哈萨比斯预言：AI将在20年内攻克所有疾病

AGI临近，DeepMind掌门人重新定位野心

近日，一篇《泰晤士报》的深度报道在Reddit等社区引发热议。DeepMind联合创始人、诺贝尔化学奖得主Demis Hassabis（戴密斯·哈萨比斯）在采访中给出了极具冲击力的判断：他很有信心在未来20年左右，人类将治愈所有疾病。

这一表态并非孤立的乐观预言，而是建立在他对通用人工智能（AGI）发展节奏的判断之上。哈萨比斯预计，AGI将在2030年前后实现——上下浮动大约一年。用他自己的话说："真正的好戏即将开场，无论是好是坏。"

所谓AGI（Artificial General Intelligence），是指具备与人类同等或超越人类的通用认知能力的AI系统，能够在任何智力任务中自主学习和推理，而非仅在特定领域表现出色。当前的大语言模型如GPT-4、Gemini等虽然展现了惊人的多任务能力，但在因果推理、长期规划和物理世界交互方面仍存在显著局限。值得注意的是，关于AGI的定义本身就存在分歧——DeepMind在2023年发表的论文《Levels of AGI》中提出了AGI的六级分类框架，基于性能和通用性两个维度构建分类矩阵，从Level 0（无AI）到Level 5（超人类），每个等级又区分"窄AI"和"通用AI"。OpenAI则使用五级分类体系，从Level 1（聊天机器人）到Level 5（组织者），其中Level 2对应"推理者"，Level 3对应"代理"。这种定义上的差异直接影响了各方对AGI实现时间的判断——当哈萨比斯说2030年实现AGI时，他可能指的是DeepMind框架中Level 3-4的通用AI（专家到大师级别），而非Level 5的超人类智能。这是理解其"2030年"时间表的重要背景。

你可能没注意到，社区讨论中有一个耐人寻味的解读：哈萨比斯之所以主动交出部分CEO职责，可能正是因为他认为AGI已经"基本接近解决"，而当下更重要的事，是为这些超级智能系统搭建能够真正开展实验室工作的基础设施。换句话说，比起纠结于季度财报、或是与OpenAI和Anthropic之间的"赛马"，他有着更大的目标要追逐。

从AlphaFold到"治愈所有疾病"的路径

哈萨比斯的自信并非空穴来风，其底气很大程度上来自于AlphaFold的成功。这套系统解决了困扰生物学界数十年的蛋白质折叠问题，并因此让他与团队成员摘得2024年诺贝尔化学奖。

蛋白质折叠问题是结构生物学中长达50年的核心挑战：如何从氨基酸序列预测蛋白质的三维结构。蛋白质的功能由其空间构型决定，但一条蛋白质链理论上可能有天文数字种折叠方式——列文塔尔悖论（Levinthal's Paradox）指出，即使每种构型只需探索一飞秒，穷举所有可能也需要超过宇宙年龄的时间。人体约有2万个基因编码蛋白质，而蛋白质组学估计人体实际存在的蛋白质变体超过100万种（考虑剪接变体和翻译后修饰），这使得问题的规模更加惊人。传统的实验方法如X射线晶体学、冷冻电镜虽然精确，但每解析一个蛋白质结构可能需要数月甚至数年。AlphaFold2采用了一种名为"Evoformer"的注意力机制架构，结合多序列比对（MSA）和结构模板信息进行端到端预测，在2020年的CASP14竞赛中以GDT得分92.4（接近实验精度）的水平预测蛋白质结构，远超第二名，被评价为"从根本上解决了这个问题"。随后DeepMind公开了超过2亿个蛋白质结构的预测数据库，覆盖了几乎所有已知蛋白质，直接加速了药物靶点发现、酶工程和疾病机理研究。2024年发布的AlphaFold3更进一步，能够预测蛋白质与DNA、RNA及小分子药物的复合物结构。

在采访中，他透露了一个关键预期：他认为未来还会出现"大概半打到一打（6到12个）AlphaFold级别的突破"，而这些突破叠加起来，将在未来20年左右的时间里，导向对所有疾病的治愈。

这些潜在的突破可能涵盖生命科学中多个核心计算难题：蛋白质-蛋白质相互作用网络的全面预测、基因调控网络的动态建模、小分子药物的从头设计（de novo design）、免疫系统响应的精确模拟、细胞信号通路的完整数字孪生、个体化基因组到表型的精准映射，以及复杂疾病（如阿尔茨海默病、自身免疫疾病）的多因子因果解析等。每一项都相当于在各自领域内实现"蛋白质折叠问题"量级的突破。更关键的是，这些问题之间往往相互关联——一个领域的突破可能级联式地降低其他问题的难度，这也是哈萨比斯对指数级加速抱有信心的重要原因。

从"希望"到"确信"的态度转变

最能体现他态度变化的，是这样一段话：

"我原本希望，是在未来的一二十年里，我们能在医学上取得这些重大进展。而现在，我非常确定。我不会说我百分之百笃定，但我非常有信心，事情就是如此。"

从"希望"（hoping）到"非常有信心"（very confident），这种措辞上的微妙升级，反映出这位AI领军人物对技术加速的真实感受。在他看来，AI已经不再只是辅助工具，而是有望成为科学发现本身的引擎。

AI驱动的实验室：为什么基础设施是关键？

哈萨比斯反复强调基础设施的重要性，这一点值得深入剖析。AlphaFold的价值在于"预测"，它能在计算机中推演蛋白质结构，但真正的药物研发、疾病治疗，仍然需要在物理世界的实验室里完成验证。

