QUOTE
Games have been a critical part of my entire career.
—— 德米斯·哈萨比斯，诺贝尔奖官网访谈，2024
10 月 21 日，《华尔街日报》刊出 Ben Cohen 对 Google DeepMind CEO 德米斯·哈萨比斯（Demis Hassabis）的访谈。按 Techmeme 与 AI Weekly 的转述，他把通用人工智能（AGI）的预期窗口，从今年早些时候说的「三到五年」，收到了「两到三年」，并再次强调 AI 对科学的推动，点到自家药物发现公司 Isomorphic Labs 的管线。
时间表会不会准，外人没法替他担保。但哈萨比斯这个名字，国内读者多半不陌生：AlphaGo、AlphaFold、2024 年诺贝尔化学奖。今天这篇不争论「两年还是五年」，只借这个由头，回看他怎么一路走来——从 4 岁学棋，到 17 岁参与做出卖超一千万份的游戏，再到用同一套「先在规则清楚的小局里验证，再搬到真实科学」的方法建 DeepMind。
人无完人。他的成绩单不能照搬，方法可以。
本文看点
01
今天这句时间表在说什么
02
从棋盘到游戏公司再到神经科学
03
四个能照搬的做法
01
HOOK
他把窗口收窄，押的是什么
两到三年
AGI 预期（WSJ 转述）
三到五年
今年早前口径
科学落地
Isomorphic 管线作近端证据
按公开转述，哈萨比斯收窄时间表时，并没有只甩一个口号。他强调的是：前沿能力在往科学问题上搬，药物发现是看得见的近端证明。换句话说，他敢把时间往前推，是因为手里已经有「不是演示、而是管线」的东西。
这和很多人用 AI 的方式正好相反。我们常先喊愿景，再找案例；他更像是：案例攒够了，才敢改口头时间表。这对普通人有用——你要对外说「我能做成 X」，最好先有一个已经跑通的小版本，而不是先把口号喊大。
当然，时间表本身有争议。历史上预测 AGI 日期的人很多，准的少。本文把它当成他如何做判断的样本，不当成投资或人生规划的保证。
02
BIO
从棋盘、游戏到大脑：四十多年的试验场
— 哈萨比斯肖像。摄影：Duncan.Hull，CC BY-SA 4.0，经 Wikimedia Commons
哈萨比斯自己说，对科学和 AI 的兴趣，是从游戏开始的。他 4 岁学国际象棋，后来认真到能带英格兰少年队。训练营里要用到棋电脑，他本来该练开局，却越来越着迷：一堆塑料怎么就能下棋？于是他想自己写程序——编程和 AI 的入口，是这么来的。公开报道还写过，他大约 13 岁达到国际象棋大师级水平。
17 岁那年，他在英国工作室 Bullfrog 参与《主题公园》（Theme Park）。按他本人 2023 年 CV 的写法，这款游戏后来全球卖出超一千万份。他负责的是 AI 与模拟相关的程序工作，和彼得·莫利纽克斯（Peter Molyneux）等人一起，把「经营一个乐园」做成可玩的系统。之后他进剑桥读计算机，一等荣誉毕业；又参与 Lionhead，在《黑与白》里做生物 AI——让一只虚拟生物根据玩家行为学习、适应。
1998 年，他创办 Elixir Studios，做带复杂 AI 的策略游戏，公司一度做到约 60 人规模。2005 年前后，IP 和技术权卖掉，他选择回学界。这一段常被略过，但它很重要：创业不是只会上扬的曲线。他没有死磕「游戏公司必须做到上市」，而是在觉得主线该回到 AI 研究时，换赛道。
接下来四年，他在伦敦大学学院（UCL）读认知神经科学博士，研究记忆、想象与海马体。相关工作曾被《Science》列入 2007 年十大科学突破之一。他自己后来说得很清楚：去研究大脑，是为了给新的 AI 算法找灵感。
2010 年，他和 Shane Legg、Mustafa Suleyman 创办 DeepMind。2014 年被谷歌收购。之后是大众更熟的段落：用游戏当试验场打磨深度强化学习，再到 AlphaGo，再到 AlphaFold 把蛋白质结构预测推到足以拿诺奖的程度。
— 四个节点：棋盘练判断 → 游戏写 AI → 神经科学找原理 → DeepMind 做通用方法
串起来看，他几乎每一步都在做同一件事：先找一个规则清楚、结果可复盘的小环境，把方法练熟，再换更大的题。
读到这里，如果你也想把人物稿里的「可学之处」抄成自己的行动清单，可以回复【成长四步】领取「成长四步笔记」——四格：经历节点、可迁移做法、客观边界、本周只选一步。
03
LEARN
四个可以照搬的做法
第一，用「小局里的输赢」训练判断，而不是只刷信息。他把国际象棋、心智运动、商业游戏都当成思维训练。普通人不必去赢奥赛，但可以给自己设一个每周可复盘的小局：写一篇能发出的短文、做一个能演示的小工具、跑通一条能交付的客户流程。输了就改规则，赢了就加大难度。关键是有结果、能复盘，不是一直在收藏夹里囤教程。
