Google AI掌门人Demis Hassabis：比爽文更爽的开挂人生
你现在17岁，有人给了你提供了两个选择：
选项A：拿下1000万，别去读大学
选项B：去剑桥念书
你怎么选择？给你10秒钟时间思考。
你可能常常在小红书、公众号、虎扑看到这样的选择题，大多数人只会想问：我该去哪领钱？
但...这个极端不现实的场景，确实Google AI的负责人在31年前真实面临的选择。
1993年，16岁的Demis Hassabis被剑桥大学录取了，但因为年纪太小，还不满足入学的条件，所以需要等一年再去读大学。
怎么利用这一年的Gap Year呢？
环游世界？
还是在家玩游戏？
都不是，从小爱玩游戏的Demis Hassabis选择去一家游戏公司打「黑工」。
也就是在这一年时间内，他主导设计了一款史上十大最畅销游戏之一——《主题公园》（Theme Park），这款游戏累计卖出了超过1500万份。
Peter Molyneux是全欧洲最好的游戏公司创始人。
他提出了一个条件：给Demis 100万英镑，但他不能去读大学。
那在20世纪90年代是一大笔钱。
对于一个17岁的穷小子来说，这是改变命运的机会。
但Demis拒绝了。
他说："我从一开始就有个计划。
我的计划一直都是要去剑桥大学读书。
"Peter至今依然记得送Demis去火车站的那天："他就如同一粒即将破土而出的小种子，但在牛蛙制作公司，他是无法做到的。
我至今依然记得这个小精灵角色消失在那条隧道里的画面。
那是个令人极其伤感的时刻。
"为什么？
一个17岁的天才少年，怎么会有魄力拒绝100万英镑？
他在追求什么？
答案要从6年前说起。
1988年，列支敦士登的一个山间教堂里，12岁的Demis正在参加一场国际象棋锦标赛。
对手是前丹麦冠军，三十几岁。
比赛持续了10个小时。
到了最后，Demis明明可以逼成平局——只需要放弃皇后，棋局就会陷入僵局。
但他太累了，误以为被将军是无可避免的，于是认输了。
对手跳了起来，开始大笑。
他问："你为什么要认输？
这是平局。
"然后他立刻用夸张的动作，给Demis演示平局该怎么走棋。
Demis感到很不舒服。
但真正让他开始思考的，不是这次挫败本身，而是他环顾四周时看到的景象：教堂里坐着数百名国际象棋棋手。
所有人都在全神贯注地对弈，消耗着巨大的脑力。
他突然想到一个问题："我们是在浪费头脑吗？
这就是脑力最好的用武之地吗？
如果可以把那300个大脑连接到一个系统上，那种脑力水平也许能够用于根治癌症。
"那一刻，即便热爱国际象棋，Demis也决定：这不该是他一生的事业。
这个12岁时的问题，成为了他一生的追问：智力的最好用处是什么？
6年后，当Peter Molyneux提出100万英镑时，Demis拒绝的原因很简单：做游戏不是答案。
钱也不是。
他要去找那个答案。
30年后，2024年10月，Demis Hassabis因为用AI解决了50年未解的蛋白质折叠问题，获得了诺贝尔化学奖。
这篇文章想讲的，不只是他怎么拿到诺贝尔奖，而是他怎么找到了那个12岁时的问题的答案。
答案就是一个词：Simulation（模拟）。
这个词贯穿了他整个人生。
一、17岁：第一次模拟一个世界要理解Demis为什么拒绝100万英镑，得先知道他是怎么走到那一步的。
Demis 4岁学国际象棋，几周后就击败了父亲和叔叔。
13岁时达到大师级别（Elo 2300），Under-14年龄组的世界第二。
列支敦士登的那次挫折，让他开始思考国际象棋之外的可能性。
1990年，他看到杂志上的一个比赛广告：创作《太空侵略者》的原创版本，获胜者能去牛蛙制作公司（Bullfrog Productions）工作。
Demis做了一款叫《国际象棋入侵者》的游戏，赢得了比赛。
创始人Peter Molyneux至今记得他第一次见到Demis的场景："他走进门，看上去大概12岁上下。