这里所说的"湿实验"（wet lab），是相对于计算模拟的"干实验"而言的，指涉及真实化学试剂、生物样本和物理操作的实验工作。当前，自动化实验室（也称为"自驾实验室"或Self-Driving Labs）正在成为AI与物理科学结合的关键前沿。这类设施通常集成机器人液体处理系统、高通量筛选平台和实时数据采集传感器，由AI系统设计实验方案、分析结果并迭代优化。2023年，卡内基梅隆大学的研究团队展示了基于GPT-4的Coscientist系统，能够自主搜索文献、设计实验方案并通过API控制云端实验室执行钯催化反应。MIT的Robot Chemist等项目也已展示了AI自主设计并执行化学合成实验的能力。在商业领域，Emerald Cloud Lab和Strateos等公司已提供商业化的远程自动化实验室服务。制药巨头如Recursion Pharmaceuticals拥有全球最大的生物学图像数据库之一（超过数万亿像素），利用计算机视觉分析细胞表型变化来识别药物靶点；Insilico Medicine的AI发现药物INS018_055（用于特发性肺纤维化）已进入II期临床试验，是最早进入临床阶段的完全由AI发现的新分子实体之一。

这意味着，仅有强大的模型是不够的。要让超级智能系统真正推动医学进步，必须打通"AI预测—实验验证—反馈优化"的完整闭环。搭建能让AI自主或半自主开展湿实验的基础设施，正是把"纸面智能"转化为"现实成果"的关键一步。

然而，从实验室验证到临床应用之间，药物通常需要经历10-15年、耗资数十亿美元的开发周期。传统药物研发的"双十定律"（10年时间、10亿美元成本）虽有一定夸张成分，但反映了核心现实。FDA要求的临床试验三阶段中，I期评估安全性（通常20-100名健康志愿者，6-12个月），II期评估有效性（数百名患者，1-2年），III期确认疗效和监测副作用（数千名患者，1-4年）。整体临床成功率不到10%，肿瘤学领域更低至约5%。即便AI能将先导化合物发现从4-5年压缩到数月，临床验证阶段的压缩空间有限——因为生物学终点（如五年生存率）本身需要时间观察。不过，AI在临床试验设计优化（如自适应试验设计、数字孪生模拟、合成对照臂）和患者招募等环节仍有显著加速潜力。监管审批、伦理考量——这些环节涉及人体安全和制度设计，是纯计算突破难以大幅压缩的物理和制度瓶颈。这也解释了为什么即便AI能将药物发现阶段从数年缩短到数月，整体时间表的压缩仍面临巨大挑战。

这也解释了为什么哈萨比斯愿意让渡管理事务：当他判断AGI的核心难题已接近解决，那么如何将这种智能"落地"到科学发现的物理流程中，就成了更值得投入的战略重心。

冷静审视：宏大愿景背后的不确定性

尽管前景令人振奋，但我们仍需保持理性的审视。

第一，"治愈所有疾病"是一个极高的门槛。 疾病谱系极其复杂，从遗传病、传染病到癌症、神经退行性疾病，各有截然不同的机理。即便AI能加速药物发现，临床试验、监管审批、伦理考量以及规模化生产的现实周期，都不是算法能够直接跨越的。

第二，AGI的时间表本身存在争议。 2030年实现AGI是一个相当激进的判断，业界对此远未达成共识。哈萨比斯本人也承认"不会说百分之百确定"。

第三，需要区分"技术乐观"与"技术兑现"。 历史上，重大技术突破的预期往往会经历过热与回调的周期。Gartner技术成熟度曲线（Hype Cycle）清晰地描述了这一规律：新兴技术从"技术触发"到"期望膨胀峰值"再到"幻灭低谷"，最终才达到"生产力高原"。基因治疗在1990年代曾被寄予极高期望，但在1999年Jesse Gelsinger死亡事件后陷入长达十余年的低谷，直到2010年代CRISPR-Cas9基因编辑工具成熟以及腺相关病毒（AAV）载体技术改进才重新复兴——2017年FDA批准了首个基因治疗产品Luxturna（治疗遗传性视网膜营养不良），标志着该领域从"幻灭低谷"走向"生产力高原"。

类似地，AI制药领域在2020-2022年间经历了投资热潮，全球AI药物发现公司累计融资超过200亿美元。然而到2024年，多家上市AI制药公司（如Recursion、Schrödinger、Exscientia）的股价较峰值下跌50-80%。截至2025年初，虽然有超过100个AI发现或设计的分子进入临床试验，但尚无完全由AI发现的新分子实体获得FDA批准上市。行业正在从"AI能发现药物"的概念验证阶段，向"AI发现的药物是否比传统方法更快更好更便宜"的价值验证阶段过渡。

AlphaFold确实是里程碑式的成就，但从单点突破到"6到12个同级别突破"，中间还有巨大的不确定性。这并不否定技术的长期潜力，但提醒我们需要区分"原理验证"与"规模化兑现"之间的差距。

结语：AI与生命科学交汇的战略豪赌

哈萨比斯的表态，与其说是精确的预测，不如说是一位站在AI与生命科学交叉点上的顶尖科学家，对未来方向的战略押注。他所描绘的图景——AI驱动的科学发现将以指数级速度攻克人类最棘手的健康难题——无疑令人充满期待。

无论这20年的时间表最终是否成立，其背后传递的信号已足够清晰：AI正在从提升效率的工具，演变为重塑科学发现范式的核心力量。 对于这样一个可能改变人类命运的进程，保持乐观的同时，理性的期待与审慎的观察，或许才是最恰当的态度。

核心要点