文 | 字母 AI配资在线门户有哪些
我们可能用一个聊天机器人，换掉了治愈癌症的机会。
这并非阴谋论，而是哈萨比斯（Demis Hassabis）的原话逻辑。
这位诺贝尔奖得主、Google DeepMind 的 CEO、AlphaFold 的创造者，在被问到 ChatGPT 发布那一刻时，给出了一个几乎可以称得上"反行业共识"的回答：
"如果让我来决定的话，我会让 AI 在实验室里待得更久一些，做更多 AlphaFold 这样的事情——也许能治愈癌症之类的。"
但现实是，像 ChatGPT 这样的产品爆发，让整个 AI 行业都陷入了高速竞争。
上述内容来自 Huge Conversations 在 2026 年 4 月 7 日发布的一次访谈，在这场对话中，哈萨比斯讲清楚了四件事：
AI 真正改变世界的地方
AI 是如何偏离原本路径的
真正需要被担心的风险
人类应该怎么应对
下面，是这场对话中最值得关注的几个部分。
01 AI 真正改变世界的地方，我们很难看见
如果不是相关从业人员，大部分人对 AI 的印象还停留在聊天机器人、写作助手、或者生成图片上。
北京配资炒股哈萨比斯在这场访谈里提到了一个很容易被忽略的事实：AI 更重要的应用，其实发生在这些产品之外。
真正重要的变化发生在另一个离日常生活很远的层面，在实验室、在数据库、在那些大多数人从未接触过的科学问题之中。
最典型的例子就是 AlphaFold。这是哈萨比斯带领 DeepMind 做出的一个系统，目标是仅凭一段蛋白质的氨基酸序列，预测出它最终的三维结构。
你可以这么想：蛋白质的结构决定了它在人体中的功能，而功能决定了疾病如何发生，也决定了药物如何起作用。
当然实际情况会复杂得多，在这里就不展开解释了。
过去，科学家想知道一个蛋白质有什么样的结构，需要花费数年时间，在实验室里反复尝试，成本动辄几十万美元，甚至更高。
很多蛋白质因为结构过于复杂，想被解析出来简直难如登天——认真的，不是开玩笑。
但 AlphaFold 把这件事变成了一次计算问题，输入一段序列，只需要几秒钟就能得到一个高度可靠的三维结构预测。
DeepMind 原本可以像行业里惯常的做法那样做一个在线服务，科学家提交一个蛋白质序列，系统算一次，返回结果。
但在一次内部会议上，哈萨比斯突然意识到，与其按需计算，不如把自然界中已知的所有蛋白质全部算完。
于是 DeepMind 在他的带领下，把大约两亿个蛋白质结构批量计算了出来，免费开放给全世界。
在某种意义上我们可以认为这是一项公益事业，毕竟这一做法意味着，结构生物学这个领域，突然多了一个随时可以调用的基础设施。
哈萨比斯解释到，今天已经有超过 300 万名科学家在使用 AlphaFold。对于许多研究者来说，这已经不只是一个"工具"，更像一个默认存在的前提条件。
元股证券:ygzq.hk在药物研发中，AlphaFold 改变了整个流程的起点：过去的路径是在实验室里反复试错，但现在，大量的试错被提前搬到了计算机里。
过去，研究者需要先确定一个可能的靶点，再去设计分子，让它能"贴"在这个蛋白质上。这个过程依赖大量湿实验：做一个分子，测试一次；如果不对就再改一点，再测一次。
但在 AI 介入之后，这个逻辑开始发生变化。
在 DeepMind 拆分出来的药物公司 Isomorphic Labs 中，这一过程被重新组织成了一种"计算优先"的模式：AI 先在计算机中生成大量候选分子，预测它们与目标蛋白质的结合效果，同时快速检查这些分子是否会误伤人体内其他蛋白质，可能带来什么副作用……
然后，根据这些反馈不断调整分子结构，进入下一轮搜索。
整个过程变成了一种高频率的迭代搜索，原本在实验室里花费大量时间和资源的试错，被压缩到了计算机的多轮计算里。
湿实验并没有消失，只是被推到了流程的最后一环：只有少数几个最有希望的候选分子，才会真正进入实验验证。
传统路径中一款药物的研发周期大约需要 10 年，成功率只有约 10%。而这种以计算为核心的方式，至少在理论上，有机会同时改变这两个数字。
哈萨比斯自己的判断是：从现在开始，几乎所有新药的研发过程中，都会或多或少地用到 AI。
在他看来，这才是 AI 最有可能改变世界的方式。不是以任何一个爆款产品的形式出现，也不会在手机界面上反复提醒你它的存在。
它更像是一层被铺设好的底层系统，一旦建成，就会悄无声息地改变整个领域的运行方式。
也就是说，如果只看聊天机器人，我们看到的可能只是 AI 最不重要的一部分。
02 AI 正在被"推着跑"
