哈薩比斯：AI 就是生物學的數學，十到二十年內將迎來科學新文藝復興

本文整理自諾貝爾獎基金會（Nobel Prize）2026 年 6 月在倫敦皇家學會舉辦的諾貝爾對話。

{{< youtube zVrA-_WP9Mw >}}

---

2026 年 6 月初，倫敦皇家學會的大廳裡，兩位諾貝爾獎得主坐在同一張沙發上。一位是 Google DeepMind 執行長德米斯．哈薩比斯（Demis Hassabis），2024 年因 AlphaFold 獲得化學獎；另一位是皇家學會現任會長保羅．納斯（Paul Nurse），2001 年因細胞週期研究獲得生理學或醫學獎。他們認識彼此將近 30 年，從哈薩比斯還是劍橋大學本科生的時候就開始了。納斯想引導他走上博士研究的路，結果哈薩比斯跑去開了一家遊戲公司。

這場諾貝爾對話還有第三位講者：牛津大學生物醫學工程教授 Alison Noble，她是皇家學會外事秘書，也主持了皇家學會 2024 年那份影響深遠的「AI 時代的科學」報告。三個人從三個截然不同的位置看 AI 和科學的交叉口。哈薩比斯站在 AI 前沿，看到的是「奇點的山腳」；納斯站在實驗室裡，看到的是試管和移液器能被機器人取代，但科學家問問題的能力不能；Noble 站在政策端，看到的是歐洲和亞洲對 AI 的態度鴻溝。

他們之間有共識，也有尖銳的分歧。這場對話最精彩的地方，不是誰說服了誰，而是兩種世界觀的碰撞：AI 能不能成為理解生命的語言？

數位速度的科學：AlphaFold 重新定義了什麼叫「快」

哈薩比斯用「數位速度的科學」（science at digital speed）這個詞來形容 AlphaFold 帶來的改變，他說這個詞有三層意思。第一層是解題速度本身。AlphaFold 能在幾秒鐘內預測一個蛋白質的三維結構，而傳統的 X 射線晶體學可能需要數年。從 2020 到 2021 年，DeepMind 用大約一年的時間折疊了當時已知的全部兩億個蛋白質，這個規模和速度在實驗科學中是不可想像的。

第二層是知識的傳播速度。哈薩比斯舉了 CRISPR 基因編輯技術做對比。即使像 CRISPR 這麼重要的發現，從論文發表到成為各個實驗室的標準工具，大概也需要十年以上的時間。但 AlphaFold 的結構資料透過與歐洲生物資訊學研究所（EMBL-EBI）的合作，在幾個月內就被放上了公開資料庫。現在來自 190 個國家、超過 300 萬名研究者使用了這些結構。你不需要有濕實驗室，不需要在頂尖大學，只要能上網就能取用。這更像是一個科技產品的傳播方式，而不是科學方法的擴散。

第三層是 AI 直接加速科學發現本身。哈薩比斯說，這一層才剛開始被感受到。他在 Google 年度大會上用了一個引起不少討論的詞：「奇點的山腳」（foothills of the singularity）。他特別強調「山腳」這個字眼，意思是我們才剛站上去，回過頭來看現在這個時刻，十年後會覺得這是一切開始改變的起點。

AlphaFold 的成功還有一個技術細節值得注意。蛋白質資料庫（PDB）裡只有大約 15 萬個經過實驗驗證的蛋白質結構，這個量不夠訓練一個高品質模型。DeepMind 的做法是用早期版本的 AlphaFold 先折疊一百萬個蛋白質，從中挑出 20 到 30 萬個模型認為自己預測得最準確的結果，再把這些合成資料回餵訓練。這種「自我引導」的合成資料策略，如今已經成為 AI 訓練的常見手法，但 AlphaFold 是最早且最成功的範例之一。

