解开蛋白质的三维结构，就能打开药物发现、基础生物学、疾病理解等一整条下游通道。

从问题本身看，这也是"终极拼图"：一条氨基酸序列如何折叠成三维结构？哈萨比斯越深入了解蛋白质，越对生物学心生敬畏。蛋白质是不可思议的生物纳米机器，生命的一切都依赖于它们。理解结构就是理解功能。

2、围棋的思路直接迁移过来：用深度学习收窄天文数字级的搜索空间

技术上的类比一目了然。围棋的可能走法比宇宙中的原子还多，蛋白质折叠的搜索空间比围棋更大。但物理学已经"解决"了这个问题，蛋白质在人体中每秒折叠数十亿次，毫秒级完成。所以一定存在某种拓扑结构可以被深度学习系统学习，用来引导搜索，就像AlphaGo用学到的启发式方法引导围棋搜索一样。

当时PDB数据库中有大约15万个经过50年结构生物学家辛苦测定的蛋白质结构。对机器学习来说这个数据量很小，大多数人认为至少还要10到20年才具备攻克条件。但DeepMind判断可以用已有的所有技术来突破。

3、免费开放的逻辑：一个组织永远覆盖不了300万研究者的下游需求

AlphaFold不仅精确，而且极快，几秒钟就能折叠一个蛋白质。DeepMind与欧洲生物信息学研究所合作，将全部2亿个蛋白质结构放在公开数据库上，任何人都能像Google搜索一样查找，同时附带机器学习系统对各部分结构的置信区间。

如果保持专有，这些数据的商业价值可能高达数十亿美元。但哈萨比斯的判断是，DeepMind自己永远只能触及下游影响的皮毛。全球190个国家超过300万研究者在使用AlphaFold，没有任何一个组织能独自覆盖这个规模。况且AlphaFold的训练依赖于结构生物学社区几十年来积累的公共数据，回馈这个社区也是理所当然。Google的管理层也支持了这个决定。"不是所有公司都会做这个选择，我在这一点上给他们很多敬意。"

四、"奇点山脚下"：哈萨比斯对AGI时间线和社会准备的判断

1、AGI可能只有两三年了，这个判断基于agent和工具使用的现状

哈萨比斯在Google I/O 2026上说"我们正站在奇点山脚下"，在斯坦福他进一步解释了这句话的含义。他用"奇点"指的不是技术失控，而是AGI到来后开启的全新人类纪元。他认为AGI距离现在只有大约两三年，上下浮动一年。

让他做出这个判断的不是某一项技术突破，而是多项技术的汇聚。2026年，agent的工作方式和工具使用能力开始真正在人们的工作流中发挥作用，虽然仍是早期，但几项原本被认为还比较远的能力提前到来了。各家头部实验室都在推进同样的方向，剩余的差距清晰可见。

2、发出这个信号是因为"社会准备的时间不多了"

哈萨比斯说这话并非哗众取宠。他坦言，他的部分同行在表述上不够审慎，对某些判断过于确定，而实际上存在巨大的不确定性。他认为方向上可以给出一些判断，但很多事情真正取决于未来几年的行动。他选择公开说出"奇点山脚下"，是因为他认为社会需要听到这个信号：准备的窗口很短。

3、他把这场变革量化为"工业革命的100倍"

哈萨比斯给出了一个定量框架：AI的影响可能是工业革命的10倍，但速度快10倍，在一个十年内完成而不是一个世纪。乘起来就是100倍，而这很可能还是低估。如果他不认为AI即将到来，他对气候、能源、疾病这些挑战会更加悲观。正是因为AI，他对这些问题保持乐观。

4、"我们需要一个新的凯恩斯"：后稀缺时代需要全新的经济学

哈萨比斯把话题推到了一个大多数科技领袖不太愿意触及的地方。如果技术做对了，人类将第一次进入真正的非零和状态，资源不再局限于地球，而是延伸到整个太阳系。在这样一个世界里，现有的所有经济体系都会失效，因为资本主义、社会主义以及一切我们试过的制度，都是在资源稀缺的前提下设计的。

