全文 2,000 字 | 閱讀約 6 分鐘
（DeepMind CEO 德米斯·哈萨比斯最新深度訪談）
AI 競爭的真正戰場，並不在你我肉眼所見之處。
2026 年 4 月 7 日，DeepMind 執行長德米斯·哈萨比斯（Demis Hassabis）在最近一場深度對談中，將目光聚焦於 AlphaFold、Isomorphic、AlphaTensor 這些較少佔據科技頭版的產品。
仰賴這些工具，過去耗時數年的蛋白質結構預測，如今僅需數秒；藥物設計中大部分的篩選工作，已能在虛擬運算環境中完成，甚至開始浮現人類從未想過的全新解方。
然而，這類底層技術的突破，正加速向少數科技巨頭集中。谷歌貢獻了現代 AI 產業 90% 的底層突破。
工具日漸普及，差距卻愈發懸殊。同樣的工具，使用人數愈多，落差反而愈大。
第一節｜差距，已不在你看得見的地方
若將當前的 AI 生態圈粗略分為兩層，絕大多數人的認知，仍停留在第一層。
第一層是看得見的應用層：大型語言模型對話、AI 寫作、圖像生成與 AI 搜尋。這些應用門檻較低、回饋直觀，也更容易成為大眾茶餘飯後的話題，自然成為人們衡量 AI 強弱的主要參照。
但在這場對話裡，德米斯·哈萨比斯強調的，是更深的第二層。
他舉的例子是 AlphaFold（蛋白質摺疊）。這是曾困擾科學界數十年的終極難題：如何僅憑一串胺基酸序列，精準推斷出蛋白質的三維結構？過去，這往往需耗費數年時間，且成本極高、失敗率也極高。
像 AlphaFold 這樣的模型，將漫長的試錯過程壓縮至短短幾秒，並直接向全球研究者開源預測結果。如今，全球已有超過 300 萬名科學家使用它，成功預測出 2 億種已知蛋白質的結構。
正如一位製藥界科學家向哈萨比斯感慨：從現在起，幾乎每一款新藥的研發管線中，必然有 AlphaFold 的身影。
這裡的核心變化在於：人類科學研究的絕對起點，被整體抬高了。
過去，科學家需將大量時間耗費在確認基礎結構上；現在，他們能直接進入更關鍵的問題：藥物設計、疾病機制研究、氣候變遷下作物改良等。這些變化不會出現在任何熱搜榜單，但它們正改變科學研究的速度，也重新決定誰更容易取得突破。
類似的情況，也在其他領域出現：
在能源系統中，AI 優化電網運作，效率提升 30% 到 40%；
在材料科學裡，AI 窮舉新合金組合；
在藥物研發中，它篩選和設計化合物。
許多原本需要海量反覆試驗的流程，如今都能先在虛擬運算環境中完成絕大部分初篩，僅將最後一步留給實驗驗證。
同樣的工具，產生的效果卻截然不同：
「有人只是用 AI 提升既有任務的執行效率，有人卻用 AI 重新定義問題本身。」
差距，早已不是快慢的問題。
第二節｜差距真正拉開的那一刻：AI 開始自己找答案
如果說上一節談的是方向，那麼真正拉開差距的，是 AI 能力本身的變化。
那個決定性的轉折點，出現在圍棋棋盤上。
圍棋的合法棋局數高達 10 的 170 次方，比已知宇宙中的原子總數還要多。過去，學界普遍認為，電腦要在這一領域擊敗人類，至少還需要幾十年。
但在 2016 年，AlphaGo 對陣李世石，下出了第 37 手。
那一步棋，起初被所有職業棋手判定為錯誤，甚至荒謬。但隨著棋局推進，人們才意識到：那是一種人類圍棋史上從未出現過的下法。
這和傳統的電腦程式完全不同。過去的做法是把人類經驗寫進去，讓程式執行；而 AlphaGo 的經驗，來自它自己的試錯與探索。
隨後，這種能力被推向極致。
