哈萨比斯已淡出DeepMind CEO日常职责，专注AGI研究

一则值得关注的行业消息

据科技媒体的独家报道，Google DeepMind的CEO、诺贝尔化学奖得主Demis Hassabis（德米斯·哈萨比斯）在过去一年间，已经逐步从传统的CEO日常管理职责中抽身，将更多精力转向前沿研究与战略方向的把控。这一消息在Reddit等社区引发了广泛讨论，也引出了关于顶级AI实验室治理模式变迁的深层思考。

作为AlphaGo、AlphaFold等里程碑式项目的核心推动者，哈萨比斯的一举一动始终是AI行业的风向标。他此番角色的微妙转变，究竟意味着什么？是个人选择，还是DeepMind乃至整个Google AI战略调整的信号？

其中，AlphaGo的历史意义值得回顾。AlphaGo是DeepMind于2016年推出的围棋AI系统，通过深度强化学习与蒙特卡洛树搜索的结合，以4:1击败世界冠军李世石，随后其升级版本AlphaGo Master以3:0击败当时世界排名第一的柯洁。围棋长期被视为AI的"不可能挑战"——其搜索空间（约10^170种可能的棋局）远超国际象棋，传统暴力搜索方法完全失效。AlphaGo的突破不仅是技术成就，更是深度强化学习范式的验证：通过自我对弈生成训练数据，系统能够发现人类数千年未曾想到的策略。后续的AlphaZero更进一步，从零开始仅通过自我对弈就在围棋、国际象棋和将棋三种游戏中超越人类水平，证明了通用学习算法的巨大潜力。

在AlphaGo的技术架构中，蒙特卡洛树搜索（MCTS）是一种基于随机采样的决策规划算法，通过反复模拟未来可能的走法来评估当前局面的优劣。传统MCTS的局限在于，在围棋这样的超大搜索空间中，纯随机模拟的效率极低。AlphaGo的关键创新是用深度神经网络（策略网络和价值网络）来引导MCTS的搜索方向——策略网络缩小候选走法的范围，价值网络直接评估局面胜率，两者协同使得搜索效率提升了数个数量级。这种"学习+搜索"的混合架构后来成为DeepMind解决复杂决策问题的核心方法论模板，其影响一直延续到当前的推理模型设计中。

从管理者到科学领袖：哈萨比斯的角色回归

哈萨比斯的背景本就与传统企业CEO截然不同。他是一位神经科学博士、国际象棋大师，也是游戏开发者出身的技术创始人。具体而言，哈萨比斯在剑桥大学获得计算机科学学位后，于伦敦大学学院（UCL）攻读认知神经科学博士，研究方向聚焦于海马体与情景记忆的计算机制。他在学术生涯早期发表的关于想象力与记忆关系的论文被《Science》评选为年度突破性成果之一。在创立DeepMind之前，他还曾创办游戏公司Elixir Studios，并在国际象棋领域13岁即达到大师级水平。这种跨学科的罕见组合——神经科学的理论基础、游戏设计的系统思维、竞技运动的战略直觉——正是DeepMind独特研究风格的源头。

DeepMind自2010年创立、2014年被Google收购以来，其CEO一直扮演着科学愿景引领者与组织管理者的双重角色。DeepMind的核心方法论深深植根于强化学习（Reinforcement Learning, RL）——这是机器学习的三大范式之一，有别于监督学习和无监督学习。其核心思想是智能体（Agent）在环境中通过试错交互获得奖励信号，逐步学习最优策略。DeepMind在RL领域的标志性贡献包括：2013年的DQN（Deep Q-Network）首次将深度学习与Q-learning结合，在Atari游戏上达到人类水平；此后的A3C、IMPALA等算法持续推进分布式强化学习的边界。