AGI 還有幾年：工程跑在科學前面

哈薩比斯的 AGI 時程表很明確：「只剩幾年了。」他不是隨口說的。他回顧了 AlphaGo 十週年，他剛從韓國回來，在那裡見了李世乭、拜訪了總統。他把 2016 年 AlphaGo 擊敗李世乭的那場對局視為「現代 AI 時代的起點」，一記警告射擊。當時很多人覺得那是個特例，因為接下來五年沒有出現同等級的突破。但通用型 AI 系統現在真的開始運作了，尤其是 AI 代理（agentic AI）的能力，「我們預測了一陣子，但現在它真的有用了。」

但哈薩比斯接下來的一段坦白更值得注意。他說，他希望 AI 領域能更嚴謹地用科學方法來理解自己正在打造的系統，而不是把它們當作黑箱。但商業聊天機器人和大型語言模型的出現「火上澆油」，工程進展遠遠超前了對這些系統運作方式的科學理解。從一個正在建造前沿 AI 系統的執行長口中聽到這種承認，是很不尋常的。他並不是反對進步，而是承認目前的狀態不理想，卻又無法阻止市場力量的推動。

Noble 在這裡補了一刀，指向結構性問題。學術界的獎勵制度根本不鼓勵人放慢腳步。你不搶先發表，論文就發不出去。這種「搶第一」的文化，讓 AI 方法論的仔細驗證變得幾乎不可能。研究者在速度和理解之間被迫選擇速度。

AI 是生物學的語言：一個大膽的認識論宣言

這場對話中最具哲學野心的主張，來自哈薩比斯的一句話：「AI 之於生物學，就像數學之於物理。」

這不是修辭。他的論證是這樣的：物理學之所以能用數學描述，是因為物理系統遵循簡潔的定量定律，牛頓三大運動定律就是最好的例子。但生物學不太可能產生這種優美的方程式。細胞太複雜、太動態、太多層次的湧現行為（emergence），不可能用三條定律概括。這不代表生物學沒有可發現的規則，而是說這些規則更適合用模擬和學習型模型來描述，而不是用封閉形式的方程式。

哈薩比斯用天氣預報當作存在性證明。DeepMind 開發的天氣模型，預測颶風梅利莎（Hurricane Melissa）的路徑時，精確度與傳統超級電腦的流體力學模擬相當甚至更好，但耗時從兩週縮短到幾小時。英國氣象局已經在用這套系統。天氣是一個經典的「太複雜而無法用方程式完美描述」的系統，但 AI 模型學會了它的模式。如果天氣可以，為什麼細胞不行？

納斯沒有正面反駁這個類比，但他的回應透露了一種深層的認識論差異。他更在意的是：即使 AI 能模擬一個系統的行為，那算不算「理解」？這個問題在這場對話中沒有得到解決，但哈薩比斯後來呼籲科學哲學需要更新，把模擬和黑箱逆向工程納入正當的認知方法。他說「哲學的時刻到了」，需要新的科學哲學家來處理這些問題，處理什麼算知識、什麼算理解、什麼算可測試的命題。

虛擬細胞：30 年的夢想和 400 個方程式的廢話

納斯和哈薩比斯討論虛擬細胞這個題目已經 30 年了。納斯自嘲說「我們沒有走很遠」。但這個話題在這場對話裡產生了最精彩的交鋒。

傳統做法是用幾百個耦合微分方程式來模擬一個最簡化的細菌細胞（大約 500 個基因）。納斯對此的評價直接了當：「幾乎可以確定是廢話。」他的理由有兩個。第一，方程式裡的動力學常數是在試管裡（in vitro）測量的，拿到活細胞內部（in vivo）幾乎一定不成立，因為細胞內部的環境跟試管裡差太多了。第二，當你有 400 個方程式的時候，你幾乎可以擬合（fit）任何東西。如果一個模型什麼都能預測，那它在科學上就什麼都沒預測。

然後納斯分享了他自己實驗室的一個發現，這可能是整場對話中最引人入勝的科學內容。他們測量了基因完全相同的細胞群中，每個細胞的蛋白質合成速率。結果發現個體差異極大，有的細胞比平均值高 50%，有的低 50%。但令人驚訝的是，這些偏離平均值的細胞在大約 10 分鐘內就會回歸均值，儘管蛋白質合成涉及幾百個反應步驟。

