從 DeepMind、AlphaFold 到 AGI，AI筆記 Demis Hassabis 描繪的人類文明
有曾經想像過嗎? 如果時間來到 2050 年，人類文明會是什麼模樣？
看似科幻小說的開場，也似電影《星際效應》或《駭客任務》的情節，其實是全球頂尖人工智慧實驗室現在正在認真研究的問題...
近幾年，生成式人工智慧快速走進大眾生活。從大型語言模型能夠撰寫文章、生成程式碼，到多模態模型開始理解影像、聲音與影片，人工智慧的能力正以前所未有的速度演進。然而，當外界聚焦於 AI 是否會取代工作、改變教育或重塑產業時，有一群科學家已經將目光投向更遠的未來。
其中最具代表性的人物之一，就是 Google DeepMind 執行長 Demis Hassabis。
不同於許多企業領導者，Hassabis 的人生軌跡始終圍繞著同一個問題展開：智慧究竟是什麼？
他曾是國際級西洋棋神童，也是電子遊戲設計師，之後轉向神經科學研究，希望理解人類記憶、學習與想像力如何運作。多年後，他共同創立 DeepMind，希望透過人工智慧重新理解智慧本身，而不只是打造更強大的軟體。2024 年，他與同事因 AlphaFold 在蛋白質結構預測上的重大突破，共同獲得諾貝爾化學獎，再次讓全球看見 AI 不只是資訊科技，更可能成為推動科學發現的重要工具。
然而，在談到通用人工智慧（Artificial General Intelligence，AGI）時，Hassabis 提出一句耐人尋味的話：
「人腦，是我們目前唯一證明通用智慧可能存在的證據。」
這句話看似簡單，卻道出了整個 AGI 研究最核心的邏輯。
筆者透過 AIMochi 筆記工具，整理多方公開資訊和最新報導內容來理解其邏輯。今天，我們知道飛機可以飛，是因為鳥類早已證明飛行並非違反自然法則；我們知道潛艇可以潛入深海，是因為魚類早已展示生命如何適應海洋。同樣地，我們相信「通用智慧」是可能的，不是因為電腦已經做到，而是因為人類自己就是最直接的證明。
人類的大腦能夠學習語言、創作藝術、建立數學理論、設計太空船，也能在陌生環境中快速適應，甚至提出前所未有的新問題。這種跨領域遷移、抽象推理與創造能力，至今仍是人工智慧努力追趕的目標。
因此，在 Hassabis 看來，打造 AGI 並非只是開發一套更強大的模型，而是一場關於「智慧本質」的科學探索。
AI 開始成為科學家的助手，不只是工具...
過去數十年，電腦主要扮演的是計算工具。
它們幫助人類完成大量重複性工作，加速資料處理，提升運算效率。然而，近年來人工智慧的角色正逐漸改變。
AlphaFold 的誕生，就是一個重要的分水嶺。
蛋白質由胺基酸組成，但真正決定其功能的，是三維立體結構。數十年來，科學家必須透過 X 光晶體學、冷凍電子顯微鏡等方法，耗費大量時間與資源才能解析蛋白質結構，因此被視為生命科學最困難的問題之一。
AlphaFold 的出現，大幅提升了蛋白質結構預測的效率與準確度，使全球研究人員能更快速的理解蛋白質功能，加速藥物研發與疾病研究，並促使相關資料向全球科學界開放共享。這項突破被廣泛認為改變了結構生物學的研究模式，也因此獲得國際學術界高度肯定。
但對 Hassabis 而言，AlphaFold 並不是終點。
真正重要的是，它證明了一件事：
人工智慧開始具備推動科學發現的能力。
當 AI 不只是整理既有知識，而是協助人類提出新的假設、建立新的模型，甚至縮短原本需要數十年的研究時間，人類與科技的關係便發生了根本性的改變。
從這一刻起，我們討論的，不再只是「AI 能做什麼工作」，而是：
AI 是否能成為新的科學共同研究者？
而這，也正是通往 AGI 的真正起點。
AlphaFold 是什麼，人工智慧第一次真正改變科學發現模式
所以，AlphaFold 是什麼?
