哈薩比斯：機器學習是生物學的數學，AI 將催生全新科學學門

本文整理自 Sequoia Capital「Training Data」Podcast 2026 年 4 月播出的單集，錄製於 AI Ascent 2026 活動。

{{< youtube AFpeWo1GTeg >}}

---

德米斯．哈薩比斯（Demis Hassabis）在 Sequoia Capital 的 AI Ascent 2026 活動中宣稱，我們距離 AGI 已經完成了四分之三的路程，預測 2030 年就能抵達。但在這場對談中，這位 2024 年諾貝爾化學獎得主最投入的話題，其實不是 AGI 本身。他花了更多時間描述 AGI 作為科學工具的潛力，並拋出了一個值得記住的類比：機器學習之於生物學，就像數學之於物理學。

這個類比背後有一整套邏輯鏈。從蛋白質摺疊到藥物設計，從天氣預測到虛擬細胞，從經濟學到意識研究。在哈薩比斯的描述中，AI 扮演的角色遠超「加速既有研究」。它是一種全新的描述語言，讓原本無法被嚴格研究的領域變成真正的科學。

數學解不了的問題，機器學習可以

物理學有數學。從牛頓力學到愛因斯坦的相對論，數學方程式精確描述了物質和能量的行為。但生物學一直缺少這樣的描述語言。為什麼？不是因為生物學家不夠聰明，而是因為生物系統的性質和物理系統根本不同。物理定律通常可以用簡潔的方程式表達，而生物系統則是高度動態的湧現系統，裡面的規律藏在海量的弱信號和弱相關性之中。

哈薩比斯認為，這正是傳統數學束手無策的原因。一個細胞內部的運作涉及上千種蛋白質的相互作用，每一個作用都受到溫度、酸鹼值、周圍分子的影響。這些信號單獨來看都很微弱，但組合在一起會產生湧現行為。一個人類數學家根本無法同時追蹤這麼多變數之間的弱相關性，而現有的數學框架也缺乏足夠的表達力來建模這種系統。哈薩比斯的判斷是：問題出在工具，不是出在科學家。

機器學習恰好擅長處理這類問題。大量的弱信號、弱相關性、海量資料，但其中確實存在連結和因果關係，只是人腦無法直接捕捉。哈薩比斯在訪談中描述的，是一種根本性的工具轉換：過去用數學方程式描述物理世界的規律，現在用神經網路來描述生物世界的規律。差別在於，數學方程式是人類可以直接閱讀和理解的，而神經網路則是一種「隱式」的描述。我們可以使用它、驗證它的預測，但還不能完全用人類語言解釋它為什麼有效。

他甚至進一步推測，未來有可能從這些隱式模擬器中萃取出明確的方程式。如果你有一個夠精確的學習式模擬器，你可以無限次地從中取樣，分析其中的模式。機器學習可能不只是替代數學，而是最終產生新的數學。哈薩比斯對這個可能性相當興奮，雖然他也坦承，對於生物學這類高度湧現的系統，是否存在像馬克士威方程組那樣簡潔的基本定律，仍然是一個開放的問題。

藥物開發從十年壓縮到幾天

AlphaFold 在 2020 年解決了蛋白質摺疊預測這個五十年的科學難題，也讓哈薩比斯拿下了 2024 年的諾貝爾化學獎。但在他看來，這只是拼圖的一塊。知道蛋白質的三維形狀很重要，但光知道形狀不能治病。你還需要設計出能夠精確結合到蛋白質目標位點的化合物，而且這個化合物不能跟身體裡其他蛋白質結合，否則就是有毒的副作用。這中間的距離，就是從「科學突破」到「實際藥物」之間的鴻溝。

這正是 Isomorphic Labs 在做的事。這家從 DeepMind 分拆出來的生技 AI 公司，把 AlphaFold 的技術延伸到生物化學和化學領域，目標是讓 AI 自動設計出符合要求的分子化合物。哈薩比斯在訪談中描述的願景很明確：把 99% 的探索過程搬到電腦裡完成，只在最後的驗證階段才進入實驗室。如果這條路走通，藥物開發的週期可以從目前平均十年壓縮到幾個月，甚至幾天。他還預測，個人化醫療也將因此變得可行。如果基礎藥物可以在極短時間內設計完成，那麼針對個別患者的基因型做客製化調整，在技術上和經濟上就都不再是空談。

