DeepMind：从解决智能问题到重塑人类未来
2016年3月，韩国首尔，超过两亿观众屏息凝神地注视着棋盘。围棋世界冠军李世石刚刚输掉了第二局比赛，而击败他的不是人类，而是一个名为AlphaGo的人工智能程序。那一局的第37手棋石破天惊——这步极其违反直觉的下法起初被专业解说员认为是失误，然而大约一百多手之后，那枚棋子恰好落在了决定胜负的关键位置。这一手棋，不仅改变了那盘棋的走向，也被许多人视为人工智能现代纪元的开端。
AlphaGo背后，站着一家当时对大众来说还相当陌生的公司——DeepMind。今天，它已经成为全球人工智能领域最响亮的名字之一。
一家带着使命诞生的公司
DeepMind的故事始于2010年的伦敦。那一年，戴密斯·哈萨比斯（Demis Hassabis）、穆斯塔法·苏莱曼（Mustafa Suleyman）和肖恩·莱格（Shane Legg）三位创始人共同创立了这家公司。哈萨比斯本人就是一个传奇人物：他4岁学国际象棋，8岁写代码，17岁主导设计了畅销电子游戏《主题公园》，后来到剑桥大学读计算机科学，又在伦敦大学学院拿下认知神经科学博士学位，专门研究大脑的记忆与想象力机制。他将神经科学、计算机科学和工程学的跨界视野带入了DeepMind的基因之中。
这家公司的使命极为宏大——用哈萨比斯的话说，就是“解决智能问题，然后用它来解决其他一切问题”。换言之，DeepMind从一开始就不只是想做出某个具体产品，而是要理解智能的本质，并构建出真正通用的智能系统，再用它来攻克人类面临的最棘手挑战。
2014年，谷歌以约4亿至6.5亿美元的价格收购了DeepMind。这笔在当时看来数额不菲的收购，如今被证明是极具远见的投资——DeepMind已经成为谷歌所有AI能力的“引擎室”，从搜索到Gmail再到云服务，其技术渗透到了谷歌生态系统的方方面面。2023年4月，谷歌母公司Alphabet做出了一项重大决策：将其两大AI研究部门——Google Brain与DeepMind正式合并，统一由哈萨比斯领导，从此谷歌的AI研究力量整合为一支专注而强大的团队。
不仅会下棋：DeepMind在做什么？
AlphaGo：人工智能的“神之一手”
2016年那场人机大战之所以震撼世界，在于围棋长期以来被认为是人工智能最难攻克的堡垒之一——棋盘上的可能局面多达10^170种，远超可观测宇宙中的原子总数。AlphaGo不是靠蛮力穷举来取胜的，它运用了深度神经网络与强化学习的结合：先学习人类专家的棋谱建立基础模型，再通过与自己下数百万盘棋来自我进化，从中发现超越人类经验的策略。
在AlphaGo之后，DeepMind又推出了AlphaGo Zero——这个版本完全不再使用任何人类棋谱，从完全随机的对弈开始学习，最终超越了前代。随后的AlphaZero更是将这套方法通用化，从零开始自学就能精通围棋、国际象棋和日本将棋，不仅能击败顶尖人类棋手，还能构想出令人类惊叹的新型战略。
AlphaGo的意义远不止围棋本身。哈萨比斯在十周年回顾中写道：“十年前，AlphaGo在首尔的传奇对决宣告了人工智能现代时代的开启。其著名的‘第37手’昭示着人工智能技术已准备好应对科学等领域的现实世界难题，而这些方法所启发的理念对构建通用人工智能至关重要。”这套在棋盘上验证过的搜索与强化学习方法，后来被应用于蛋白质折叠、核聚变控制等多个领域，成为DeepMind技术路线的核心基因。
AlphaFold：破解生物学50年难题
如果说AlphaGo证明了AI在游戏中的潜力，那么AlphaFold则向世界展示了AI在科学发现中的巨大力量。
蛋白质结构预测被称为困扰生物学界50年的重大挑战。蛋白质是生命的物质基础，它们的功能取决于其三维折叠结构——而仅凭氨基酸序列来预测这一结构，由于可能的空间构型近乎无限，长期被认为极其困难。过去，研究人员为了搞清楚一个蛋白质的结构，往往需要投入数年时间和大量资金进行实验测定。
2020年，DeepMind的AlphaFold 2在蛋白质结构预测竞赛CASP中一举成名，以高精度预测了三分之二的参赛蛋白质结构。随后，DeepMind与欧洲分子生物学实验室（EMBL-EBI）合作，将AlphaFold预测的超过2亿个蛋白质结构免费向全球科学界开放，来自190多个国家的超过300万研究人员使用了这一数据库。
这一成就的影响是深远的。正如一位研究者所说，AlphaFold公开结构数据的时刻，堪称“结构生物学的基因组计划时刻”。因为AlphaFold，药物研发可以更快地找到靶点，疾病机制可以被更深入地理解，而这一切都是免费开放的。2024年，AlphaFold的核心研发者——DeepMind的德米斯·哈萨比斯和约翰·詹珀（John Jumper）也因此获得诺贝尔化学奖，这或许是AI技术首次以如此高的荣誉获得来自传统科学界的最高认可。