DQN的技术意义值得进一步展开。传统Q-learning算法使用表格存储状态-动作价值对，无法处理高维连续状态空间。DQN通过卷积神经网络直接从原始像素输入中学习Q值函数，引入经验回放（Experience Replay）和目标网络（Target Network）两个关键稳定训练技巧，使深度强化学习首次具备了实际可用性。DQN在49种Atari游戏中有29种超越人类专家水平，证明了单一算法跨多任务学习的可能性，被视为通向AGI的重要里程碑。这一方法论贯穿了从AlphaGo到AlphaFold的技术路线——AlphaFold2虽以监督学习为主，但其迭代式结构预测的思路仍深受RL中规划与搜索思想的影响。强化学习也是当前通向AGI的核心候选路径之一，因为它天然适合处理需要长期规划和延迟奖励的复杂任务。

随着2023年DeepMind与Google Brain正式合并为Google DeepMind，组织规模急剧扩张，管理复杂度也随之飙升。值得一提的是，Google Brain成立于2011年，由Jeff Dean和吴恩达共同发起，最初以深度学习的大规模工程化应用见长，产出了TensorFlow框架、Transformer架构论文（即《Attention Is All You Need》）等改变行业的成果。

关于Transformer架构的革命性影响，有必要进一步展开。2017年Google Brain团队发表的这篇论文彻底改变了自然语言处理乃至整个深度学习领域的格局。Transformer的核心创新是自注意力机制（Self-Attention），允许模型在处理序列数据时直接计算任意两个位置之间的关系，摆脱了循环神经网络（RNN）逐步处理的瓶颈，实现了高度并行化训练。这一架构直接催生了BERT、GPT系列、PaLM、Gemini等所有当代大语言模型。Transformer的成功也揭示了"规模定律"（Scaling Laws）——即模型性能随参数量、数据量和计算量的增加而可预测地提升——这一发现成为当前AI军备竞赛的理论基础。

规模定律最初由OpenAI在2020年的论文中系统阐述，发现大语言模型的测试损失与模型参数量、训练数据量和计算预算之间存在幂律关系，且这种关系在多个数量级范围内保持稳定。这意味着只要持续投入更多计算资源，模型性能就会可预测地提升，尚未观察到明确的性能天花板。这一发现的直接后果是将AI研究从"聪明算法"竞争转变为"谁能筹集更多资本建造更大算力集群"的竞赛。当前训练一个前沿大模型的成本已达数亿美元，下一代模型预计需要数十亿美元级投入，这也解释了为何Google、Microsoft等科技巨头在AI基础设施上的资本支出正在急剧攀升。

Google Brain产出Transformer架构却未能率先将其商业化，也是后来Google面对OpenAI竞争时感到紧迫的重要原因之一。而DeepMind则以强化学习和基础科学应用著称。两个团队长期存在资源竞争和方向重叠的问题。2023年4月的合并由Google CEO桑达尔·皮查伊推动，目的是整合力量以应对OpenAI的GPT-4带来的竞争压力。合并后的Google DeepMind估计拥有超过2000名研究人员和工程师，成为全球规模最大的AI研究机构之一，但组织整合的文化冲突和管理复杂度也随之成倍增加。

在这样的背景下，哈萨比斯逐步把日常运营性事务下放，转而聚焦于最擅长、也最能创造独特价值的领域——基础研究与长期技术路线图。这种转变，某种程度上是一种「回归本源」。

为何选择淡出日常管理

对于顶尖科学家型创始人而言，陷入繁琐的行政与运营事务往往是一种资源错配。哈萨比斯本人此前多次公开表达过对通用人工智能（AGI）研究的执着，以及利用AI推动科学发现（如蛋白质折叠、材料科学）的强烈使命感。

所谓通用人工智能（Artificial General Intelligence, AGI），是指具备人类水平或超越人类的通用认知能力的AI系统，能够在未经专门训练的新任务上展现出推理、学习和适应能力。这与当前的「窄AI」或「专用AI」形成鲜明对比——后者虽然在特定任务（如图像识别、语言生成）上表现出色，但缺乏跨领域的通用理解力。AGI目前仍是一个未实现的目标，学术界对其定义、可行性和时间线存在广泛分歧。哈萨比斯是少数公开将AGI作为组织终极目标的实验室负责人之一，他曾多次表示DeepMind的使命就是「解决智能，然后用智能解决一切」。

