列传 · 哈萨比斯（Demis Hassabis）

棋盘上的少年、神经科学的博士、诺贝尔化学奖得主——同一个人。

棋盘少年

1976 年，哈萨比斯（Demis Hassabis）生于英国伦敦，父亲希腊裔塞浦路斯人，母亲新加坡华裔。家中并无学术背景，父亲是玩具店店主、业余作曲家。

四岁那年，哈萨比斯偶然看到父亲与叔叔下国际象棋。两周后，他赢了父亲。这件事改变了一切。九岁时，他在英国十岁以下国际象棋锦标赛中获得冠军；十一岁时，他的国际象棋等级分一度排到全球同龄第二，仅次于波尔加（Judit Polgar）。十三岁，他获得国际象棋大师（Master）头衔。

但他没有走职业棋手的路。少年哈萨比斯在等级分突破 2300 后，把目光转向了另一种"在格子里推演的游戏"——电子游戏。他用奖金买了一台 ZX Spectrum 家用电脑，开始自学编程。

牛津街上的游戏神童

1990 年代初，少年哈萨比斯凭借出色的成绩与编程能力进入英国游戏工作室 Bullfrog Productions——它的创始人是后来被誉为英国游戏教父的 Peter Molyneux。1994 年，年仅十七岁的哈萨比斯担任主设计师与首席程序员，主导开发了 Theme Park——一款让玩家经营游乐园的模拟游戏。这款游戏在多个平台累计销量超过 1500 万套，奠定了"模拟经营"游戏的范式，至今被业界视为经典。

同一年，他进入剑桥大学皇后学院（Queens' College, Cambridge）攻读计算机科学三重荣誉（Computer Science Tripos）。1997 年以双优等（Double First）毕业。

毕业后他短暂加入 Lionhead Studios，参与 Molyneux 的下一款游戏 Black & White 的 AI 系统设计——一只会学习的虚拟生物。1998 年，他自创 Elixir Studios，制作了 Republic: The Revolution（2003）与 Evil Genius（2004）。游戏行业近十年的高强度训练，让他对"在受限环境中学习决策"这件事有了工程师层面的肌肉记忆。

但他知道，游戏只是过渡。

海马体与"想象力"

2005 年，哈萨比斯关闭 Elixir 工作室，进入伦敦大学学院（UCL）Gatsby 计算神经科学组（Gatsby Computational Neuroscience Unit）攻读博士，师从 Peter Dayan——计算神经科学的奠基人之一。Gatsby 是当时全球最重要的"AI 与脑科学交叉"研究中心，辛顿曾是其创始主任。

哈萨比斯研究的是海马体（Hippocampus）——大脑中负责记忆与空间导航的器官。他和 Eleanor Maguire 教授合作的一项研究极具开创性：他们发现海马体受损的失忆症患者，不仅无法回忆过去，也无法想象未来。

这篇 2007 年发表于 PNAS 的论文 Patients with Hippocampal Amnesia Cannot Imagine New Experiences，把"记忆"与"想象"在神经层面统一起来——它们共享同一套机制：从记忆碎片中重新组合出新场景的能力。这一发现入选 Science 杂志当年"年度十大科学突破"。

2009 年，他获得博士学位。三十三岁的他，已经在两个完全不同的领域留下了印记：游戏与神经科学。他要把它们合并起来。

DeepMind：把研究做成公司

2010 年 9 月，哈萨比斯与 Shane Legg、Mustafa Suleyman 在伦敦成立 DeepMind Technologies。Shane Legg 是 AGI（Artificial General Intelligence，通用人工智能）一词在学术界的早期推动者；Suleyman 是哈萨比斯的童年好友。三人在创立宣言中明确：DeepMind 的使命是"解决智能（Solve intelligence），然后用它解决一切其他问题"。

2013 年 12 月，DeepMind 在 NeurIPS 工作坊上公布了一篇看似平淡却震动业界的论文 Playing Atari with Deep Reinforcement Learning——他们用一个相同架构的深度 Q 网络（Deep Q-Network, DQN），让 AI 直接从屏幕像素学会玩 49 款雅达利游戏，其中超过半数达到或超过人类水平。这是深度学习与强化学习第一次在通用感知—决策任务上合体成功。