他呼吁经济学界拿出凯恩斯级别的想象力。大萧条时期凯恩斯写过一篇《我们后代的经济前景》，从当时的绝望中远望几代人以后的繁荣。哈萨比斯说现在需要类似的远见：经济学家不能再用"GDP里还看不到AI"来回避这个问题。斯坦福校长Levin在旁边接了一句，也许写出这篇文章的人就坐在今晚的观众席里。

5、公众的负面情绪是合理的，但各国差异很大

美国公众对AI的态度目前相当负面，哈萨比斯认为公众有理由感到担忧。但他也指出，在印度，AI在年轻人中极受欢迎，因为他们看到了民主化的机会。过去你需要去硅谷才能接触到的工具和资源，现在任何人都能用上前沿实验室的成果，延迟只有几个月。

问题的一部分在于行业中一些人的表达方式：过度确定的断言、背后可能带有融资等目的的信息传递。哈萨比斯认为AI领域需要回归科学方法，需要严谨和审慎。更重要的是，行业必须用不可否认的成果来证明AI的价值。"应该有20个AlphaFold。我们得停止在假设中谈论治愈癌症，而是真的去治愈癌症。"

五、竞赛、监管与囚徒困境：哈萨比斯最担心的不是技术本身

1、他理想中的AGI诞生方式：类似CERN的开放研究机构

如果能挥一挥魔杖，哈萨比斯会选择在一个类似CERN的研究机构中构建AGI。最好的头脑聚在一起，互相批评想法，严格遵循科学方法，理解每一步的含义。AGI会晚到十年，但不需要等那么久才能获得社会收益，因为可以同步拆分出专用系统来解决具体问题，就像AlphaFold那样。

但聊天机器人改变了这一切。Transformer这种最初为语言处理设计的神经网络架构，在语言上的有效性是过去15年中唯一真正让他意外的科学发展。语言可以仅从互联网数据中学习，不需要通过机器人或模拟与现实世界交互。

哈萨比斯对此有一个独到解释：语言的"接地"程度比语言学家以为的要高。人类标注者在对模型输出做反馈时，他们自己是扎根在物理世界中的，他们的对错判断本身就携带了真实世界的约束。这种信号带宽极低，但足以修正基础模型对世界的理解。换句话说，人类反馈充当了一根细细的锚索，把纯文本世界拴在了物理现实上。

这使得AI变成了一个可以用工程和资金扩展的巨大商业技术，催生了他所说的"可能是有史以来最激烈的竞争环境"。

2、双层竞赛：公司之间生死一搏，大国之间地缘博弈

哈萨比斯用"双重竞赛"描述当前格局。第一层是公司之间的竞争，对参与者来说几乎是生死攸关的。第二层是美中之间以及其他大国的地缘政治竞争。两层叠加，局面极其复杂。

在实验室负责人之间，安全与安保层面的合作意愿是存在的，没有人希望发生灾难性事故。但问题在于这是一个囚徒困境：任何花更多时间确保安全的一方，相当于让出了速度优势。背叛者天然占便宜，所有人被迫竞相降低安全标准。

3、监管必须"动态"，这个词通常和"监管"不搭配

哈萨比斯认为某种形式的政府介入是必要的，但传统监管太慢。AI每周都在变化，如果两年前制定的规则现在来看已经像古代史。他计划在2026年晚些时候公布自己的方案，核心思路是：监管必须灵活、轻捷，能根据最新发展实时调整，由前沿实验室提供信息输入，因为他们才能看到真正的前沿。即便在今天，顶尖科学家也无法就一份需要哪些检查和制衡的短清单达成一致，因为科学本身还没有定论。

六、AI与全球公平：AlphaFold模式如何惠及最贫困地区

1、被忽视的疾病直接跳过结构测定阶段

AlphaFold的全球开放让190个国家的研究者都能使用。DeepMind与世卫组织下属的DNDi合作，这个组织专门为全球最贫困地区的被忽视疾病寻找药物，帮助当地研究者跳过耗时数年的结构测定步骤。他们不再需要从零开始用X射线晶体学解析疟疾或寨卡病毒的蛋白质结构，可以把已有结构作为起点直接进入药物研发。

