2024 年 10 月 9 日，斯德哥爾摩諾貝爾獎委員會宣布一個震撼科學界的消息：Demis Hassabis 與 John Jumper 因為 AlphaFold 的突破性貢獻，共同獲得諾貝爾化學獎。這是史上第一次，一個電玩開發者出身的 AI 科學家，站上科學界最高殿堂——而這一切，從一個 13 歲的棋王少年開始。
諾貝爾頒獎典禮那一刻——「我是一個電玩開發者」
當 Demis Hassabis 在 2024 年諾貝爾獎記者會上被問到「你如何看待自己的成就」時，他笑著說：「我的第一份工作是開發電玩遊戲，當時我才 16 歲。」
這不是自謙，而是一個事實：Demis Hassabis 是 DeepMind 的創辦人，也是史上第一位從電玩產業走向諾貝爾獎的 AI 科學家。
他拿下諾貝爾化學獎的原因，不是因為他在實驗室合成新分子，而是因為他帶領團隊打造的 AI 系統 AlphaFold，解決了生物學界困擾長達 50 年的「蛋白質折疊問題」（protein folding problem）——用 AI 預測超過 2 億種蛋白質的三維結構，這項成就徹底改變了藥物研發與疾病研究的速度。
但這個故事的起點，不在劍橋的實驗室，不在 Google 總部，而是在倫敦北部一個普通家庭裡，一個混血少年與棋盤的對話。
童年天才：13 歲的棋王，劍橋的「雙一等榮譽」
Demis Hassabis 於 1976 年出生於英國倫敦，父親是希臘裔賽普勒斯人，母親是新加坡籍華人——這樣的混血背景讓他從小就習慣在不同文化視角中思考問題。
13 歲棋王，全英國排名第二
Demis 4 歲開始下西洋棋，13 歲時在英國同年齡組棋手排名全國第二（據英國國際象棋聯盟記錄）。這不是天賦異稟的神話故事——他後來回憶，棋盤上的每一步都是在「有限規則下，尋找最佳策略」，這種思維方式深深影響他日後設計 AI 系統的邏輯。
劍橋大學「雙一等榮譽」畢業生
Demis 在劍橋大學攻讀計算機科學（Computer Science），以「Double First」（雙一等榮譽）畢業——這是英國學術界的最高榮譽，意味著他在大學三年內每一年的成績都名列前茅。
但就在畢業那年，他做了一個讓所有人意外的決定：放棄學術深造，加入一家電玩遊戲公司。
困境：為什麼一個電玩奇才選擇去讀神經科學？
16 歲那年（1992 年），Demis 加入傳奇遊戲公司 Bullfrog Productions，協助開發經典遊戲《Theme Park》（模擬樂園）。這款遊戲在 1994 年推出後大獲成功，讓他成為英國遊戲界最年輕的明星設計師之一。
到了 1998 年，Demis 創辦自己的遊戲公司 Elixir Studios，開發策略遊戲《Republic: The Revolution》與《Evil Genius》。這些遊戲以複雜的 AI 行為著稱——你可以看到 NPC（非玩家角色）會自己做出決策、學習玩家的策略、甚至「記住」過去的互動。
遊戲 AI 的極限——「它們不是真的在思考」
但 Demis 很快就意識到一個問題：遊戲裡的 AI 再聰明,本質上都只是「寫死的規則」（scripted behavior），並不是真正的智慧。
「我想知道，能不能讓 AI 真正學會『理解』一個遊戲,而不是靠程式設計師事先告訴它每一步該做什麼。」——Demis Hassabis
關鍵轉折：離開遊戲業,攻讀神經科學博士
2005 年，Demis 做了一個外人看來瘋狂的決定：賣掉 Elixir Studios，到倫敦大學學院（UCL）攻讀神經科學博士。