更值得关注的是，AlphaFold没有止步于“预测”。2024年，DeepMind团队将目光从“预测”拓展到了“设计”，推出了AlphaProteo，致力于从头设计具有特定功能的蛋白质。从“理解生命的结构”到“创造新的生命组件”，DeepMind正在将AI从分析工具升级为创造工具。
Gemini：大模型时代的全面反攻
2022年底，当ChatGPT引爆全球大模型热潮时，很多人认为谷歌在这场竞赛中落后了。然而，在哈萨比斯的带领下，DeepMind仅用了大约36个月就完成了一场漂亮的逆袭。
2025年，谷歌DeepMind发布的Gemini 3在多个权威模型评测榜单中登顶，表现优于同期竞品模型，尤其在模拟推理和长时间规划方面展现出了显著优势。Gemini不仅是实验室里的“明星”，更是谷歌生态中真正的“动力引擎”——通过搜索中的AI概览功能，月活跃用户已达20亿；通过Gemini应用，月活跃用户突破6.5亿。从搜索到Gmail，从云服务到YouTube，DeepMind的AI能力正在全面增强谷歌的产品矩阵。
Gemini的核心竞争优势在于其原生多模态架构。与一些“先做好文本再加多模态插件”的路线不同，DeepMind从一开始就将图像、视频、音频等多种感知能力深度融合到Gemini的底层架构中。这使得Gemini不仅能“看懂”图像，还能深入理解场景的深层含义。哈萨比斯曾举例说，Gemini观看电影《搏击俱乐部》时，能将一个角色摘掉戒指的动作解读为对日常生活的哲学性放弃——这种深度理解能力，是此前技术难以企及的。
在此基础上，DeepMind还推出了Gemini Robotics系列，专门为机器人赋予“具身推理”能力。2025年发布的Gemini Robotics On-Device模型，可以完全在机器人端运行而无需依赖云端连接，赋予了机器人在现实世界中自主感知和行动的能力。
医疗健康：从蛋白质到基因组的全面赋能
继AlphaFold之后，DeepMind在生命科学领域持续深耕。2025年发布的AlphaGenome是其中最具代表性的突破之一。这一AI系统可以一次性分析高达100万个DNA字母，预测非编码区的微小变化如何引发从癌症到罕见遗传病等各种疾病。
所谓“非编码区”，曾长期被科学家们视为“垃圾DNA”，但现在的认知已经完全改变——人类基因组中约98%的DNA不直接编码蛋白质，但它们控制着基因何时开启、何时关闭、表达多少，对健康和疾病有着深远影响。AlphaGenome的使命，就是破解这片基因“暗物质”的运作规律。一位研究者评价道，AlphaGenome是“迄今为止最全面的人类基因组注释工具”。
与此同时，DeepMind还将AI应用到了全球健康的具体场景中。在印度，DeepMind与非营利组织ARMMAN合作，利用预测模型改善母婴健康。通过两个名为M-Mitra和Kilkari的移动健康项目，在孕期和婴幼儿健康管理方面取得了可衡量的改善成效，覆盖了数百万受益家庭。
在更前沿的方向上，DeepMind正在开发“AI联合科学家”（AI Co-Scientist）——一个基于Gemini架构的多智能体系统，能够系统地生成、批判和优化科学假设。2025年，DeepMind宣布将对AI设计的药物进行临床试验，这意味着AI不再只是辅助工具，而是开始参与到药物研发的核心创意环节中。
通往AGI之路：未来将走向何方？
世界模型：让AI理解物理世界
在DeepMind的未来蓝图中，“世界模型”是一个至关重要的方向。哈萨比斯曾明确表示，他目前绝大部分研究时间都投入在这一领域，并将其视为实现通用人工智能（AGI）不可或缺的核心组件。
什么是世界模型？简单来说，就是让AI不仅能处理语言和图像，还能像人类一样理解物理世界的运行规律——水的流动、物体的碰撞、因果关系的传递。DeepMind的Genie系列模型是这一方向的代表作：短短一年半时间里，Genie从2D进化到了能实时生成交互式3D环境的Genie 3。只需一句话，Genie 3就能在720p分辨率下创造一个用户可以边走边看的动态世界。
哈萨比斯预测，世界模型将迎来属于自己的“ChatGPT时刻”。一旦AI真正理解了物理世界，机器人就能在复杂环境中自如行动，自动驾驶将变得更加安全可靠，科学模拟实验的效率也将大幅提升。目前，谷歌内部已经将世界模型用于训练机器人和其他智能体，未来这一技术的外溢效应值得期待。
自动化科学实验室：AI驱动的新科研范式
2025年底，一个具有里程碑意义的合作宣布落地：DeepMind将在英国设立其全球首个全自动化科研实验室，计划于2026年投入使用。这个实验室将深度融合AI与机器人技术，实现“AI设计实验—机器人执行实验—AI分析结果—AI调整迭代”的全闭环，全程无需人类直接参与。
