---
type: yt_article
date: 2026-04-30
source: YouTube
youtube_url: https://www.youtube.com/watch?v=AFpeWo1GTeg
channel: "Sequoia Capital"
video_title: "Demis Hassabis: We're Three Quarters of the Way to AGI"
tags: ["AGI", "DeepMind", "AlphaFold", "AI制藥", "Hassabis"]
---

# Hassabis：AGI 已完成 75%，預計 2030 年實現

> 原始影片：[Demis Hassabis: We're Three Quarters of the Way to AGI](https://www.youtube.com/watch?v=AFpeWo1GTeg) | Sequoia Capital | 2026-04-29

## 導言

Demis Hassabis 是 Google DeepMind 創辦人兼 CEO、2024 年諾貝爾化學獎得主（AlphaFold 解決蛋白質折疊問題），這集是他在 Sequoia 的 AI Ascent 大會上接受合夥人 Konstantine Buhler 專訪。

兩個重點先講：他押 **AGI 在 2030 年到來、目前完成度約 75%**；他認為下一波突破不在語言模型本身，而在 **AI 用於科學**——藥物研發從 10 年壓縮到幾週、虛擬細胞模擬、精準到分子層級的化合物設計。對製藥、模擬技術、複雜湧現系統相關的投資人來說，這集是地圖。

## 從遊戲到 AGI：一條有意識規劃的職涯路徑

Hassabis 的背景看起來很跳——國際象棋神童、遊戲公司創辦人、神經科學家、DeepMind 創辦人。他說這些不是偶然拼接，是他從十五、六歲就規劃好的：當時他決定 AI 是他能做到最重要也最有趣的事，之後每一步都在為 DeepMind 做準備。

「我從大約十五、六歲就將其作為計畫。有一段時間我繞道去做遊戲，因為那是 1990 年代——所有最前沿的技術都在那裡發生。不只在 AI，在圖形領域尤其是硬體，包括我們今天都在使用的 GPU。我當時在使用最早的 GPU，那時大約是 1990 年代末期。」

他做的所有遊戲——Bullfrog Productions 的作品、後來自己創辦的 Elixir Studios——都把 AI 當核心玩法。最知名的《Theme Park》是遊樂園模擬，模擬數千名小人物進公園、坐設施、購物，底下是一整套經濟學 AI 模型，賣超過一千萬份。看到人們跟 AI 互動時的快樂，是他把整個職業生涯投入 AI 的關鍵時刻之一。

## 打造 DeepMind 的第一課：領先五年的藝術

Elixir Studios 那段時期，Hassabis 學到最重要的一課：「你想領先時代五年，而不是五十年。」

當時他們想做的遊戲叫《Republic》——模擬整個國家、玩家可以用各種方式推翻獨裁者、模擬會呼吸的城市，要在 1990 年代末的 Pentium 電腦上跑一百萬人的圖形和 AI。野心過頭，出了一些問題。教訓：太明顯就太晚了，但領先五十年幾乎不可能成功。

這條原則直接決定了 DeepMind 的成立時機。2009 年他判斷 AGI 的條件成熟：Deep Learning 剛被 Geoff Hinton 跟同事發明、但幾乎沒人意識到這是大事；他們深知強化學習，相信兩種技術結合會帶來巨大進展；GPU 加速運算產業要起飛；神經科學也提供了足夠創見。

「我們當時覺得自己是秘密的守護者，因為無論是學術界還是產業界，幾乎沒有人相信能夠取得任何重大進展。事實上，學術界的許多人當我們提到要做 AGI 或當時所說的『強 AI』時，會直接在我們面前翻白眼，因為他們認為這個方向顯然行不通。」

被質疑反而讓他更篤定：「至少如果我們失敗，我們會以不同於 1990 年代人們失敗的方式失敗。這讓我覺得無論如何都值得嘗試。」DeepMind 最初的使命兩句話：第一步，解決智慧——也就是建立 AGI；第二步，用它來解決其他一切問題。

## AlphaFold 與 AI 製藥的突破口

AI for Science 一直是 DeepMind 的核心使命。AlphaFold 解決蛋白質折疊問題（一個五十年的重大挑戰），證明 AI 在生物學領域已經創造了類似於語言和程式設計領域的轉折點。

但 AlphaFold 只是藥物研發流程的一段。蛋白質的 3D 結構是理解生物學的起點，真正需要的是能自動設計化合物的技術，讓化合物精準結合蛋白質的目標位置。Hassabis 說：「我們現在知道了蛋白質的形狀，知道表面上有什麼需要瞄準的。但現在我們需要構建正確的化合物，當然要能強烈結合到你想結合的目標位置，但理想情況下不要結合到任何其他東西——否則就會產生毒性副作用。」

他的願景：「我們希望能夠在矽膠中完成幾乎所有的探索——這佔據了 99% 的工作和時間——然後只保留濕實驗室步驟作為驗證步驟。如果我們能做到這一點，我認為我們可以在未來幾年內將藥物研發時間從現在的平均十年縮短到幾個月，甚至可能是幾週，也許有一天會縮短到幾天。這樣所有疾病都將在可觸及的範圍內，個人化醫療也將成為可能。」

這就是 Isomorphic Labs 的使命——DeepMind 最新分拆出的公司，Hassabis 親自帶領，做生物化學跟化學領域的相關技術。

## 從虛擬細胞到精準模擬：AI 作為新的科學語言

製藥之外，Hassabis 對模擬技術的野心更大。DeepMind 已經做出世界上最精準的天氣模擬器 GraphCast，速度遠快於傳統氣象預報系統。生物學領域他們在開發「虛擬細胞」——一個高度動態、湧現性的系統。