我心想：'天啊，我们该拿他怎么办？
'"因为太小不能合法雇用，Demis的薪水都是装在棕色纸信封里发的。
1994年，17岁的Demis和Peter Molyneux一起设计了那款改变他命运的游戏：《主题公园》。
玩家可以建造主题公园，设计过山车，给炸鱼薯条店的东西定价。
但最重要的是：游戏里的游客有自主行为。
Demis设计的AI模拟了真实的人类行为：如果离惊险的过山车距离太近，过山车上刚吃过东西的人就会呕吐当其他人看到地上的呕吐物时，他们也会呕吐这样就得有很多清扫人员，以便赶在被人们看到前快速清扫干净这些细微的模拟动作，Peter Molyneux说，是"前所未有的发明，独一无二"。
这是Demis第一次用代码模拟一个世界。
他发现了一件事：模拟不只是娱乐，模拟是理解世界的方式。
游戏大获成功。
1500万份。
Peter看到了Demis的天赋，于是提出了那个100万英镑的条件。
但Demis拒绝了。
同学都觉得他疯了："你为什么不拿钱？
100万英镑可是一大笔钱！
"Demis心里很清楚：做游戏很有趣，也能赚钱。
但那不是12岁时那个问题的答案。
他要去剑桥，去理解什么是智能，什么是理解。
Demis去了剑桥，学Computer Science。
但真正改变他轨迹的，是1997年发生的一件事。
二、剑桥：模拟不是计算，理解才是智能1997年5月，IBM的"深蓝"击败了国际象棋世界冠军卡斯帕罗夫。
全世界都在欢呼人工智能的胜利，但Demis的反应很不一样。
他说："我对'深蓝'的印象并不深，卡斯帕罗夫的思维让我印象更深。
"为什么？
"卡斯帕罗夫在国际象棋上的造诣跟野兽般的机器不分伯仲，但卡斯帕罗夫还能做到人类能做到的其他所有事。
这是一项巨大的成就，而'深蓝'只会下象棋。
它的系统里缺少了我们所认为的智能，即通用性和学习的想法。
"深蓝是暴力计算。
它每秒评估2亿个棋局，靠穷举，不是理解。
Demis意识到：真正的智能不是计算，是理解。
而理解的核心能力，是模拟。
在剑桥，他接触到不同学科的人——生物学家、哲学家、艺术家。
有人不断跟他讲一个问题："蛋白质折叠"。
蛋白质是生命的机器。
由氨基酸链构成，折叠形成特定结构。
如果能从氨基酸序列预测蛋白质结构，就能设计出治愈癌症或分解塑料的新型蛋白质。
这个问题从20世纪60年代起就有人研究，但没人解决。
Demis当时想："人类是否真的智慧到能够折叠蛋白质？
我觉得它是可以解决的，但我认为需要人工智能来解决。
"但在创办AI公司之前，他决定先去理解人类大脑本身是如何工作的。
2005年，他去了UCL（伦敦大学学院），攻读神经科学PhD。
三、神经科学：大脑如何模拟未来？
Demis在UCL的研究主题是：想象、记忆和失忆症。
他想搞清楚的核心问题是：人类大脑是如何模拟未来场景的？
他的第一篇论文发表在PNAS上，是个里程碑式的发现：海马体受损的患者，既有失忆症（无法记忆过去），也无法想象新体验（无法模拟未来）。
这证明了：记忆和想象是同一个系统。
换句话说，大脑模拟未来的能力，依赖于它存储过去经验的能力。
这篇论文被Science杂志评为"2007年度十大科学突破"之一。
但对Demis来说，这个发现的意义远不止于此。
它回答了一个更深层的问题：什么是智能？
Demis的答案是：智能就是模拟的能力。
一个智能系统，不只是记住过去发生了什么，还要能模拟未来可能发生什么，然后基于这些模拟做决策。
这让人想起物理学家Richard Feynman说过的一句话："What I cannot create, I do not understand."（凡是我不能创造的，说明我还不够理解。
）Demis想明白了：要理解智能，就要能创造智能系统。
而创造的方式，就是模拟。
DeepMind后来做的所有事，都是这个思路。