实验室的重点研究方向涵盖新一代超导材料、低成本医学成像技术、高效低能耗芯片材料，以及支撑清洁能源的新材料体系。这意味着DeepMind正在将AI从“辅助科学家思考”升级为“替代科学家做实验”。
与此同时，DeepMind还在推进一项更加雄心勃勃的计划：从“细胞核”切入，目标在未来十年内构建一个完整的“虚拟细胞”。如果这一目标实现，将意味着科学家可以在计算机上模拟细胞内发生的所有生化过程，从而以前所未有的速度和规模推进疾病机理研究和药物开发。
AGI还有多远？
对于“通用人工智能（AGI）何时到来”这个问题，哈萨比斯给出了相对明确的时间判断：大约还需要5到10年。
在他看来，现有的AI技术虽然已经取得了巨大进步，但距离真正的通用智能还缺少三块“关键拼图”：
第一块拼图：持续学习能力。当前的大模型都处于“无状态”状态——每次对话都是从头开始，无法像人类那样持续从经验中学习、动态更新自己的知识和行为模式。
第二块拼图：长程推理与规划能力。虽然大模型在特定任务上表现出色，但在多步骤的复杂推理中仍然容易出错。哈萨比斯直言，现有AI存在“智力参差不齐”的问题——能攻克奥赛金牌难题，却在基础算术上频繁出错。
第三块拼图：真正的记忆机制。哈萨比斯认为，业界目前疯狂比拼的“大上下文窗口”只是一种“暴力胶带式”的笨办法。人类大脑依靠海马体在睡眠中精准整合、巩固记忆，而大模型只是不分主次地堆砌信息，检索效率极低，无法真正理解长期事件。
为了弥补这些拼图，DeepMind正在将AlphaGo时代积累的核心武器——强化学习与搜索算法——全面引入大模型体系。哈萨比斯指出，当前大模型展现的“思维链推理”，本质上就是AlphaGo和AlphaZero核心理念的规模化复现。DeepMind正在重新引入蒙特卡洛树搜索等经典技术，与大模型深度融合，以此打破当前模型推理能力的天花板。
此外，DeepMind在2026年初发布了一套衡量AGI进展的新框架，将通用智能分解为10个关键能力维度，试图为这个模糊的概念建立可量化的评估标准，让“AGI到了哪一步”不再只是一句口号，而是可以追踪和度量的科学问题。
AI时代的两种理想主义
DeepMind身上一直存在两条线索：一条是科学理想主义，另一条是现实世界的竞争逻辑。
在科学理想主义这条线上，DeepMind做出了许多令人尊敬的选择。最典型的就是AlphaFold——它不是被变成一个高度封闭的商业产品，而是将海量蛋白质结构数据向全球科学界免费开放。哈萨比斯对此的理念非常清晰：“如果AI真能成为科学加速器，那么最重要的不是把它锁在一个收费墙后面，而是让整个科学共同体都能站在这块新地基上往前走。”
在理想的另一面，DeepMind也无法回避商业竞争的现实压力。随着ChatGPT引爆行业浪潮，AI被迅速卷入了产品竞争和资本竞速，DeepMind也不得不将研发节奏从“慢慢研究智能本质”调整为更贴近市场的高速迭代。但哈萨比斯始终强调，即便在商业竞争中胜出，最终的赢家也应该是“那些真正解决人类最根本问题的技术”。
值得一提的是，DeepMind在AI安全方面也有独特的坚持。早在2017年，DeepMind就成立了独立的伦理委员会，负责监督AI开发的伦理事宜。在公司早期，埃隆·马斯克曾是DeepMind的投资人，哈萨比斯本人则是最早对AI开源带来的安全风险发出警告的行业领袖之一——他曾直言，盲目“颂扬AI开源”实际上“非常危险”。
哈萨比斯描绘的未来图景令人心驰神往：在接下来的10到20年内，AI将帮助我们攻克所有疾病，在环境问题和新能源领域取得突破性进展，开启一场人类文明的新文艺复兴。而他认为，这场变革的规模将是工业革命的十倍，速度也可能快十倍。
结语
从伦敦的一间小办公室起步，到成为谷歌AI版图的中枢；从AlphaGo的“第37手”震惊棋坛，到AlphaFold摘下诺贝尔奖的桂冠；从解码基因暗物质的AlphaGenome，到全力推进的世界模型和AGI——DeepMind的16年历程，本身就是一部人工智能从实验室走向现实世界的浓缩史。
哈萨比斯曾将自己的人生使命定义为“解决智能问题，然后用它来解决其他一切问题”。如今看来，前半句已经在棋局中得到了初步验证，后半句正在蛋白质折叠、基因解码、材料发现等前沿科学战场上徐徐展开。
如果说AlphaGo的那步“神之一手”曾让人们看到AI超越人类直觉的可能，那么DeepMind正在向世界证明的另一件事或许更为重要：在商业化浪潮汹涌的AI时代，坚持科学理想主义——把最顶尖的技术投入到攻克疾病、能源和基础科学之中——不仅可能，而且是AI能够给人类带来的最好礼物。这或许就是DeepMind留给我们最值得关注的命题：当AI越来越强大，我们选择用它来做什么？