2014 年 1 月，谷歌以约 6.5 亿美元收购 DeepMind。哈萨比斯坚持两个条件：实验室留在伦敦、独立运行；成立伦理与安全委员会监督研究方向。

围棋、樊麾、李世石、柯洁

2014 年起，DeepMind 启动 AlphaGo 项目，由西尔弗主导算法、哈萨比斯主导整体战略。围棋长期被视为 AI 的"圣杯"——其状态空间约 10^170，远超国际象棋，传统搜索方法无能为力。

2015 年 10 月，AlphaGo 在伦敦闭门挑战欧洲围棋冠军、华裔棋手樊麾，五战全胜。这是计算机第一次在标准 19 路棋盘上无让子击败职业棋手。论文 Mastering the game of Go with deep neural networks and tree search 于 2016 年 1 月发表于 Nature。

2016 年 3 月，AlphaGo 在首尔挑战世界冠军李世石，五番棋以 4:1 取胜。第二局第三十七手——一手"肩冲"——被棋坛公认为人类围棋史上从未出现过的下法。李世石在赛后说："AI 不是变得更强了，AI 变得更美了。"

2017 年 5 月乌镇，AlphaGo Master 三战全胜柯洁。柯洁离开棋盘时哽咽。哈萨比斯随后宣布：AlphaGo 退役，团队转向更基础的科学问题。

同年 10 月，AlphaGo Zero 发表于 Nature——完全不使用人类棋谱，仅靠自我对弈，从零开始训练 40 天后超越所有前代。12 月，AlphaZero 进一步推广到国际象棋与日本将棋（Shogi），用同一套算法分别在 9 小时、12 小时、4 小时内达到世界顶尖水平。三个项目同一篇方法、三个棋类同一个网络。

AlphaFold：蛋白质折叠的五十年问题

棋盘的胜利让 DeepMind 得到媒体的所有镁光灯，但哈萨比斯心里另一个问题更重要：能否用同样的方法去解决一个真正影响人类的科学难题？

他选了"蛋白质折叠"——50 年来的生物学难题。蛋白质由氨基酸序列折叠成三维结构，结构决定功能；但从序列预测结构在计算上极其困难。1994 年起每两年举办一次 CASP（Critical Assessment of protein Structure Prediction）国际竞赛，几十年来最优算法的预测准确度（GDT）在 40–60 区间徘徊。

2018 年 CASP13，DeepMind 首次提交 AlphaFold，GDT 中位数突破 70。轰动一时。

2020 年 11 月 CASP14，AlphaFold 2 横空出世——GDT 中位数 92.4，对绝大多数蛋白质的结构预测达到或接近实验级精度。组委会主席 John Moult 公开宣布："这一问题，在某种意义上已被解决（in some sense, solved）。"

2021 年 7 月，DeepMind 在 Nature 发表论文，并把 AlphaFold 2 的代码与权重全部开源。同月，他们与欧洲分子生物学实验室（EMBL-EBI）联合发布 AlphaFold Protein Structure Database。一年后扩展到约 2 亿种蛋白质——几乎覆盖科学已知的所有蛋白质。在此之前，人类用半个世纪、上千实验室、数百亿美元的实验只解出了约 17 万个结构。

2024 年 5 月，AlphaFold 3 发表于 Nature，进一步把预测扩展到蛋白质—配体、蛋白质—DNA、蛋白质—RNA 等任意分子复合体。

诺贝尔的礼物

2023 年 4 月，谷歌宣布将 Google Brain 与 DeepMind 合并成立 Google DeepMind，哈萨比斯出任 CEO。两条独立发展十余年的 AI 主线，从此并入同一座屋檐之下。

2024 年 10 月 9 日，瑞典皇家科学院宣布该年度诺贝尔化学奖授予三人：贝克（David Baker，华盛顿大学）、哈萨比斯与江珀（John Jumper，DeepMind），表彰他们在蛋白质设计与结构预测上的突破。哈萨比斯成为人工智能领域第一位诺贝尔化学奖得主，时年四十八岁。

