AI正快速改變人類，每隔幾週甚至幾天就有新技術、工具問世，但身為這股浪潮中核心人物之一的Google DeepMind執行長、2024年諾貝爾化學獎得主德米斯．哈薩比斯（Demis Hassabis）卻認為，AI競爭的腳步過於倉促，如果由他作主，AI能在實驗室中多磨練幾年，或許人類現在已經攻克了癌症。
哈薩比斯是在影音記者克萊歐．阿布拉姆（Cleo Abram）的Podcast節目上，透露了這番對當今AI發展的感嘆。哈薩比斯過去曾在接受《時代》雜誌採訪時，將自己定位為一名科學家，強調對AI的探索都是為了追求知識、理解世界。
他提到，自己進入AI領域的初衷並非為了打造聊天機器人，而是為了加速科學發現。他們最知名的成就莫過於AlphaFold，這個系統解決了生物學界50年未解的「蛋白質折疊問題」。哈薩比斯指出，這讓全球超過300萬名科學家受益，尤其在瘧疾等疾病研究上，AI提供免費的結構資料庫，讓研究人員能跳過基礎實驗，進入藥物開發階段。
他認為，若能讓AI在實驗室多待幾年，專注於這類關鍵問題，人類或許早已在癌症治療或材料科學上取得更具決定性的突破。
最先進技術幾個月進到大眾手中，卻讓關鍵問題失去資源投入
哈薩比斯在訪談中勾勒出他心目中理想的AI發展路徑——即所謂的「CERN模式」。他希望開發通用人工智慧的過程，能像歐洲核子研究組織（CERN）操作大型強子對撞機一樣，以嚴謹、謹慎且深思熟慮地運用科學方法，確保在徹底理解每一個步驟的情況下向前邁進。
然而，現實發展偏離了哈薩比斯的理想劇本，2022年底ChatGPT爆紅與生成式AI的突破，使全球開始一場混亂的商業競賽。他坦言，這種情況加速了AI技術落地，先進技術幾個月時間就能進到大眾手中，但也讓真正關鍵的問題失去資源。
為了搶奪市場與技術領先，開發節奏被迫以高速推進，哈薩比斯坦言，他們已經無法再像他多年前夢想的那樣，以充滿哲學思考、謹慎評估每一個下一步的步調來開發技術。
雖然AI聊天機器人在摘要與腦力激盪上很有用，但它們本質上還存在幻覺等缺陷，然而商業壓力迫使這些實驗性質的產品被迅速推向大眾市場。這使得大量的研發焦點與資源，不得不投入到這種迎合大眾使用的通用基礎模型發布週期中。
為了在現實與理想間取得平衡，哈薩比斯採取更務實的態度，一方面領導Gemini等Google的消費級AI產品開發，另一方面投入應用型AI（Narrow AI）的發展，他認為不必等通用人工智慧出現，透過AlphaFold等專門解決特定問題的系統，就能讓人類在能源、材料科學與醫療領域獲得實質利益。
AlphaGo下出神之一手，揭露AI超越人類思維可能性
哈薩比斯對AI的信心，很大程度源於2016年AlphaGo與韓國棋王李世乭那場震驚世界的對弈。在那場比賽中，AlphaGo下出了著名的「第37手」，這步棋當時一度被吐槽不會有人這麼下，最終卻引領AlphaGo取得勝利。
哈薩比斯從這個訊號中發現，AI已具備超越人類既定經驗、尋找全新解決方案的能力。他想將這種超越人類思維的創意能力應用於科學領域。
AlphaFold便是這種思維的最佳體現。傳統方法需要花費數十萬美元與數年時間才能破解單一蛋白質結構 。而AlphaFold 2已預測出科學界已知近2億個蛋白質結構。
現在，哈薩比斯正帶領團隊跨入更深層的藥物研發，傳統藥物研發需耗時約10年，且成功率僅10%。
他成立了Isomorphic Labs，利用AlphaFold 3與後續模型進行「虛擬篩選」，透過AI可以在幾分鐘內模擬數百萬種化合物與蛋白質的結合情況，同時檢測是否會對人體其他2萬多種蛋白質產生毒性，從而在電腦模擬階段篩掉大部分失敗的組合，僅將最有潛力的候選藥物送入實驗室驗證。
擔憂AI可能帶來2風險
不過，隨著AI技術的增強、邁入AI代理時代，哈薩比斯對未來的擔憂也日益具體。他將風險歸納為兩大類，第一是「惡意行為者」（Bad Actors），無論是個人還是國家，可能將原本用於治癒疾病或研發新材料的技術，惡意使用在有害用途。
第二則是更具科幻色彩卻現實存在的威脅——「AI 脫軌」（Going rogue）。當系統變得極度聰明且具備高度自主性時，如何確保它們精確執行人類設定的目標，且不會在過程中繞過安全護欄，是一個極其艱難的技術挑戰 。
面對這些挑戰，哈薩比斯呼籲領先的AI研究機構、政府與學術界必須建立國際合作機制，強調在邁向AGI（通用人工智慧）的最後一哩路上，需要更多的安全研究。
儘管遺憾AI沒能在實驗室多留幾年，哈薩比斯對未來50年仍抱持樂觀態度。他看好AI將協助人類破解核融合、發現常溫超導體，甚至讓太空旅行的能源成本趨於零。對他而言，AI不僅是一項技術，更是人類探索世界真理的放大鏡，無論答案為何，他都渴望知道真相。
延伸閱讀：怎麼用Claude Cowork做簡報？6步驟圖解、3進階用法，一次量產出可編輯的PPT
Claude模型怎麼選？Opus、Sonnet、Haiku一表看懂，沒切換模型可能會多花5倍成本
資料來源：YouTube
本文初稿為AI編撰，整理．編輯／陳建鈞