如果顺着哈萨比斯自己的设想，AI 的发展路径本来可以是另一种样子，更慢一点，也更"科学家"一点。
他在访谈里给出了一个比较罕见的表态：如果由他来决定，他会让 AI 在实验室里多待 10 年，甚至 20 年，像大型科学项目那样推进。
他给出的参照是 CERN（欧洲核子研究中心，世界上最大的粒子物理研究机构），像那样把全世界最好的科学家组织在一起，一步一步把问题拆清楚，对每一个关键环节都建立起足够清晰的理解，而不是在不完全理解的情况下快速往前推进。
在这条路径上，AI 的目标并不是尽快做出产品，而是优先解决那些最基础、最关键的科学问题—— AlphaFold 就是这种思路的典型体现。
在他的设想中，这些"慢而深"的突破，可以在通往 AGI（通用人工智能）的过程中，持续为人类带来回报。
但现实并不是这样。
哈萨比斯的解释很直白：技术的发展，往往不会按照预期的路径前进。
其中一个关键的转折点是语言模型的突破，以及 ChatGPT 带来的爆发式传播。
语言能力比很多人预期的要容易解决得多，像 Transformer 这样的架构，加上一些强化学习方法，就足以让模型在语言、概念和抽象表达上表现出惊人的能力。
ChatGPT 最初也只是一个研究实验，但它一被发布就迅速变成了一个全球性的产品。
它改变了整个行业的节奏，让 AI 变成了一场正在发生的激烈竞争。
大量用户开始直接接触到最前沿的 AI 能力，市场的关注点也随之发生了转移，从实验室里的长期问题，转向了可以快速落地的产品形态。
商业竞争开始加速，各家公司不得不更频繁地发布新模型，模型能力的演进也开始和用户增长、市场反馈深度绑定在一起。
哈萨比斯并没有完全否定这种加速，他承认这种发展方式也带来了几个现实的好处：原本可能需要更长时间才能落地的能力，现在可以更早进入现实世界。
今天大多数人使用到的 AI，往往只比实验室内部的版本落后几个月——这放在以前几乎是难以想象的。大量的真实使用也带来了更丰富的数据，毕竟再完善的内部测试，也难以覆盖数百万用户带来的复杂场景。
但有好处并不意味着路径是理想的，它更像是一个被现实推动出来的结果。
哈萨比斯的态度其实很清楚，他是一个科学家，但同时也是一个工程师。我们可以理解为一种理想主义者在现实面前的妥协：他知道什么是更理想的路径，但也接受这个世界并不会按照理想运行。
技术的进展在很大程度上是不可预测的，一旦某个方向率先取得突破，它就会迅速吸引资源、资本和注意力。
于是，更容易被产品化的能力被不断放大，原本可能优先推进的科学问题，则被暂时放在了后面。
从这个角度看，今天的 AI 并不是沿着"最有价值"的方向在前进，而是在多种力量的推动下，走上了一条更快、也更不确定的路径。
03 真正的风险不是 deepfake，权威股票配资，多空杠杆，正规实盘配资，平台资质是两件更大的事
关于 AI 的讨论，大多数焦点都集中在一类问题上：deepfake、虚假信息、内容失真。
注意，这里是对于大部分人而言，不是从业者，是任何一个使用 AI 的普通人。
deepfake 确实是问题，但在哈萨比斯看来，它并不是最值得担心的那一类。
他在访谈中给出了一个非常明确的排序：
第一类是"人"的问题。小到个人，大到国家，会不会把这些原本用于科学研究、医疗和基础设施的技术，用在有害的方向上。
这种风险并不新，但 AI 让它的规模和效率发生了变化。一个原本只在小范围内产生影响的能力，一旦被放大，就可能带来完全不同级别的后果。
第二类是 AI 本身的问题。准确地说，是随着 AI 从"工具"变成能够独立完成任务的系统，这种变化所带来的不确定性。
哈萨比斯提到，今天的系统还不具备这种能力，但在未来几年内，随着 AI 进入所谓的" agentic "阶段（也就是能够自主执行完整任务的阶段），问题会变得更加严峻。
关键并不在它是否足够智能，在于我们是否能够确保它始终按照既定目标行事，不会绕过规则，也不会在执行过程中偏离原本的意图。
这在技术上是非常困难的，因为系统越智能，它能够找到的捷径也就越多，而这些捷径并不一定符合设计者最初的预期。
哈萨比斯认为，这两类风险是接下来几年需要重点面对的问题。
相比之下，当前最常被讨论的 deepfake 和虚假信息，更像是"已经发生的问题"，它们需要被解决，也有相对明确的技术路径，比如通过水印系统来标记 AI 生成内容：DeepMind 内部就开发了类似的技术（SynthID），用于识别和追踪生成内容的来源。