2007年，在UCL的一次演讲上，Demis遇到了Shane Legg。
Shane当时在讲："机器真的变得更智能了吗？
有人说是，有人说不是。
它们现在的计算速度变得快多了，但在通用智能方面，我们真的在进步吗？
"两个人聊完后，Demis感觉："我们俩守护着一个不为人知的秘密。
"那个秘密是：通用人工智能（AGI）是可能的，而且需要用模拟的方式去实现，而不是深蓝那样的暴力计算。
但在学术界，这个想法是不被接受的。
Demis说："学术界没人会支持我们所做的事。
几乎可以说在学术界，'人工智能'一词是个令人尴尬的词。
如果你说自己在研究人工智能，那显然你不是一个真正的科学家。
"所以，他说服Shane：正确的做法是创办一家公司。
四、DeepMind：在模拟中自我进化2010年，DeepMind成立。
前两年完全隐身，办公室在秘密地点，没有网站。
去面试的人会说："我刚刚给我妻子发了短信告诉她我要去的具体地方，以防这是个可怕的骗局，我会遭到绑架。
"他们在做什么？
Demis的目标很清楚：建造世界上第一台通用学习机器。
他们的方法是：让AI在模拟环境中自我学习。
第一个测试是雅达利游戏。
他们创建了一种叫DQN的算法，结合了强化学习和深度学习。
目标是：用同一个系统，玩几十款不同的游戏。
第一个游戏是Pong（乓）。
开始时，AI根本不知道要做什么。
它只知道得分是好事，其他什么都不知道——不知道自己在控制什么，不知道规则，不知道目标。
Demis当时对Shane说："也许我们错了，我们甚至连《乓》都玩不好。
"但突然，它拿到了第一分。
"这是偶然吗？
不，不是。
它真的得分了。
"接着它得了一些分，然后赢了第一场比赛。
3个月后，没有人类能击败它。
从像素到动作，完全自学。
这在当时是第一次有人做到。
然后他们试了《Breakout》（打砖块）。
300场比赛后，它的水平几乎和任何人类一样出色。
但他们让系统又玩了200场比赛，它做了一件很惊人的事：它发现最佳策略是在一侧打通一条通道，把球打到墙后面。
这不是人类教它的。
这是它自己在模拟中发现的。
50个游戏之后，DQN可以从头开始自我训练，达到人类水平甚至超过。
2014年，Google以4亿英镑收购了DeepMind。
但真正让全世界震惊的，是2016年发生的事。
五、AlphaGo：模拟出人类从未走过的棋围棋被认为是人工智能的圣杯。
它的潜在棋谱比宇宙中的原子还多。
多年来，所有用AI试验围棋的尝试都失败了。
2016年3月，韩国首尔，AlphaGo对战李世石——过去十年里最伟大的棋手之一，"围棋界的罗杰·费德勒"。
第37步棋，AlphaGo走了一步没有哪个人类棋手会走的棋。
专业评论员说：AlphaGo认为，这步棋只有万分之一的概率是人类会走的。
但它走了。
而且是对的。
一位棋手说："我原以为AlphaGo是基于概率计算的，而且它只是一台机器。
但AlphaGo肯定很有创意。
围棋已经被研究了几千年，AlphaGo发现了一些全新的东西。
"AlphaGo赢了。
李世石投子认输。
这一刻，全世界意识到：地球上诞生了新事物。
对中国来说，这是"斯普特尼克时刻"——像1957年苏联发射人造卫星一样，引发了全球AI竞赛。
但Demis没有停下来。
2017年，DeepMind发布了AlphaZero。
AlphaGo是基于人类数据训练的——它先观看了10万场厉害的业余棋手的比赛，然后通过强化学习与自己对弈数百万次。
但AlphaZero完全不需要人类数据。
它剥离了所有人类的知识，完全从零开始，在模拟中与不同版本的自己对弈，从错误中学习。
训练速度有多快？
AlphaGo需要几个月。
AlphaZero早上开始训练，完全随机对弈。
到茶歇时达到超人类水平。
到晚餐时，成为有史以来最强大的象棋实体。
它成了自己的老师。
Demis一直相信的事得到了证明：真正的智能不是学习人类的经验，而是在模拟中自我进化。