他的想法很直接：如果要打造真正的通用智慧（Artificial General Intelligence, AGI），就必須先搞懂人類大腦是怎麼運作的。
在 UCL 期間,Demis 研究「記憶與想像」（memory and imagination）的神經機制——他發現,人類大腦的「海馬迴」（hippocampus）不只負責記憶過去,還能「模擬未來」（simulate future scenarios）。這個發現後來成為 DeepMind 強化學習系統的核心靈感。
轉折：從 UCL 博士論文到創立 DeepMind
2009 年完成博士學位後，Demis 沒有留在學術界——他決定把過去 10 年在遊戲 AI、神經科學、機器學習領域的所有經驗,整合成一個終極目標：「打造能夠自我學習的通用智慧系統。」
2010 年：DeepMind 在倫敦悄悄成立
2010 年,Demis Hassabis 與兩位共同創辦人 Shane Legg（機器學習專家）、Mustafa Suleyman（創業家）在倫敦成立 DeepMind Technologies。
他們的願景很簡單：「讓 AI 能像人類一樣學習——不是靠規則,而是靠經驗。」
DeepMind 的第一個突破是 DQN（Deep Q-Network）——一個能夠自己學會玩 Atari 遊戲的 AI。這個系統不需要人類告訴它「怎麼玩」，只需要給它遊戲畫面與分數,它就能自己摸索出策略。
2014 年：Google 以 5 億美元收購 DeepMind
DQN 的成功讓全世界的 AI 投資者都注意到 DeepMind。2014 年 1 月,Google 宣布以約 4 億英鎊（約 5 億美元）收購 DeepMind——這是當時 Google 最大的歐洲收購案之一。
但 Demis 堅持一個條件：DeepMind 必須保持獨立運作,並成立「AI 倫理委員會」（Ethics & Safety Board）。
這個決定在當時看起來很奇怪——一個剛被收購的新創公司,為什麼要談倫理？但後來證明,這個前瞻性的堅持,讓 DeepMind 成為全球少數「在技術突破的同時,也認真思考 AI 風險」的機構。
洞察：AlphaGo 打敗李世乭——這不只是圍棋
2016 年 3 月,全世界見證了一個歷史性時刻：DeepMind 的 AlphaGo 在五番棋對決中以 4:1 擊敗南韓圍棋世界冠軍李世乭（Lee Sedol）。
為什麼是圍棋？
圍棋被認為是人類智慧的最後堡壘——棋盤上的可能變化數量比宇宙中的原子還多（約 10 的 170 次方）。傳統的「暴力搜索」方法根本不可能窮舉所有可能性。
AlphaGo 的突破在於:它不是靠「記住所有棋譜」,而是靠「深度學習 + 蒙地卡羅樹搜索」（Deep Learning + Monte Carlo Tree Search）學會「直覺」與「大局觀」——就像人類棋手一樣,能感覺到「這一步感覺對」。
第 37 手——AI 的創造力時刻
在第二局對弈中,AlphaGo 下出了震驚所有職業棋士的「第 37 手」——一步看起來完全違反圍棋常識的落子位置（五路肩衝）。
「那一刻我意識到,這不是人類會下的棋。AlphaGo 找到了我們從未想過的策略。」——李世乭賽後訪談
這場對弈不只是技術展示——它讓全世界第一次看見,AI 不只能模仿人類,還能創造出人類從未見過的策略。
AlphaFold：生命科學界的原子彈——50 年難題,3 天解決
AlphaGo 震驚了圍棋界,但 Demis 真正想做的,不是贏得遊戲——而是用 AI 解決人類無法解決的科學問題。
什麼是「蛋白質折疊問題」?