在AI驱动科学发现方面，AlphaFold是最具说服力的例证。蛋白质折叠问题——即从氨基酸序列推断蛋白质的三维结构——是结构生物学领域悬而未决50余年的核心难题。2020年，AlphaFold2在CASP14（蛋白质结构预测的国际竞赛）中达到了接近实验测量精度的水平，震惊了整个科学界。

CASP（Critical Assessment of protein Structure Prediction）是蛋白质结构预测领域的"奥林匹克"，自1994年起每两年举办一次，参与者需要在目标蛋白质的实验结构公布前提交预测结果。在AlphaFold2之前的数十年间，该领域进展缓慢——基于物理模拟的方法计算成本极高，基于同源建模的方法依赖已知结构模板。AlphaFold2在CASP14中获得的GDT分数中位数达到92.4（满分100），远超第二名，且首次在多数目标蛋白质上达到实验精度。这一突破的意义在于，过去确定一个蛋白质结构可能需要数月甚至数年的X射线晶体学或冷冻电镜实验，耗资数十万美元，而AlphaFold可在数分钟内完成预测。

AlphaFold2的核心架构创新在于其"Evoformer"模块——一种专为蛋白质结构预测设计的注意力机制变体。该模块同时维护两种表示：多序列比对（MSA）表示和残基对（pair）表示，两者通过交叉注意力持续交换信息。此外，AlphaFold2引入了"结构模块"（Structure Module），通过迭代细化在三维空间中直接预测原子坐标，而非依赖传统方法中的距离矩阵中间表示。整个系统采用端到端可微分训练，从输入序列到输出三维坐标一步完成。这种架构设计体现了DeepMind将物理归纳偏置（如等变性）嵌入神经网络的理念，而非纯粹依赖数据驱动的暴力缩放。

后续的AlphaFold3进一步扩展到蛋白质-配体、蛋白质-核酸等复合物的结构预测，逼近药物设计的实际应用边界。随后，DeepMind公开发布了超过2亿个蛋白质的预测结构数据库，覆盖了几乎所有已知蛋白质。这一成果直接加速了药物研发、酶工程和疾病机制研究。哈萨比斯因此与John Jumper共同获得2024年诺贝尔化学奖，标志着AI驱动科学发现模式的里程碑式认可。

将管理职责交由更专业的运营团队，让他能够把时间投入到真正决定DeepMind未来的核心命题上。

顶级AI实验室的治理挑战

这一消息也折射出当前AI巨头普遍面临的治理难题。当一个研究机构从数百人的实验室膨胀为数千人的商业化引擎时，创始人所需的技能组合发生了根本性变化。

我们已经在多家AI公司看到类似的张力：

• 研究理想与商业落地的平衡：既要保持前沿探索，又要为Google的搜索、云、Gemini等产品线持续输出成果。
• 人才管理的规模化：顶尖研究员的保留与激励，本身就是一项全职工作。
• 战略方向与执行落地的分离：愿景制定者与执行管理者的角色，越来越难由同一人兼任。

在人才管理方面，顶尖AI研究人才的争夺已成为行业最激烈的竞争维度之一。据估计，全球具备前沿大模型训练经验的核心研究员不超过数百人，而各大实验室、科技巨头和AI初创公司都在竞相争夺这一极度稀缺的人才池。Google DeepMind面临的挑战尤为突出：一方面，其学术声望和研究自由度是吸引顶尖人才的核心优势；另一方面，OpenAI和Anthropic等竞争对手通过股权激励提供了可能更丰厚的经济回报（OpenAI员工的股份在二级市场估值已大幅攀升），而初创公司则以更快的决策速度和更集中的使命感吸引人才。近年来，从Google/DeepMind出走创业的案例频繁出现，包括Character.AI的Noam Shazeer（Transformer论文共同作者）等。如何在大组织内保持研究活力和人才忠诚度，是哈萨比斯即使淡出日常管理后仍需面对的核心挑战。