但他想做的，远不止游戏。
六、AlphaFold：模拟生命的基础2018年，DeepMind参加了CASP——蛋白质结构预测关键评估，每两年举行一次，被称为"蛋白质折叠的奥运会"。
评分标准：超过90分算成功。
CASP13的结果出来了：DeepMind以50%的优势击败了第二名。
但约翰·穆特（CASP的联合创始人）说了一句话，让Demis很失望："阿尔法折叠没有获得足以让其切实得以被利用的数据。
"诺贝尔奖得主Paul Nurse也说："比如说像我这样的人查验我自己的生理问题——阿尔法折叠做不到。
"Demis后来回忆："那个时刻让人感觉有些惭愧。
我们觉得自己非常努力，也成功了，而且在一个难住了全世界的问题上我们的表现是最好的。
我们知道我们很烂。
"团队里有人开始质疑："这在某种程度上是一场愚蠢的冒险。
也许考虑人工智能的现状，那还是太难了。
"有人说了一句话："最长的梯子并不能帮你登上月球。
"什么意思？
用现有的方法优化，可能永远也到不了目标。
需要完全不同的思路。
2019年，Demis做了一个决定："从这里开始，我们需要加倍努力并尽快实现。
我觉得我们不能再浪费时间了。
"他组建了一个突击小组，约翰·江珀（John Jumper）担任组长，加入了生物学专家。
关键是：他们重写了整个数据管道，而不是在原有系统上修修补补。
有人说："你必须给那些花朵绽放的空间，不能在创作阶段强迫它。
"4个月后，进展出现了。
速度突破：CASP13期间1-2天折叠1个蛋白质，现在1秒折叠数十万个。
质量突破：许多结构达到高精度水平。
2020年11月，CASP14的结果公布了。
约翰·穆特发来邮件："你们团队在CASP14中表现得非常出色，不论是相对于其他组还是在模型的绝对准确性方面。
恭喜你们完成了这项工作，真的非常出色。
"约翰·江珀说："半个世纪之后，我们终于找到了蛋白质折叠问题的解决方案。
"Demis给父母打电话："嘿，妈妈，我有事要告诉你。
我们做了一件事，可能是件大事。
"接下来，Demis做了一个决定："我们想将这个公开，不仅确保代码是公开的，我们还要让所有人都能便利地获得这些预测结果。
"他们在一个月内预测了所有已知的序列，公开了2亿个蛋白质结构。
发布当天，从655个用户暴涨到10万个并发用户。
Demis说："这些是馈赠给人类的礼物。
"2024年，Demis Hassabis和John Jumper因为这项工作，获得了诺贝尔化学奖。
但故事还没有结束。
七、World Models：模拟世界，才能理解世界2025年12月，在一次年终访谈中，Demis谈到了DeepMind现在在做的事：World Models（世界模型）。
他说了一段很关键的话："LLM理解语言，但缺少空间感知。
World Models理解物理世界的因果关系。
"这是DeepMind和大多数AI公司的差异。
大多数公司在做什么？
Scaling LLM——让模型更大，数据更多，训练更久。
LLM学的是语言的统计规律。
但Demis认为，这还不够。
费曼说过："凡是我不能创造的，说明我还不够理解。
"Demis现在要做的，就是创造（模拟）整个物理世界，来真正理解世界。
真正的智能，需要模拟物理世界。
DeepMind现在有两个系统：Genie和Simma。
Genie生成可交互的虚拟世界，Simma在虚拟世界中探索。
把它们组合起来：Simma在Genie生成的世界中学习，Genie按需生成无限的训练场景，AI可能实现"自我进化"。
这就像当年的AlphaZero：不需要人类数据，在模拟中自我学习。
但这次模拟的不是围棋，而是整个物理世界。
Demis说："我的梦想是在模拟中重新运行生命进化，观察意识、社会结构如何涌现，理解我们从哪里来。
"这让人想起他在剑桥时的那个直觉：蛋白质折叠可以用AI解决。