蛋白質是生命的基本組成單位——你的身體裡每一個細胞都有數萬種蛋白質在運作（酵素、抗體、激素、肌肉纖維等等）。
蛋白質的「功能」取決於它的「三維結構」——同樣的胺基酸序列,折疊成不同形狀,功能就完全不同。但從胺基酸序列預測三維結構,是生物學界困擾長達 50 年的難題。
- 傳統方法（X 光晶體學、冷凍電子顯微鏡）需要數月甚至數年才能解析一個蛋白質結構
- 全球已知的蛋白質序列超過 2 億種,但結構已知的不到 20 萬種
- 這個資訊落差,直接限制了藥物研發與疾病研究的速度
AlphaFold 的突破:3 天預測 2 億種蛋白質
2020 年,DeepMind 推出 AlphaFold 2——在國際蛋白質結構預測競賽（CASP14）中,以「中位數誤差僅 0.96 埃（Ångström）」的精準度碾壓所有競爭對手。
這是什麼概念?過去需要數月解析的蛋白質結構,AlphaFold 只需要數分鐘。
2022 年,DeepMind 與歐洲生物資訊研究所（EMBL-EBI）合作,發布「AlphaFold Protein Structure Database」——一口氣公開超過 2 億種蛋白質的預測結構,供全球科學家免費使用。
影響有多大?藥物研發進入「超速時代」
AlphaFold 的影響不只是學術界的興奮——它直接加速了:
- 新藥開發:科學家可以快速預測藥物分子與蛋白質的結合方式（drug-target interaction）
- 疾病研究:阿茲海默症、帕金森氏症等神經退化性疾病的相關蛋白質結構被快速解析
- 抗生素抗藥性:細菌蛋白質的結構預測幫助研發新一代抗生素
「AlphaFold 已被超過 200 萬研究者使用,這相當於加速了人類生命科學研究至少 10 年。」——《Nature》評論,2023 年
影響：諾貝爾獎之後,Demis 想做什麼?
2024 年 10 月 9 日,Demis Hassabis 與 John Jumper（AlphaFold 首席科學家）共同獲得諾貝爾化學獎。
這是史上第一次,諾貝爾獎頒給「用 AI 解決科學問題」的成就——而不是傳統的實驗室發現。
2024 年:Google DeepMind 的新方向
拿下諾貝爾獎後,Demis 並沒有停下腳步。他在訪談中提到 DeepMind 的下一個目標:
- AlphaFold 3:不只預測單一蛋白質,還能預測「蛋白質複合體」（protein complexes）與「蛋白質-DNA 交互作用」
- AI for Science（科學 AI）:把 AlphaFold 的方法論應用到氣候模擬、材料科學、核融合能源等領域
- Gemini AI:Google DeepMind 的大型語言模型,整合 AlphaGo、AlphaFold 的多模態推理能力
Demis 對 AGI 的看法:「還沒到,但正在接近」
在 2024 年諾貝爾獎訪談中,Demis 被問到:「我們離通用人工智慧（AGI）還有多遠?」
「我認為 AGI 不是一個『開關』,不是哪一天突然出現。它是一個漸進的過程——AlphaGo 證明 AI 能掌握複雜策略、AlphaFold 證明 AI 能做科學發現。下一步是讓 AI 能『推理』、『規劃』、『自主學習新領域』——這些能力正在逐步實現。」——Demis Hassabis,2024
反思問句:AI 真的能「理解科學」,還是只是超強的模式匹配?
AlphaFold 的成功引發了一個深刻的問題:AI 到底是「真的理解生物學」,還是只是「超級強大的模式識別機器」?
樂觀派:AI 已經在做「科學發現」
支持者認為,AlphaFold 的突破已經符合「科學發現」的定義:
- 它預測的結構可以被實驗驗證（X 光晶體學證實 AlphaFold 預測的準確性）
- 它幫助科學家提出新假設（如發現未知的蛋白質交互作用）
- 它加速了實際應用（藥物開發、疾病研究）
質疑派:AI 不知道「為什麼」
但批評者指出,AlphaFold 無法解釋「為什麼蛋白質會折疊成這個形狀」——它只是從數百萬筆訓練資料中學到「模式」,而不是真正理解物理化學原理。
「AlphaFold 是一個預測工具,不是一個解釋工具。它告訴你『會發生什麼』,但不告訴你『為什麼會發生』——而後者才是真正的科學理解。」——某位蛋白質結構學家,2023
Demis 的回應:「理解」的定義正在改變
Demis 對此的看法是:「理解」不一定要用人類的方式表達。
他舉例:AlphaGo 的第 37 手,職業棋手無法用語言解釋「為什麼這步棋好」,但事後分析證明它確實是最佳策略——這是一種「直覺式的理解」（intuitive understanding）,而不是邏輯推導。