第二，卡住时，去学一层更底层的机制。游戏公司做到一定阶段，他没有继续堆功能，而是去读大脑如何形成记忆与想象。今天做 AI 应用也一样：提示词调不通，就去搞清楚模型在什么任务上会胡编；转化率上不去，就去拆用户决策链路。换赛道不是逃跑，是给原问题换一把更深的铲子。
第三，先在封闭规则里证明，再碰开放世界。DeepMind 早期大量工作发生在 Atari、围棋这类「分数清楚、规则固定」的环境里。等算法真能从像素学会通关，再推向科学与产业。你做产品也可以：先在一个边界清楚的场景里做到稳定交付，再扩品类。很多人反过来——一上来就承诺「全能助手」，结果哪个场景都不稳。
— 先封闭后开放：小环境验证 → 近端科学证据 → 才敢改时间表
第四，有近端证据，才改对外承诺。这次他把 AGI 窗口往前收，公开口径里绑的是科学落地与管线，而不是情绪。普通人对外报价、对内排期，也可以学这一条：没有「已经跑通的小版本」，就别先把大话写进合同和朋友圈。
四件事其实是一件：把人生当成一连串可设计的试验，而不是一串要一次做对的押注。
04
EDGE
客观看：他也有拐弯和争议
Elixir 后来卖掉 IP 收场，说明「做过爆款游戏」也不等于下一盘一定成。DeepMind 并入谷歌之后，独立性、资源分配、研究方向一直有外界讨论——这些是组织问题，不是个人神话能消掉的。AGI 时间表本身也充满争议：同一行业里，有人更乐观，有人更谨慎；历史预测打脸的次数并不少。
诺奖与 AlphaFold 的成果，是大团队与多年投入的结果。哈萨比斯本人在访谈里也反复强调游戏、合作者和科学问题本身。把他写成「一个人改写了 AI」，既不准确，也学不到东西。
所以，抄他的方法可以，抄他的光环没用。你没有 DeepMind 的算力与人才密度，就更该把他的路径缩成你能负担的版本：更小的局、更短的反馈、更老实的对外承诺。
05
HOW
这周就能做的事
你多半不会去训练下一个 AlphaGo，但可以把他的做法拆小：
选一个本周能结案的小局。写清成功标准（发出、成交、跑通、复盘文档），周五对照结果改规则。
给卡住的问题补一层「机制课」。只学能直接解释失败的那一层，学完立刻改一版方案。
先做封闭场景的稳定交付。选一个客户类型或一个功能边界，做到可重复，再谈扩张。
对外承诺前，先摆出近端证据。截图、案例、一周试用数据，缺一样就先别放大话。
用「成长四步」记一笔。回复关键词领笔记，把本篇人物填进四格，并勾选本周只做哪一步。
∞
THE END
最后说两句
从 4 岁的棋盘，到 17 岁那款卖超千万份的游戏，再到今天敢把 AGI 窗口往前收，哈萨比斯这条线并不神秘：一直在可复盘的环境里练方法，卡住就去更深的一层找原理，有了近端证据才改口头时间表。
他也会关公司、也会被质疑时间表、也站在巨大的团队与平台之上。成绩单不能复制，「小局验证 → 机制升级 → 再扩大承诺」可以。
□ 定 1 个本周能结案的小局，写清成功标准
□ 给当前卡点补 1 层机制课，并改 1 版方案
□ 选 1 个封闭场景，做到可重复交付
□ 下次对外承诺前，先备齐近端证据
□ 回复【成长四步】领取笔记，填完四格并勾选本周一步
这几步里你最想先学哪一步？评论区直接回序号也行。
出处：Techmeme / AI Weekly 对《华尔街日报》Ben Cohen 2026-10-21 访谈的转述；诺贝尔奖官网 Demis Hassabis 访谈实录（2024）；Hassabis 本人 CV（2023）；The Guardian《15 facts》（2014）；BBC 诺奖报道；Wikipedia「Theme Park (video game)」条目（全平台销量另有约 1500 万说法，正文销量采用本人 CV「超一千万」口径）。
往期 · 继续读
刚融15亿美元的芯片老将凯勒：同事平均读过0本管理书，他读了20本
堡垒之夜老板斯威尼：写虚幻引擎那几年，70%时间只是在打字
奥特曼：从「一夜颠覆」改口到「冲击更慢」，可学的是认错速度
会用 AI 工具，却不知道怎么把「方法」卖成别人愿意付钱的交付，是很多人的卡点。哈萨比斯的启示是：先做出可复盘的小版本，再谈更大的承诺。「AI商业实战」新人邀请礼遇 ¥25，进来先领可勾选的成长笔记和交付短卡，把你会的写成别人能直接买的东西，每天还有风向和可复现教程。回复【成长四步】领取「成长四步笔记」。
新人邀请礼遇：点文末「阅读原文」开启 AI 实战交流
END
我是「AI科技明星」，每天借热点回看一位 AI 圈人物的成长节点，和普通人能带走的做法。
觉得有用的话，欢迎点赞、收藏、评论。