现在他在追问更大的问题：意识、创造力、情感…这些是可计算的吗？
他说："这是我人生的核心问题：图灵机的极限在哪里？
到目前为止，宇宙中没有发现任何不可计算的事物。
""如果我们造出AGI，然后用它模拟人类心智，对比真实心智，就能看出差异在哪里。
也许差异是creativity？
emotions？
dreaming？
consciousness？
这将回答'人之为人'的本质。
"当AlphaGo击败李世石时，Demis说他的感受很复杂："我既兴奋又有点失落。
围棋是美丽的神秘，我们破解了它。
这有点苦乐参半。
"科学家的宿命是：解开谜题的同时，失去神秘感。
但Demis还是选择了这条路。
尾声：智力的最好用处从12岁在列支敦士登的教堂里问出那个问题，到48岁获得诺贝尔奖，Demis花了36年。
回过头看，他的整个人生都在围绕一个核心理念：Simulation（模拟）。
17岁，他模拟了一个主题公园。
神经科学PhD，他研究大脑如何模拟想象和记忆。
AlphaGo/AlphaZero，在模拟对弈中自我进化。
AlphaFold，模拟蛋白质折叠。
World Models，模拟整个物理世界。
而他一直在追问的，是那个12岁时的问题：智力的最好用处是什么？
答案是：用最好的头脑，去模拟和理解整个世界。
不是为了下好一盘棋，不是为了赢一场比赛，而是为了解决癌症、阿尔茨海默病、能源危机、气候变化——那些真正能改变人类命运的问题。
在2025年的那次访谈里，Demis说："我的使命是帮助全人类安全地跨越AGI这条线。
完成这个任务后，我会好好休个假。
""我为这个时刻准备了一生。
从下棋、做游戏、研究神经科学…都是为了这个时刻。
""这是我一生一直为之奋斗的时刻。
"也许，这就是智力的最好用处
深度分析：Demis Hassabis的“模拟驱动”人生哲学与通用人工智能的路径
核心论点
Demis Hassabis的人生轨迹，从拒绝100万英镑的诱惑，到最终获得诺贝尔化学奖，并非偶然的“爽文式”开挂，而是一条由**“Simulation（模拟）”**这一核心理念贯穿始终的、高度结构化的智力探索之路。他的核心论点是：真正的智能（Intelligence）不是纯粹的计算或记忆，而是模拟（Simulation）的能力，即构建和运行内部世界模型以预测、理解和干预外部现实的能力。 这一理念驱动他从游戏设计到神经科学，最终在通用人工智能（AGI）的框架下，解决了蛋白质折叠这一生物学难题，并持续探索意识与认知的本质。
第一部分：拒绝诱惑的基石——12岁时的“智力价值”拷问
Hassabis在17岁时拒绝100万英镑的决定，是其人生哲学的一次早期、关键的实践。这并非一时的冲动，而是根植于他12岁时在国际象棋锦标赛上的顿悟。
1.1 国际象棋的局限性与“智力浪费”的觉醒
在列支敦士登的教堂里，Hassabis目睹了数百位顶尖棋手进行高强度的脑力消耗。他意识到，尽管国际象棋是智力的极致体现，但其应用场景过于狭窄。他提出的问题——“我们是在浪费头脑吗？”，揭示了他对“智力的最优效用”的深刻关切。
背景知识关联： 国际象棋作为AI研究的早期基准，其特点是“完全信息博弈”，可以通过穷举搜索（如“深蓝”）达到顶尖水平。Hassabis的顿悟在于，这种基于特定规则的计算能力，无法迁移到更广泛、更复杂的现实问题上，如根治癌症。
1.2 模拟的萌芽：《主题公园》的实践
Hassabis在Gap Year中设计《主题公园》并非仅仅为了赚钱或娱乐，而是他首次将“模拟”概念应用于复杂系统。
- 系统构建： 游戏的核心在于模拟游客的自主行为（如看到呕吐物后的反应）。这要求构建一个内部模型，预测个体在特定环境刺激下的反应。
- 拒绝的逻辑： 当Peter Molyneux提供100万英镑时，Hassabis拒绝是因为他认识到，游戏设计是模拟的一个子集，但不是其终极目标。他需要更基础的工具（剑桥的教育）来理解“智能”的本质，以便解决更宏大的问题。