或許 AI 正在發展出一種「非人類但有效」的科學理解方式——而這正是 DeepMind 想探索的前沿。
常見問題 FAQ
1. Demis Hassabis 現在在做什麼?
Demis Hassabis 目前是 Google DeepMind 的 CEO（2023 年 Google Brain 與 DeepMind 合併後的組織）。他同時領導 AlphaFold 3、Gemini AI、AI for Science 等多個前沿專案。2024 年獲得諾貝爾化學獎後,他表示會繼續專注於「用 AI 解決人類最困難的科學問題」。
2. AlphaFold 是免費的嗎?一般人可以用嗎?
是的,AlphaFold 的預測結果完全免費開放。你可以到 AlphaFold Protein Structure Database 查詢超過 2 億種蛋白質的預測結構。如果你是研究者,也可以下載 AlphaFold 的開源程式碼（GitHub 連結）在自己的伺服器上運行。
3. DeepMind 只做生物學研究嗎?
不是。DeepMind 的研究範圍非常廣,包括:
- 遊戲 AI:AlphaGo（圍棋）、AlphaStar（星海爭霸 II）、MuZero（不需規則自學遊戲）
- 科學 AI:AlphaFold（蛋白質）、GNoME（材料科學）、GraphCast（天氣預報）
- 大型語言模型:Gemini（Google 的 GPT 競爭對手）
- 數學推理:AlphaGeometry（幾何證明）、FunSearch（數學猜想驗證）
4. Demis Hassabis 有其他重要成就嗎?
除了 AlphaGo 與 AlphaFold,Demis 還:
- 2017 年獲選英國皇家學會會士（Fellow of the Royal Society,FRS）——這是英國科學界最高榮譽之一
- 2018 年獲得大英帝國司令勳章（CBE）
- 2024 年獲得諾貝爾化學獎
- 被《時代雜誌》選為「全球最具影響力 100 人」（2017）
5. 我可以在哪裡看到 Demis Hassabis 的訪談或演講?
推薦以下幾個公開資源:
- 諾貝爾獎官方訪談:2024 年諾貝爾化學獎記者會（YouTube 上有完整影片）
- DeepMind YouTube 頻道:定期發布 AlphaFold、Gemini 等專案的技術解說
- Lex Fridman Podcast:Demis 曾接受長達 2 小時的深度訪談（2023）
- TED Talk:Demis 多次在 TED 演講,主題包括「AI 與科學的未來」
💡 想了解更多 AI 創始人的故事?我們整理了完整的 AI 巨頭創業史系列,包括 Sam Altman（OpenAI）、Noam Shazeer（Character.AI）、Ilya Sutskever（Safe Superintelligence）等傳奇人物——每個故事都是一部「從零到改變世界」的真實劇本。
資料來源:Nobel Prize 官方公告（2024-10-09）・AlphaFold Protein Structure Database・Google DeepMind 官網・Nature: AlphaFold 2 論文（2021）・BBC: AlphaGo vs 李世乭報導（2016-03-15）
解壓縮 → 拖入 Claude Code → 輸入任意一句話，5 分鐘完成安裝
✅ EvoForge 核心功能：
🧠 三層記憶系統，50 Token 完成查詢（關掉不再忘記）
🔗 85-Token 跨對話橋接，任務中斷秒速恢復不重頭來
⚡ DCI 動態 Context 注入，省 70%+ Token
📈 Stop Hook 自動進化，同類任務 3 次自動腳本化
🛠️ 12 個核心技能，/斜線指令開箱即用
🤖 3 個子代理協作，不消耗主對話 Token
原價 NT$1,288
NT$600
前 100 名優惠 · 買斷不收月費 · MIT 授權可自由修改
Mac & Windows 適用 · 確認匯款後立即出貨 · LINE：kenemail2