Demis Hassabis 其人：从游戏、神经科学到 AlphaFold
把 Demis Hassabis 的经历连起来看，最有意思的不是“国际象棋神童后来拿了诺贝尔奖”这条传奇线，而是他反复做的一件事：先在规则清楚、结果可检验的环境里研究智能，再把方法带到更难的科学问题里。
这也解释了为什么他的履历里会同时出现国际象棋、电子游戏、认知神经科学、AlphaGo 和 AlphaFold。但这些经历之间有连续性，不代表每一次成功都在证明同一件事。AlphaGo 证明了 AI 可以在围棋这种复杂、规则明确的任务上达到顶尖水平；AlphaFold 则解决的是蛋白质三维结构预测问题。两者都重要，却不能从一盘围棋的胜负直接推出“通用人工智能已经被证明可行”。
站内相邻的五盘棋细节见 AlphaGo 与李世石的五盘棋：一场围棋如何改写 AI 叙事。
国际象棋和游戏，不只是人物标签
Hassabis 早年的棋力和游戏经历过去常被二手人物稿写成一串“神童数字”。更稳妥的材料来自他的母校和任职机构。
UCL 在 2023 年介绍他时称，他是国际象棋和编程方面的少年天才，17 岁参与编写经典模拟经营游戏 Theme Park；在剑桥大学取得计算机科学学位后，他创办了游戏公司 Elixir Studios，之后回到 UCL 完成认知神经科学博士学位，研究记忆和想象。UCL 的人物介绍给出的这条履历，比依赖 Wikipedia 的棋力排名和少年轶事更适合作为人物主线。
2025 年，Hassabis 在剑桥 Queens’ College 的访谈里自己把游戏分成了三个阶段：少年时期用国际象棋训练思维；职业阶段给电子游戏编写 AI；创办 DeepMind 后，再把游戏当作训练和测试 AI 系统的环境。他举的例子从早期游戏一直到围棋 AlphaGo。Queens’ College 访谈因此给了一个比“他从小爱下棋，所以后来做出了 AlphaGo”更可靠的解释：游戏长期是他的工作方法之一。
神经科学不是中间插曲
从游戏行业回到学术界后，Hassabis 在 UCL 研究认知神经科学，重点涉及记忆和想象。Google DeepMind 今天介绍自己的历史时，也把机器学习、神经科学、工程、数学和模拟并列为 DeepMind 2010 年成立时的跨学科基础。Google DeepMind 的机构历史把这段背景放在了公司的方法论里，而不是只当作创始人的个人履历。
因此，“游戏—神经科学—AI”可以看成他职业路径里的连续线索。不过连续性不等于某个脑科学发现直接变成了 AlphaGo 或 AlphaFold 的算法。真正落到工程上的系统，各自还有具体的数据、模型结构、训练方法和研究团队。
AlphaGo 是突破，但不是 AGI 证明
Google DeepMind 的官方历史把早期深度强化学习和游戏测试放在一起：DQN 从屏幕像素学习 Atari 游戏，随后 AlphaGo 在围棋上取得突破。官方页面写明，2015 年公布的 AlphaGo 成为首个击败围棋世界冠军的计算机程序；之后团队继续用更复杂的游戏研究不同类型的智能能力。Google DeepMind的表述本身就比较克制：游戏是研究环境，不是“通用智能已经实现”的认证考试。
围棋很难，但它仍然有明确规则、可判定输赢。现实世界的科学问题没有这么干净的奖励函数和边界。因此，AlphaGo 更适合被理解为一种方法突破：学习系统能够处理此前被认为极难用程序解决的复杂任务。它给后来研究团队增加了信心，却不是把围棋能力直接搬到了生物学。
这一点在 AlphaFold 团队自己的回顾里也很清楚。Hassabis 和 John Jumper 在 PNAS 访谈中说，AlphaFold 最初曾考虑借鉴游戏式强化学习和搜索，但团队很快发现那条路线过于复杂，最终 AlphaFold2 使用的是重新设计的深度学习架构。换句话说，AlphaGo 和 AlphaFold 的共同点更多在“用学习系统攻克可检验难题”的研究路线，而不是同一套算法原封不动跨领域复用。
AlphaFold 改变了什么，也没有解决什么
2021 年发表在 Nature 的 AlphaFold2 论文把问题定义得很具体：从氨基酸序列预测蛋白质将形成的三维结构。论文报告，在 CASP14 盲测中，AlphaFold 在多数案例里达到了可与实验结构竞争的精度，并显著超过其他方法。Nature 原始论文讨论的是结构预测能力，而不是“AI 已经解决生物学”。
2024 年 10 月 9 日，瑞典皇家科学院把诺贝尔化学奖的一半授予 David Baker，表彰计算蛋白质设计；另一半由 Demis Hassabis 和 John Jumper 共同获得，表彰蛋白质结构预测。诺贝尔化学奖公告对应的是化学奖。前一天公布的物理学奖则授予 John Hopfield 和 Geoffrey Hinton，表彰使人工神经网络机器学习成为可能的基础发现和发明；这是另一项奖、另一组工作。2024 年诺贝尔物理学奖公告把两者区分得很清楚。
AlphaFold 的影响规模也要带着时间点看。Google DeepMind 在 2024 年 10 月 9 日宣布 Hassabis 和 Jumper 获奖时称，AlphaFold 的预测已经通过公开数据库提供给来自 190 个国家的超过 200 万名科学家和研究人员使用。Google DeepMind 当日公告所以“200 万人、190 个国家”是 2024 年 10 月的公开口径，不应写成一个没有日期、永远不变的实时数字。
更重要的是，结构预测只是科研链条中的一步。AlphaFold 能让研究人员更快得到一个高价值的结构假设，但实验验证仍然重要。Jumper 在上述 PNAS 访谈里举过一个例子：研究人员先用 AlphaFold 数据库找到与实验图像最接近的蛋白，再用传统实验确认；他随后强调，实际研究很少是“看完 AlphaFold 结构就结束”。这正是理解 AlphaFold 最需要补上的边界：预测结构可以加速实验，却不自动等于实验结果，更不自动等于药物已经证明有效或进入临床。
2026 年 Google DeepMind 又谈游戏，说明的是团队研究方向
2026 年 8 月 21 日，Google DeepMind 发布了《From Atari to EVE Online: Building on 15 Years of AI Research in Games》，回顾从 Atari、围棋到 StarCraft 的游戏研究，并介绍与游戏开发者继续合作，用更开放、长期、多人互动的游戏世界研究持续学习、记忆和长程规划。Google DeepMind 这篇研究更新署名作者是 Alexandre Moufarek 和 Adrian Bolton。
这说明游戏仍然是 Google DeepMind 的研究方向之一，也说明实验室希望用更复杂的虚拟环境测试下一代智能体。它不能单独证明 Hassabis 本人“战略重心重新回到游戏”。人物经历可以帮助理解团队为什么长期重视游戏，但机构研究更新和创始人的个人战略判断仍然是两层证据。
Hassabis 的故事真正有解释力的地方，不是把每个节点写成天才早已注定的伏笔，而是他几十年持续选择那些“难，但可以检验”的问题：先是棋局和游戏，再到学习系统，后来进入蛋白质结构预测。AlphaGo 和 AlphaFold 的共同价值，也正在这里——它们扩大了 AI 能处理的问题范围，却没有替我们证明下一步一定会发生什么。