结构化观点： 17岁的拒绝是“目标导向型”的，他将金钱视为实现其“智力价值最大化”的工具，而非目标本身。他选择了投资于基础科学（剑桥），以期获得解决更复杂模拟问题的能力。
第二部分：智能的定义与路径——从计算到理解的范式转移
Hassabis在剑桥的学习经历，特别是对“深蓝”事件的反应，确立了他对“智能”的独特定义，并指引了他后续的研究方向。
2.1 “深蓝”的局限性与通用性的追求
1997年“深蓝”战胜卡斯帕罗夫，引发了关于AI的全球热议。Hassabis的洞察在于，深蓝展示了“暴力计算”的威力，但缺乏“通用性”和“学习能力”。
- 计算 vs. 理解： 深蓝是基于预设规则和巨大算力的搜索机器，它“知道”如何赢棋，但“不理解”围棋的本质或人类的思维。
- 通用智能（AGI）的界定： Hassabis认为，真正的智能需要具备跨领域迁移的能力，即一种更深层次的“理解”。
2.2 神经科学的转向：大脑如何模拟未来？
为了理解“理解”的机制，Hassabis转向了神经科学（UCL的PhD），专注于海马体、记忆和想象力的关系。
- 核心发现： 记忆与想象共享同一神经系统。无法形成新记忆的患者，也无法想象新的场景。
- 模拟的生物学基础： 这项研究证实了Hassabis的直觉：大脑的智能在于其模拟未来的能力。 记忆是过去经验的编码，而想象是利用这些编码在内部构建未来可能性的“沙盒”。
结构化观点： 这一阶段的探索，完成了Hassabis对“智能”的定义升级：智能 = 模拟过去经验 + 预测未来场景的能力。 这一认知为DeepMind的成立提供了坚实的理论基础，即AGI的实现路径是构建能够自我模拟、自我学习的系统。
第三部分：DeepMind的实践——在模拟中实现自我进化
DeepMind的创立与发展，是Hassabis将“模拟”理念应用于工程实践的集中体现。
3.1 从雅达利游戏到DQN：环境交互的初步模拟
DeepMind初期选择雅达利游戏作为测试平台，目标是构建一个能够从零开始学习复杂任务的通用系统。
- 强化学习（RL）与深度学习（DL）的结合： DQN算法的核心在于让AI通过与环境的交互（试错）来学习。环境（游戏）即是模拟器，AI的“奖励函数”驱动其内部模型不断优化。
- 自发策略的涌现： 在《Breakout》中，AI发现“打穿墙壁”的策略，这表明系统已经超越了简单模仿人类的路径，开始在模拟空间中探索更优解。
3.2 AlphaGo/AlphaZero：模拟复杂决策空间
围棋是模拟的终极考验，因为它具有极大的状态空间（比宇宙原子还多）。
- AlphaGo的混合模拟： 初期AlphaGo结合了人类先验知识（监督学习）和自我对弈（强化学习）。它在模拟中学习了人类的“直觉”和“模式识别”。
- AlphaZero的纯粹模拟： AlphaZero的突破在于完全剥离了人类知识，仅依赖“自我对弈”进行模拟。它在极短时间内，通过纯粹的模拟迭代，超越了人类数千年的积累。
背景知识关联： AlphaZero的成功证明了“蒙特卡洛树搜索（MCTS）”与深度神经网络结合的强大威力，它本质上是在一个高度抽象的模拟空间中，通过自我博弈来逼近最优策略。
结构化观点： DeepMind的成功路径是：先构建一个足够逼真的模拟环境（游戏），然后利用强化学习算法，让智能体在其中进行无限迭代，从而实现能力的涌现和自我进化。
第四部分：模拟的升维——从抽象博弈到物理现实的挑战
Hassabis深知，游戏模拟的成功并不能直接等同于解决现实世界的复杂问题。真正的挑战在于，如何将模拟能力从抽象的数字世界迁移到物理和生物世界。
4.1 AlphaFold的挑战：从“计算”到“结构预测”
蛋白质折叠问题是生物学领域一个长达半世纪的难题。它本质上是一个复杂的物理模拟问题：如何从一维的氨基酸序列预测其三维结构？