类似的效果也出现在农业领域。由于大部分结构生物学工作集中在人类蛋白质上，动植物蛋白质的结构数据严重不足。AlphaFold让研究者能够分析植物蛋白质，推动抗气候变化的作物韧性研究。在数据缺乏的领域，AlphaFold的差异化影响反而更大。

2、Isomorphic Labs的商业逻辑中留了一条慈善通道

哈萨比斯对Isomorphic Labs的愿景包含一个经济闭环的设想：如果AI能将药物发现从数年缩短到数月，成本从数十亿美元降到数千万甚至数百万美元，那么治愈富裕世界的疾病所产生的利润可以驱动引擎，而公司可以用慈善方式为贫困地区的疾病寻找治疗方案，因为速度够快、成本够低，不需要追求回报。

七、意识与智能的"两步论"：哈萨比斯不想跨过的那条红线

哈萨比斯认为智能和意识是可以分离的，不需要让一个系统具备意识才能使它智能。他建议分两步走：第一步，先把AI做成智能工具，这本身已经是AGI级别的挑战。第二步，用这些工具去研究神经科学和哲学，建立更严格的意识定义，然后再由社会来决定是否要跨过第二条红线，即创造至少看起来具有意识的实体。

他认为目前的系统不具备意识，尽管有人不同意。不同的聊天机器人在设计上体现出了不同的选择倾向，用户能感受到这些差异。哈萨比斯的态度是，这两步都是人类历史上的巨大飞跃，不应该混为一谈。

八、给学生的建议：押注自己的能动性

哈萨比斯说如果他现在回到大学会非常兴奋。他给学生的建议围绕几个判断展开。

学理工科的人应该继续学，因为理解AI是怎么做出来的、它能做什么，在未来十年里是一种关键优势。同时要正视AI带来的变化，精灵已经出了瓶子。前沿实验室忙于制造工具，现有工具存在巨大的capability overhang，也就是说它们能做到的事情远超大多数人目前的用法，只是还没有人把它们与合适的领域知识配对起来。

学人文和商科的人以前可能没有编程技能，但现在可以借助AI工具把脑子里的想法直接实现。而已经有编码能力的人可以做到100倍于以前的项目规模。AI同时拉平了入门门槛，也放大了专业者的优势。

"未来十年，几乎一切都会改变，变化幅度大概超过大多数人的预期。"但巨变时代必然伴随巨大的机会。这一代学生将是AI原住民，就像哈萨比斯这一代人是计算机和互联网的原住民一样。

最后他用一句话收尾："加倍押注你自己的能动性。未来还没有被写下，不要听信任何说它已经确定了的人。"

核心归纳

Q1: 哈萨比斯为什么说"我们站在奇点的山脚下"，这和Ray Kurzweil说的奇点是一回事吗？
不是。哈萨比斯用"奇点"指的是AGI到来后开启的新人类纪元，不是机器智能失控的末日图景。他的判断基础是：agent和工具使用能力在2026年开始真正可用，多项原本被认为较远的能力提前汇聚，AGI可能只有两三年。他发出这个信号的核心目的是催促社会准备，因为窗口很短。

Q2: AlphaFold为什么免费开放而不是做成商业产品？
两个原因。第一，一个组织永远无法覆盖全球300万研究者的下游需求，开放后190个国家的科学家都能直接使用，这种规模效应是任何单一公司不可能独自实现的。第二，AlphaFold的训练数据来自结构生物学社区50年的公开积累，回馈社区是回报原始投入的方式。商业化路径被放到了Isomorphic Labs，通过构建比AlphaFold更进一步的药物设计平台来创造收入。

Q3: 作为前沿实验室的领导者，哈萨比斯认为AI竞赛中最危险的动态是什么？
双层囚徒困境。第一层是公司间的生死竞争，第二层是大国之间的地缘博弈。在这个结构中，任何花更多时间确保安全的参与者等于把速度优势让给对手。哈萨比斯理想中AGI应该在类似CERN的机构中诞生，但Transformer和聊天机器人把AI变成了商业竞争的核武器。他的解决方案是某种"动态监管"，能随技术发展实时调整，而不是用两年前的规则管今天的问题。