這條路線已經有了實質進展。2026 年初，Isomorphic Labs 的 AI 設計藥物進入了人體臨床試驗階段，針對的是癌症治療。公司也發布了名為 IsoDDE 的統一計算引擎，整合了蛋白質結構預測、配體結合分析、親和力估算等功能，能力已經超越了 AlphaFold 3。從 2020 年的蛋白質結構預測，到 2026 年的 AI 設計藥物進入人體試驗，這六年的進展速度在傳統製藥產業幾乎是不可想像的。哈薩比斯在 Sequoia 活動上說「所有疾病都將在觸及範圍之內」，聽起來像是誇大，但 Isomorphic Labs 的實際進度確實在朝那個方向走。

用 AI 模擬器把社會科學變成真正的科學

哈薩比斯在訪談中透露了另一個讓他特別興奮的方向：AI 驅動的模擬器。他從小就著迷於模擬。他的所有遊戲作品，從 Theme Park 到 Republic，底層都是 AI 驅動的世界模擬。但他現在想做的模擬，規模和精確度完全不同。

為什麼經濟學不像物理學那樣是一門「硬科學」？哈薩比斯的答案很直接：因為你無法做可控的重複實驗。如果政府把利率調高半個百分點，你只能在真實世界裡做一次，然後觀察結果。你不能把地球「重開」一千次來測試不同的利率政策。這讓經濟學和其他社會科學停留在理論推演和歷史案例分析的層次，永遠無法達到物理學那種精確的實證標準。但如果你有一個夠精確的模擬器，情況就不同了。你可以在模擬環境裡重複實驗一千次、一萬次，嚴格取樣，統計分析。這將催生全新的科學學門，讓那些因為「無法做實驗」而停滯的領域，終於有機會變成嚴謹的實證科學。

DeepMind 已經在天氣預測領域展示了這種方法的威力。WeatherNext 是他們開發的天氣模擬系統，哈薩比斯稱之為目前全球最精確的天氣模擬器，速度遠超傳統氣象學家使用的數值預報模型。下一步是更具野心的「虛擬細胞」計畫，目標是建造一個能模擬細胞內部所有動態運作的系統。生物學跟天氣一樣，都是高度動態的湧現系統。如果天氣可以被學習式模擬器精確預測，細胞內部的運作為什麼不行？而如果細胞可以被模擬，那經濟體系或社會結構呢？哈薩比斯顯然認為這條路最終是走得通的，只是需要時間和足夠精確的資料。

如果宇宙的根本是資訊，AI 就不只是工具

訪談的後半段，哈薩比斯的話題轉向了一個更宏觀的框架。他提出一個大膽的判斷：能量、物質、資訊三者可以互相轉換，但資訊是最根本的。

這跟 20 世紀物理學家的直覺相反。經典物理把能量和物質放在核心位置，愛因斯坦的 E=mc² 描述的就是這兩者之間的等價關係。但哈薩比斯認為，如果你觀察生物系統，會發現它們本質上是在對抗熵，而對抗熵的方式就是處理和組織資訊。DNA 是資訊，蛋白質摺疊是資訊處理，細胞分裂是資訊複製。如果連生命本身都可以理解為資訊處理系統，那整個宇宙或許也應該用資訊的框架來理解。而如果這個判斷是對的，AI 的意義就遠超「一個很厲害的工具」，因為 AI 本身就是人類目前最強大的資訊處理技術，它的核心就是組織、理解和建構資訊物件。

一個有意思的佐證是 AlphaFold 的成功。蛋白質摺疊涉及極小尺度的粒子運動，照理說應該需要考慮所有量子效應。很多人原本以為，精確預測蛋白質結構需要量子電腦。但 AlphaFold 在傳統硬體上就做到了近乎最優的預測結果。哈薩比斯自稱是「圖靈的擁護者」（Turing's champion），他認為這個結果暗示了一件重要的事：很多我們以為必須用量子電腦才能處理的問題，如果換一種思考方式，可能在古典系統上就能解決。圖靈機的計算能力，可能比我們想像的更接近宇宙運作的本質。

這整條邏輯鏈如果成立，意味著我們正站在一個比多數人意識到的更大的轉折點上。機器學習讓藥物開發變快、讓天氣預報變準，這些都還只是起點。更根本的是，人類有史以來第一次擁有了一種能夠描述宇宙中最複雜現象的語言。數學描述了簡潔的物理定律，機器學習則可能描述一切數學無法觸及的地方。