「我長期以來一直覺得，機器學習是描述這類系統的完美工具。生物學和許多自然系統中，你會面對大量微弱訊號、微弱相關性和大量數據——數據量遠超過任何人腦能夠分析的程度。但在這堆數據中存在著聯繫、相關性和有趣的因果關係。數學一直無法做到這一點，因為對頂尖數學家來說太過複雜，或者數學的表達能力不足以理解這些高度湧現的動態系統。」

他的長期目標：如果能從學習到的模擬器中提取明確的方程式，那會是新興科學的另一個分支——這些方程式或許能和麥克斯韋方程式一樣基礎。

## 資訊作為宇宙的基本構建塊

Hassabis 提了一個哲學層級的猜測：宇宙的基本構建塊可能是資訊，而非能量或物質。

「愛因斯坦著名的 E=MC² 和他的研究告訴我們，能量和物質在某種意義上是等價的。但我認為資訊也有類似的等價性。我們可以思考——物質和能量的組織與結構——特別是像生物學這樣抵抗熵增的事物——本質上都是資訊處理系統。所以我認為這三種量可以相互轉化。但我有種感覺，資訊是最根本的。」

如果這是真的，AI 的意義會更深一層：「因為 AI 也是關於組織資訊、理解資訊、建構資訊結構的。如果我們用資訊處理作為首要框架來思考，很多事情都會變得深刻地相互連接。」

關於古典圖靈機是否能計算一切，他的態度既謙遜又樂觀：「我時常稱我們為圖靈機的冠軍，因為圖靈機的理論——我認為 Alan Turing 是我史上最喜歡的科學英雄之一——它奠定了計算機科學和 AI 的基礎。AlphaFold 等案例表明，一台古典圖靈機——以現代神經網路的形式——可以模擬被認為需要量子系統的問題，例如蛋白質折疊中的量子效應。這意味著許多我們以為需要量子系統的東西，或許在以正確方式思考後，能夠在古典系統上建模。」

## AGI 的時間線與意識的問題

問到 AGI 何時實現，Hassabis 答得很直接：「2030 年。我在這一點上一直很一致。我們大約完成了四分之三。」

對於 AGI 之後的角色，他建議先建工具——一個極度智慧、有用、精確的工具——再跨越下一階段：自主性和代理性、以及更深的問題如意識。「我會建議第一步先構建工具，用工具來幫助我們解決這些更深遠的問題。理想情況下，我們也能更好地理解我們自己的大腦和心智，更精確地定義像意識這樣的概念——這比我們今天能做到的要精確得多。」

意識他坦承還沒解決，但點出可能的必要條件：自我意識、自我與他者的概念、時間上的連續性。同時他也承認 AI 跟人類之間有條無法消除的鴻溝：

「我們之所以不會像現在這樣爭論彼此是否有意識，是因為我們運行在相同的基質上。但我們與人工系統之間永遠不會有這種基質等價，所以我認為我們永遠無法完全彌合那道鴻溝。你可以從行為角度來看待它，但從經驗角度呢？AGI 之後可能有一些方法可以處理這個問題，但今天已經超出了 AI for Science 討論的範圍。」

## 康德與斯賓諾莎：科學家的哲學底色

Hassabis 自承康德（Kant）跟斯賓諾莎（Spinoza）是他最喜歡的兩位哲學家。康德的「心靈創造現實」跟他的神經科學研究深度共鳴：「我從康德那裡得到的是——我們最終感興趣的是現實的本質，所以我們必須理解心靈如何詮釋現實。這也是研究心智和大腦運作的另一個理由。」

斯賓諾莎提供了更形而上的維度：「如果你試圖用科學來理解宇宙——就像我的情況——你就是在以深刻的方式理解某個深層奧秘。當我做科學時，當我們研究 AI 並構建這些工具時，我感覺我們在某種程度上正在閱讀宇宙的語言。」

## 結語

幾條對投資人有用的判斷：

**AGI 2030 不是行銷話術，是有人押注的時間點。** Hassabis 連續幾年講同一個數字、又把目前進度量化成 75%——他不是隨口講。如果你做的是 10 年期的深度科技項目，這代表 AGI 會在你的 roadmap 中段出現，產品設計從一開始就要考慮「能不能利用它」。

**製藥 AI 是下一個 AlphaFold 級別的故事，但賽道窄。** 「藥物研發從 10 年壓到幾週」聽起來像 PR 話，但 Hassabis 已經把 Isomorphic Labs 拆出來、自己帶。能跟 DeepMind 同場競爭的玩家很少——Recursion、Insilico Medicine、Schrödinger 各有路線，但能整合「結構預測 + 化合物生成 + 結合特異性」整條 pipeline 的還沒有第二家。值得追蹤分拆後的估值跟 milestone。

**虛擬細胞跟精準模擬是更遠的賽道。** 「從學到的模擬器反推出方程式」這句話如果成真，是科學方法論等級的轉變。短期看不到投資標的，但 GraphCast 已經是天氣預報的 SOTA——「AI 模擬器替代物理模擬器」這條線上，氣象、流體、藥物、材料是逐個被吃掉的順序。

聽完這集最有感的一句是 Hassabis 那句「資訊是最根本的」。如果他押對了，AI 不只是「另一個 GPT」，而是人類第一次直接操作宇宙底層元素的工具。即使這條哲學主張只有 30% 機率正確，30% × 那個賠率，也夠下注了。

---
*本文由 AI 根據 YouTube 影片內容生成，僅供參考。*