拋棄所有人類棋譜的 AlphaZero，開始了真正的「從零學習」。哈萨比斯曾親眼目睹 AlphaZero 在一天之內完成的驚人進化：早上還在隨意落子，中午就能與他對弈，下午超越了特級大師，到了晚上，已經碾壓人類世界冠軍。
而 AlphaTensor，AI 甚至開始在演算法層面尋找更高效的方法，它找到了更快的矩陣乘法，而這正是所有神經網路的基礎運算。
AI，開始自己發現新知識。
當這一點出現，「差距」的含義就完全不一樣了。如果對手只是更快、更準，AI 公司還可以用時間來彌補能力差；但如果模型走的是新路徑，過去的追趕方式就不管用了。
隨著大型模型的擴展法則（Scaling Law）逐漸接近極限，簡單的算力與參數堆砌面臨收益遞減。這時候，誰擁有這種探索能力，誰就建立了新的壁壘。誰能讓 AI 自己發明新的演算法，誰就在下一輪競爭中佔據優勢。
因為上一輪的紅利，已經被挖掘殆盡了。
第三節｜差距為什麼還會繼續拉大
如果說前兩節厘清了 AI 進化的方向與能力，那麼接下來要直面的，是一個更刺骨的現實：在工具幾乎平權的當下，為什麼人與人、公司與公司之間的差距，反而會被加速拉大？
這種鴻溝，首先橫亙在技術底層。
支撐現代 AI 產業的底層突破中，90% 來自谷歌大腦、谷歌研究或 DeepMind。這背後是長期研發積累的結果。
即使是開源模式，也存在時間差。領先實驗室的新想法，需要 6 個月才能被開源社群複製。在技術快速迭代的情況下，這半年本身就是一道壁壘。
其次，是工具使用程度的分化。
Demis 給出了一個建議：讓自己沉浸在這些工具裡，用到像擁有超能力一樣。
這句話表面上是在講學習方式，實際上指向的是：同樣的工具，正在被用來做完全不同的事情。
有人把 AI 當成效率工具，用來寫內容、整理資訊，只是把原來的流程做得更快。
有人把它當成能力放大器，用來完成過去做不到的任務，比如讓非技術人員搭建產品原型、分析複雜數據，把事情做得更好。
還有一部分人，開始用 AI 重新定義問題本身，讓它直接參與科研、設計新產品路徑，甚至改變原有的工作方式。
前兩種在提速，第三種在換方向。
哈萨比斯在描繪未來時，特別強調了 Agent（智慧體）這種形態。Agent 意味著 AI 將從「被動執行指令」的工具，進化為「獨立推進複雜目標」的數位員工。從設定目標、規劃拆解到路徑糾偏，一切皆可自行運轉。
一旦這種形態全面普及，過去大家焦慮的「會不會用 AI」，將演變成「能不能用 AI 定義結果」。
未來工具自動包攬絕大部分的執行動作時，真正決定勝負的，將是你明確方向的能力、設定目標的視野，以及對核心業務場景的深度洞察。
技術在集中，使用在分化。
同樣的工具，在不同人手裡，用的人越多，認知的鴻溝反而越深。
結語
回到這場對話本身，哈萨比斯講了三件事：方向在變化，能力在變化，用法也在變化。
當這三件事同時發生時，差距就不會停下來。
有的人還在比較哪個工具好用，有的人已經在用工具找到新機會。
問題從來不是 AI 會發展到什麼程度，而是你會停在什麼位置。
📮 本文由 AI 深度研究院出品，翻譯自德米斯·哈萨比斯公開訪談內容，屬編譯整理性質。譯文為中文轉述與觀點提煉，非逐字翻譯。未經授權，不得轉載。
原文連結：
https://www.youtube.com/watch?v=SSya123u9Yk
https://www.youtube.com/watch?v=C0gErQtnNFE&t=21s
來源：官方媒體/網路新聞
排版：Atlas
編輯：深思
主編：圖靈
--END--