- 早期挫折与范式转变： CASP13的初步成功（50%优势）被质疑为“不够实用”，因为其精度在生物学应用上仍有欠缺。这表明，在现有框架下进行优化（“最长的梯子”）是不足够的。
- 重构数据管道与深度模拟： DeepMind团队重写了数据处理流程，并采用了更精细的模拟方法。他们不再仅仅是预测结构，而是更深入地模拟了原子间的相互作用和能量最小化过程。
背景知识关联： 蛋白质折叠的本质是寻找能量最低的构象。AlphaFold的成功，标志着AI首次在生物物理学领域，通过深度学习模型，实现了对复杂物理过程的精确、快速模拟。
4.2 诺贝尔奖的意义：模拟作为科学发现的工具
Hassabis获得诺贝尔化学奖，并非因为他“发明”了蛋白质，而是因为他提供了一种**“发现新知识的工具”**。AlphaFold的公开（2亿个结构免费开放）是其“智力价值最大化”理念的体现——解决人类面临的重大问题，而非仅为公司盈利。
结构化观点： AlphaFold的成功，是Hassabis“模拟驱动”哲学的胜利，它证明了构建精确的、可泛化的世界模型，是解决科学难题的有效途径。
第五部分：未来的前沿——World Models与意识的模拟
Hassabis的目光从未停留在已解决的问题上。DeepMind的当前焦点“World Models”代表了模拟理念的终极目标：构建一个能够模拟整个物理世界的通用模型。
5.1 LLM的局限性与物理因果关系的缺失
当前主流的LLM（如GPT系列）在语言理解上表现出色，但Hassabis指出其核心缺陷：缺乏对物理世界的空间感知和因果关系的理解。LLM是基于文本统计规律的，而不是基于物理定律的。
- 模拟的维度扩展： World Models旨在弥补这一缺陷。通过Genie和Simma等系统，AI需要在虚拟环境中学习物理定律、空间关系和因果链条。
5.2 模拟生命进化与意识的本质
Hassabis的终极目标，是利用强大的模拟能力，去探索那些目前无法通过传统科学方法直接观察或测量的现象：意识、情感、创造力。
- “重运行生命进化”的设想： 在一个可控的模拟环境中，观察生命如何在不同参数下涌现出复杂的社会结构和意识形态，这将是对“我们从哪里来”的终极追问。
- 图灵机的极限探索： 他试图通过构建AGI并模拟人类心智，来定位“人之为人”的本质差异。如果AGI在模拟中无法复现创造力或情感，那么这些特质可能存在于图灵机计算能力之外的领域，或者需要一个全新的、更复杂的模拟框架。
结构化观点： World Models是Hassabis从“解决特定问题（蛋白质折叠）”向“理解通用智能（AGI）”和“探索认知本质”的自然过渡。模拟不再是工具，而是理解现实本身的底层逻辑。
结论：智力的最好用处——持续的、有目的的模拟
Demis Hassabis的人生故事，是对“天才如何将潜力转化为现实影响力”的深刻案例研究。他的成功并非源于天赋的随机爆发，而是源于一套清晰、连贯且不断深化的哲学体系。
- 价值锚定： 12岁时确立的“智力的最优效用”锚点，决定了他拒绝短期利益（100万英镑），选择长期投资（剑桥）。
- 核心方法论： “模拟（Simulation）”被确立为理解和创造智能的唯一有效途径，贯穿了从游戏设计到神经科学再到AGI研究的每一个阶段。
- 持续迭代： 他的研究路径是层层递进的：从模拟特定系统（主题公园），到理解大脑如何模拟（神经科学），再到构建自我进化的模拟器（AlphaZero），最终目标是模拟整个物理世界（World Models）。
Hassabis的“开挂人生”，实际上是**“有目的的、持续性的、跨学科的模拟实践”**。他所追求的，正如他所言，是“帮助全人类安全地跨越AGI这条线”，用最强大的智力工具去解决人类面临的最根本的生存挑战。这不仅是对科学的贡献，更是对人类心智潜能边界的一次勇敢探索。