這個結果挑戰了生物學的一個基本假設。傳統觀點認為生物系統是「嚴密調控」的，每個反應都被精確控制。但他的資料暗示細胞其實是「鬆垮的」（floppy）。它們不是靠精確控制來維持秩序，而是靠某種更粗糙的機制。這可能是一個功能，而不是缺陷。想想看：你的電腦偶爾會卡住，怎麼辦？關機再開。但細胞不能關機再開。如果細胞的調控太緊，一旦卡在某個錯誤狀態就出不來了。「鬆垮」可能正是讓細胞永遠不會卡死的方式。

哈薩比斯的回應是建議從細胞核開始，把它當作一個相對自足的子系統來模擬。就像化學從物理學中抽象出來，成為可以獨立研究的層次一樣。但納斯搖了搖頭，連細胞核都可能太複雜了。兩個人在這裡的分歧不是觀點的分歧，而是直覺的分歧。哈薩比斯相信只要找到正確的粒度和正確的子系統，AI 就能模擬生命的規則。納斯則懷疑生命的規則能不能被乾淨地分割。

兩道盧比孔河：先做出 AGI，再討論意識

在觀眾提問環節，話題轉向了意識。哈薩比斯在這裡做了一個重要的區分：通用智慧（AGI）和意識是兩個不同的東西，可以分開來看。他用動物做例子：你家的狗看起來有某種程度的意識，但智力顯然不如人類。這暗示意識和智力是可以分離的屬性，不是綁在一起的。

他引用了圖靈的框架，認為大腦做的一切在原則上都是可計算的。他提到了物理學家潘洛斯（Roger Penrose）關於大腦中量子過程的假說，但說他沒有看到任何支持這個假說的神經科學證據，認為那是「把兩個我們不理解的東西放在一起」。

哈薩比斯的策略建議很具體：先跨過第一道盧比孔河，也就是建造出真正通用、精確、超級能幹的 AI 工具。然後用這些工具花一、二十年深入研究意識到底是什麼。等到我們真正理解意識之後，再讓社會來決定是否要跨過第二道盧比孔河，也就是刻意創造有意識的 AI 實體。他的立場是：目前不該嘗試。

納斯則從科學哲學的角度回應，指出不同學科的科學方法本來就不一樣。物理學的方法不能直接搬到生物學，更不能搬到氣候科學。他提到一些頂尖物理學家在評論氣候科學時犯了嚴重錯誤，因為他們堅持用自己學科的標準來衡量別人的領域。這個觀點放在 AI 的脈絡下特別有意義：我們不能用一套標準來衡量 AI 在所有科學領域的應用。

新文藝復興，但有代價

哈薩比斯用一個自信的預測為這場對話收尾：未來十到二十年將是一場「科學新文藝復興、新的黃金時代」。AlphaFold 在 AI 的時間尺度上已經算是古代了，它只會是 AI 幫助人類攻克的許多問題中的第一個。

但他也加了一句不那麼樂觀的附註：「好處會伴隨著代價。」

他沒有展開說這個代價是什麼。但從整場對話的脈絡來看，這些代價的輪廓已經相當清晰。工程跑在科學前面，我們在打造自己不完全理解的系統。對齊問題「絕對沒有解決」。地緣政治正處於低谷，偏偏是最需要國際合作的時候。經濟學家還沒認真思考後 AGI 時代的經濟體系該長什麼樣子。

整場對話最讓人印象深刻的，不是哈薩比斯的宏大預言，也不是納斯的務實反擊，而是兩個人之間的張力本身。一個人花了一輩子打造 AI，把它視為科學的「元貢獻」，一個幫助所有科學加速的終極工具。另一個人花了一輩子在實驗室裡看細胞，相信科學最核心的東西是人類的好奇心和提問能力，這些是任何工具都無法取代的。他們都是對的。而他們都是對的這件事，本身就是 AI 時代最值得思考的張力。