AI实验室的治理困境并非DeepMind独有。OpenAI经历了从非营利到「有限利润」公司的复杂转型，期间伴随着2023年底CEO Sam Altman被短暂解职又复职的戏剧性事件，暴露了董事会治理与商业运营之间的深层矛盾。Anthropic则由前OpenAI高管创立，采用公益公司（Public Benefit Corporation）架构，试图在商业激励与安全使命之间找到平衡点。

公益公司（PBC）是美国特拉华州等州提供的一种公司法律形式，要求公司在追求股东利益的同时，明确承诺创造公共利益。与传统C-Corp不同，PBC的董事在做决策时可以合法地考虑股东之外的利益相关方（如社会、环境），这为AI安全投入提供了法律保护——即使这些投入短期内降低利润，董事也不会面临违反受托义务的诉讼风险。然而，PBC架构的实际约束力仍有争议：其公益承诺缺乏强制执行机制，且在接受大量风险投资后，商业压力仍然主导了大部分战略决策。OpenAI从非营利到有限利润再到考虑转为完全营利性公司的演变轨迹，也说明了理想化的治理架构在面对数百亿美元资本需求时的脆弱性。

这些案例共同揭示了一个结构性挑战：当前沿AI研究同时涉及巨额资本投入、国家安全考量和潜在的变革性社会影响时，传统的公司治理框架往往难以兼顾所有利益相关方的诉求。

哈萨比斯的角色调整，可以视作DeepMind在这一治理演进中的主动应对——让创始人回到最能发挥其价值的位置。

对Google AI竞赛的潜在影响

在与OpenAI、Anthropic等对手的激烈竞争中，Google DeepMind承担着巨大压力。Gemini系列模型的迭代、AI在Google全线产品中的渗透，都需要强有力的战略引领。

Gemini是Google DeepMind推出的多模态大语言模型家族，于2023年12月首次发布，被定位为与OpenAI GPT-4系列直接竞争的旗舰产品。Gemini的核心特点是原生多模态设计——从训练阶段就同时处理文本、图像、音频和视频，而非后期拼接不同模态的能力。这一设计理念与此前GPT-4等模型的"后期融合"方法存在本质区别。后期融合是指先分别训练处理不同模态的编码器（如视觉用CLIP/ViT，语言用GPT），再通过适配层或投影层将它们连接起来，模型对不同模态的理解深度不一致。原生多模态则从预训练阶段就在统一的token空间中同时处理所有模态，理论上能够学到更深层的跨模态关联。然而，原生多模态训练的工程难度显著更高——需要统一不同模态的tokenization方案、平衡不同模态数据的比例，且目前尚无明确证据表明原生多模态在所有任务上都优于高质量的后期融合方案。

该系列包括Ultra、Pro、Flash和Nano等不同规格，分别面向高端推理、通用应用、高效推理和端侧部署场景。Gemini已深度集成到Google搜索（AI Overviews）、Workspace、Android和Cloud等产品中，是Google将AI研究转化为商业价值的核心载体，也是哈萨比斯需要平衡研究纯粹性与商业需求的焦点所在。

哈萨比斯将精力集中于研究与战略，理论上有助于DeepMind在核心技术上保持领先。但这也带来一个开放性问题：谁来填补日常管理的空缺？运营团队能否在保持研究纯粹性的同时，高效推动商业化？这将直接影响Google在这场AI竞赛中的执行力。

需要说明的是，目前该消息主要来自单一媒体的独家报道，DeepMind与Google官方尚未对具体的职责分工细节做出正式回应。因此，对于「淡出」的确切含义与范围，仍需保持审慎解读。

结语：AI时代的组织治理样本

哈萨比斯的角色演变，不只是一位科学家的个人选择，更是AI黄金时代下顶级实验室组织形态的一个缩影。当技术突破的节奏越来越快、组织规模越来越大，如何既保留创始人的科学锐度，又建立可持续的管理体系，将成为所有AI巨头必须解答的命题。

无论这次调整最终走向何方，可以确定的是：哈萨比斯对AGI与AI驱动科学发现的执着，仍将是Google DeepMind前进的核心引擎。而其组织治理的探索，也值得整个行业持续观察。

核心要点

核心要点