13岁拿到FIDE 2300分，这个成绩放在任何国家都算天才少年。但哈萨比斯在11岁那年就想过一个问题：如果你有一个聪明的头脑，你有很多事情可以做，每件事情都会有乐趣，为什么要执着于下国际象棋呢？

这个念头来自一场十小时的对局。下完之后他意识到，聪明人不应该只困在棋盘上。后来他成了DeepMind的创始人，拿了2024年诺贝尔化学奖。回头看，那场十小时的对局可能是整条路径的起点。

打开网易新闻 查看精彩图片

从游戏开发里看到涌现

英国80年代的计算机教育让哈萨比斯接触到了编程。他后来去了牛蛙公司做游戏开发，参与《主题公园》的制作。这段经历对他理解智能很关键。

《主题公园》用有限状态机来实现游客和员工的反应。每个角色的规则都很简单，但大量角色集中在一起之后，形成了一个复杂的虚拟社会。卡内基梅隆的教授看到游戏演示后感到震惊——他惊讶的不是每一个小角色有多聪明，而是这么多角色集中在一起就形成了复杂的社会。

这种涌现现象让哈萨比斯看到了AI的潜力。有限状态机加上足够多的简单个体，能产生超出单个规则设计者预期的行为。这个认知后来贯穿了他的研究方向。

符号主义不够用

在剑桥，哈萨比斯和大卫·西尔弗等人意识到符号主义的局限。符号主义把世界理解成僵化的规则，太简单了。他们主张从海量数据中发现模式，转向归纳法与神经网络。

此后哈萨比斯研究了海马体，理解记忆、想象与规划之间的关系。海马体研究显示，大脑通过重组记忆碎片来构建新场景。情绪稳定、有氧运动、良好睡眠对保持想象力很重要。这些发现为DeepMind结合神经科学与强化学习的路线奠定了基础。

他创立DeepMind的目标很明确：结合神经科学与强化学习，打造通用智能。

从打游戏到预测蛋白质

DQN让AI学会了自主打游戏。AlphaGo击败李世石，第37手震惊了解说。AlphaGo Zero不依赖人类棋谱，仅用三天自我学习，便以100比0超越2016年版本。这说明人类棋谱可能限制了AI的棋风。

哈萨比斯对智能的理解是：智能不是过目不忘，也不是严格按照流程做事不出纰漏。而是把一个智能体扔到他从来没有见过的环境当中，没有人给他说明书，也没有人告诉他该怎么做，他只有一个方向。

输的经验是最重要的。失败数据的价值在这个框架下被放大了。

AlphaFold把游戏中的学习方法用到了蛋白质结构预测上。蛋白质折叠对新药研发至关重要，传统测量技术受限。AlphaFold通过AI预测蛋白质三维结构，加速了罕见病靶向药物的开发。这个问题困扰了科学界50年。

哈萨比斯获得2024年诺贝尔化学奖。有人形容他更像是给安德安排训练场的那个人，而不是安德自己。

从国际象棋神童到AI研究者，哈萨比斯的核心判断一直没变：智能不是执行固定规则，而是在未知环境中自我学习、试错并找到解法。