颁奖致辞中，瑞典皇家科学院评论：AlphaFold 让"50 年的梦想成为现实"，并使生命科学进入了一个被算法重塑的时代。

代表性著作

年份	作品	意义
1994	Theme Park（Bullfrog）	模拟经营游戏的奠基之作
2007	"Patients with Hippocampal Amnesia Cannot Imagine New Experiences", PNAS	记忆与想象的神经基础统一
2013	"Playing Atari with Deep Reinforcement Learning", NIPS Workshop	深度强化学习的诞生
2016	"Mastering the game of Go with deep neural networks and tree search", Nature	AlphaGo 击败职业棋手
2017	"Mastering the game of Go without human knowledge", Nature	AlphaGo Zero 与 AlphaZero
2021	"Highly accurate protein structure prediction with AlphaFold", Nature	AlphaFold 2，CASP14 接近实验精度
2024	"Accurate structure prediction of biomolecular interactions with AlphaFold 3", Nature	任意分子复合体结构预测
2024	诺贝尔化学奖（与 David Baker、John Jumper 共享）	AI 领域第一座诺贝尔化学奖

太史公曰

太史公曰

哈萨比斯的人生有四种可能：他可以是棋手——少年时代的等级分已许诺一个职业棋圣的未来；他可以是游戏制作人——Theme Park 卖出 1500 万套，足以让他终身衣食无忧；他可以是神经科学家——海马体与想象的研究入选《科学》年度十大突破；他可以是 AI 公司的 CEO——DeepMind 在 AlphaGo 与 AlphaFold 之后已是地球上最重要的实验室之一。但他没有止步于其中任何一种，他把它们一层一层叠加，最终在四十八岁那年走上斯德哥尔摩的领奖台。这条路告诉我们：智力游戏并不肤浅，象棋与围棋的训练里藏着对状态空间、价值函数、长程规划的肌肉记忆；游戏行业并不浅薄，Theme Park 里的每一个 NPC 调度都是一个微缩的强化学习；神经科学并不离题，海马体的"记忆即想象"为深度强化学习留下了原型。辛顿教会机器看见，苏茨克维教会机器说话，哈萨比斯则证明：机器可以下棋、可以折叠蛋白质、可以拿诺贝尔奖。智力游戏，原来真的可以成为科学突破。

亲历者说

征集中

如果你曾在 Bullfrog、Lionhead、Elixir、UCL Gatsby 或 DeepMind 与哈萨比斯共事，或亲历 AlphaGo、AlphaFold 项目，欢迎提交贡献。

参考资料

1. Hassabis, D., Kumaran, D., Vann, S. D., & Maguire, E. A. (2007). "Patients with Hippocampal Amnesia Cannot Imagine New Experiences." PNAS, 104(5), 1726–1731.
2. Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2013). "Playing Atari with Deep Reinforcement Learning." NIPS Deep Learning Workshop; full version in Nature (2015), 518, 529–533.
3. Silver, D., Huang, A., Maddison, C. J., et al. (2016). "Mastering the game of Go with deep neural networks and tree search." Nature, 529, 484–489.
4. Silver, D., Schrittwieser, J., Simonyan, K., et al. (2017). "Mastering the game of Go without human knowledge." Nature, 550, 354–359.
5. Silver, D., Hubert, T., Schrittwieser, J., et al. (2018). "A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play." Science, 362(6419), 1140–1144.
6. Jumper, J., Evans, R., Pritzel, A., et al. (2021). "Highly accurate protein structure prediction with AlphaFold." Nature, 596, 583–589.
7. Abramson, J., Adler, J., Dunger, J., et al. (2024). "Accurate structure prediction of biomolecular interactions with AlphaFold 3." Nature, 630, 493–500.
8. The Royal Swedish Academy of Sciences (2024). "The Nobel Prize in Chemistry 2024." Press Release, October 9, 2024.
9. Ford, Martin (2018). Architects of Intelligence: The Truth About AI from the People Building It. Packt Publishing. (Hassabis interview chapter.)
10. Heaven, Will Douglas (2020). "DeepMind's Protein Folding AI Has Solved a 50-Year-Old Grand Challenge of Biology." MIT Technology Review, November 30, 2020.