如果說當年，AlphaGo 擊敗世界頂尖棋手，證明 AI 可以超越人類在特定遊戲中的能力，
那麼 AlphaFold 則證明：
人工智慧可以協助人類探索自然界最複雜的問題之一。
蛋白質結構預測長期以來一直是生命科學的重要難題。
人體內約有數萬種蛋白質，而蛋白質如何折疊成三維結構，決定了它如何運作。
然而，從胺基酸序列推測蛋白質結構，過去需要科學家投入多年甚至數十年的研究。
AlphaFold 的突破改變了這個流程。
透過深度學習模型，AlphaFold 能夠根據蛋白質序列預測其三維結構，大幅提升研究效率。
這項成果不只是技術突破。
更重要的是，它改變了科學研究的節奏。
過去：
科學家提出假設 → 實驗驗證 → 等待結果
未來可能變成：
科學家提出問題 → AI 建立模型 → AI 提供假設 → 人類驗證與探索
AI 開始從「計算工具」變成「研究夥伴」。
這也是 Hassabis 認為人工智慧最重要的價值之一：
並非原本所認為的取代科學家，而是擴大人類探索未知的能力。
AGI 的真正挑戰：除了讓 AI 會回答，更要讓 AI 理解世界
近年來，大型語言模型（Large Language Models, LLM）的快速發展，讓人工智慧能力進入一個全新的階段。
從 OpenAI 的 ChatGPT、Google DeepMind 的 Gemini，到 Anthropic 的 Claude，這些模型展現出前所未有的語言能力。
它們可以：
-
撰寫文章與報告
-
生成與分析程式碼
-
翻譯不同語言
-
摘要大量文件
-
協助科學研究
-
分析複雜資料
-
模擬不同角色進行對話
這些能力讓許多人開始提出一個關鍵問題：
「我們是否已經接近通用人工智慧（Artificial General Intelligence, AGI）？」
然而，對 Demis Hassabis 而言，這個問題並沒有那麼簡單。
因為真正的智慧，並不只是能夠產生看似合理的答案。
語言能力，不等於真正理解
大型語言模型最令人驚嘆的地方，在於它們能夠從龐大的文字資料中學習語言模式。
舉個例子，當今天使用者問：
「如果一杯水放在冰箱裡，會發生什麼？」
AI 可以回答：
「水會因為低溫逐漸結冰。」
但問題在於：
AI 是真的理解「水」、「冰箱」、「溫度」與「結冰」之間的物理關係？
還是只是從大量文字中學習：
「水 + 冰箱 + 低溫」通常會和「冰」一起出現？
這正是目前 AI 研究中的核心挑戰之一。
人類理解世界的方式，並不是透過閱讀大量描述。
一個兩歲孩子不需要閱讀物理學教科書，就知道：
-
球從桌面推下去會掉落
-
杯子碰撞可能會破裂
-
火會造成燙傷
-
物體被遮住後仍然存在
這些能力來自人類大腦內部建立的一套「世界模型」。
什麼是 World Models（世界模型）？
簡單來說：
世界模型（World Model）就是 AI 對現實世界運作方式建立的一套內在理解系統。
它不是單純記錄資訊。
而是理解：
-
物體如何運動
-
事件如何發生
-
行動會造成什麼後果
-
不同因素之間如何互相影響
大型語言模型比較像是一個「非常博學的閱讀者」。
而世界模型則希望 AI 成為：「理解世界運作規則的推理者」。
從「知道」到「理解」：AI 能力的下一個分水嶺
假設我們問 AI：
「如果一個人拿著雨傘走進下雨天的街道，會發生什麼？」
目前的語言模型可能回答：
「雨傘可以防止雨水淋濕，因此人比較不容易被雨淋。」
這個回答看起來合理。
但真正理解世界的 AI，應該能進一步推演：
如果風變強：
→ 雨傘可能被吹翻。
如果雨勢增加：
→ 雨傘可能不足以完全遮蔽。
如果人走進室內：
→ 雨傘應該收起來。
如果地面積水：
→ 行走速度可能下降。
這代表 AI 不只是生成文字。
而是在模擬：「如果世界發生變化，接下來會如何？」
這就是世界模型的重要能力。
從 AlphaFold 到 World Models：DeepMind 的下一步
這也是為什麼 AlphaFold 對 Hassabis 而言具有特殊意義。
AlphaFold 不只是預測蛋白質結構。
它展現了一種新的可能：
AI 可以建立複雜系統的模型，並協助人類理解自然規律。
蛋白質是一個生物世界。
而 World Models 則希望讓 AI 理解更大的世界：
-
物理世界
-
社會系統
-
生物系統
-
經濟環境
-
人類行為
如果說：
AlphaGo 讓 AI 學會在棋盤世界中思考，
AlphaFold 讓 AI 開始理解生命世界，
那麼 World Models 則是在探索：
AI 是否能理解我們所生活的整個世界。
以上僅供參考與資訊分享之用!若想快速了解更多資訊，透過 AIMochi 台灣本土筆記工具，幫我們從海量資料中，梳理出關鍵資訊，讓我們精準掌握重要訊息!