如果把整个风险结构看作一个时间轴：短期我们面对的是信息层面的混乱；而中期，更严肃的问题，是能力层面的失控。
至于后期，现在谈论后期还为时过早（bushi）。
在这个意义上，哈萨比斯提到点：真正需要被关注的，并不是 AI 能说什么，而是它能做什么。
当 AI 开始从"回答问题"走向"执行任务"，风险的性质也会随之发生变化。
换句话说，我们正在谈论的很多风险只是发生在信息层面，而我们真正需要警惕的，是正在逼近的"行动"。
这话听起来有些科幻小说质感，可能很多人都设想过，有朝一日出现的超级智能觉醒出了"自我意识"，然后反过来替代甚至统治人类。
哈萨比斯本人也表示自己读了很多科幻小说，他最爱的是 Iain Banks 的 Culture 系列，那是一个 post-AGI 的世界，书里发生在一千年之后，但他觉得其中一些情节可能在 50 年内就成立。
不过他本人对此的设想比较美好：风险被解决了，人类安全度过了 AGI 时刻，AGI 已经在每个人的口袋里，对社会有益，然后用来攻克他所说的"科学中的根节点问题"，像是能源、医疗、材料什么的。
04 把自己浸入每一种可用的 AI 工具里
如果把前面的讨论继续往前推，很容易走到一个问题：当 AI 开始参与科学发现、参与决策、甚至开始执行任务，人类还剩下什么？
换句话说，"人类为什么特别"？
这个问题在访谈后半段被非常坦诚地提了出来：主持人说，她发现自己在做一件人类历史上反复在做的事情，试图找到一个理由，证明"我们是特殊的"。
我们曾经以为地球在宇宙的中心，后来发现不是；我们以为只有人类会哀悼，后来发现大象也会；我们以为只有人类能创作艺术，但现在，AI 也可以画画、写作、作曲。
每一次边界被打破，人类都会重新问一遍这个问题：我们到底为什么特殊。
对于这个问题，哈萨比斯并没有直接给出一个答案，我觉得这个问题也很难被简单的回答出来。
他提到了一个经典的计算理论框架：图灵机。
从理论上讲，一台通用计算机可以计算任何"可计算"的问题；在很多神经科学家的理解中，人脑本身也可以被看作是一种近似的计算系统。
如果这个前提成立，那么人类的大脑和我们正在构建的 AI 系统，在某种意义上是同一类东西。也正因如此，AI 才有可能不断逼近甚至超过人类在某些能力上的表现。
而如果连智能本身都可以被复现，那么真正值得追问的，可能不再是"我们和 AI 有什么不同"，而是"我们到底在试图理解什么"。
哈萨比斯在访谈中提到，他小时候最喜欢的学科其实是物理。
吸引他的不是应用，而是那些最基础的问题：时间是什么？意识是什么？宇宙是如何运作的？
但这些问题，直到今天依然没有答案。
而他做 AI 的一个核心动机，就是把它当作一种工具，去帮助人类理解这些问题。
从这个角度看，AI 并不只是一个替代人类能力的系统，更像一个被用来放大认知边界的工具。
这也解释了为什么，在谈到未来时，他的语气反而很乐观：如果风险能够被控制，AI 可以被用来解决那些"根节点问题"，那些一旦被突破，就会带来成体系的变化的问题。人类最终甚至可以把这种能力带出地球，延伸到更远的地方。
但这些都还是远景，我们还是要回到更现实的问题：对于今天的人来说，该怎么办？
哈萨比斯的建议很朴素，他在访谈里说，他每次去大学演讲，都会重复同一句话：
"跟上这股潮流。"
对于每个想要参与 AI 未来的人，哈萨比斯的建议是把自己浸入到这些工具里，去理解它们，使用它们，成为一个"被放大的人"。
原因很简单，即使是在最前沿的实验室内部，大量精力也只能用于打磨模型本身，但这些模型真正可以被用来做什么，还有巨大的空间没有被探索。
也就是说，能力已经在那里了，但应用还没有被穷尽。
这也意味着，对那些能够理解这些工具、并把它们应用到新领域的人来说，机会正在迅速扩大。
他给出了一个非常具体的判断：今天的一个年轻人，完全有可能借助这些工具，在别人没有想到的方向上，做出一家价值数十亿美元的公司。（他举的例子是 OpenClaw。）
把整场对话看下来，它其实给出了一个矛盾但真实的图景：一方面，AI 正在被加速推进，风险正在逼近；另一方面，AI 也打开了一个前所未有的机会窗口。
我们可能确实用一些更容易被产品化的能力，暂时换掉了某些更重要的可能性。
但事情已经发生，人类能做的或许并不是去纠正这条路径，而是尽可能理解它，并在其中找到自己的位置。
在对话的最后，主持人问了一个很感性的问题：你希望别人如何评价你的一生？
而哈萨比斯对此的回答是："我希望他们会说配资在线门户有哪些，我的一生，对人类是有帮助的。"
品牌杠杆配资网提示：本文来自互联网，不代表本网站观点。
