哈薩比斯的創業時機學：領先五年，不要領先五十年

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 >}}

---

在一屋子創投和創業者面前，你會給什麼建議？如果你是 Google DeepMind 的執行長、2024 年諾貝爾化學獎得主，手上還有一個宣稱距離 AGI 完成四分之三的研發組織，你大概會談 AI 的未來。但德米斯．哈薩比斯（Demis Hassabis）在 Sequoia Capital 的 AI Ascent 2026 活動中，花了不少時間聊一件更切身的事：創業的時機。

他的核心結論只有一句話：你要領先你的時代五年，不是五十年。這個教訓來自他第一次創業的慘痛經驗，而他用第二次創業證明了自己學到了。

用 90 年代的電腦模擬一整個國家

哈薩比斯在遊戲業的起點非常早。他 17 歲時在 Bullfrog Productions 參與開發了 Theme Park，一款讓玩家經營遊樂園的模擬遊戲。遊樂園裡有上千個由 AI 驅動的小人，自己決定要玩什麼設施、買什麼商品，底層跑著一整套經濟模型。這款遊戲賣了超過一千萬套，是最早一批讓大量玩家接觸到 AI 模擬的商業作品。看到玩家跟這些 AI 角色互動時的著迷反應，年輕的哈薩比斯做了一個決定：把一輩子都投入 AI。

大學畢業後，他創辦了自己的工作室 Elixir Studios，想做一件更瘋狂的事：在電腦裡模擬一整個國家。這款叫做 Republic 的遊戲，設定是一個由獨裁者統治的國家，玩家可以用各種方式推翻政權。為了實現這個願景，他們需要在 90 年代的 Pentium 處理器上同時運行百萬人口的 AI 邏輯和所有的圖形渲染。「有點太雄心勃勃了，」哈薩比斯在 Sequoia 的對談中坦承。這個專案因為技術限制而遇到嚴重問題，成為他創業生涯中最重要的一堂課。

這堂課的內容很簡單，但違反多數創業者的直覺。你當然不想在所有人都看到機會的時候才動手，那太遲了。但如果你的願景超前基礎設施太多，成功幾乎是不可能的。哈薩比斯給出的甜蜜點是五年。領先五年，你有足夠的空間建立先行者優勢，但基礎設施也勉強跟得上你的需求。領先五十年，你只會在跟硬體和基礎架構搏鬥中耗盡所有資源。

Elixir Studios 的故事放在更大的脈絡裡，其實是哈薩比斯從 15、16 歲就開始執行的長期計畫的一部分。他很早就決定 AI 是他這輩子要做的事，然後刻意選擇了一條迂迴路徑來累積能力。90 年代最前沿的技術不在 AI 實驗室裡，而是在遊戲產業。GPU 最初是為圖形引擎設計的，哈薩比斯在 90 年代末就用上了最早一批 GPU。他做的每一款遊戲，核心玩法都是 AI 驅動的模擬。換句話說，他用遊戲開發「從後門資助 AI 研究」，在一個還沒有人願意正面投資 AGI 的年代。

2009 年的秘密

到了 2009 年，哈薩比斯認為時機終於對了。他和幾位計算神經科學的同事共同創辦了 DeepMind，使命聲明只有兩步：第一步，解決智慧問題，也就是建造 AGI。第二步，用它來解決所有其他問題。

但在 2009 年，說要做 AGI 跟說要造永動機差不多。哈薩比斯回憶，學術界的反應是「直接翻白眼」。他在 MIT 做博士後研究時，那裡仍然是專家系統和邏輯語言的重鎮，也就是 90 年代主流 AI 研究的延續。劍橋也是一樣。整個傳統 AI 圈的態度很明確：這條路已經被證明走不通了，別再試了。

但哈薩比斯看到了別人沒看到的東西。深度學習剛被 Geoffrey Hinton 等人在學術界復興，但幾乎沒有人意識到這是一件大事。強化學習在另一個學術圈子裡自成體系，跟深度學習幾乎沒有交集。GPU 加速運算正在快速成熟。而哈薩比斯和他的共同創辦人從神經科學的研究中，帶來了一些關於大腦如何運作的原理性洞見，特別是強化學習在大腦中的角色。把這四件事拼在一起，他們覺得自己掌握了一個秘密。「我們幾乎覺得自己是某種秘密的守護者，」哈薩比斯說，「因為不管是學術界還是業界，都沒有人真的相信重大進展是可能的。」這些不同領域之間存在著一個巨大的、未被探索的交集，而 DeepMind 的核心賭注就是把深度學習和強化學習結合在一起。

以原創方式失敗的勇氣

但「看到機會」和「有把握成功」是兩回事。哈薩比斯很坦率地承認，2009 年的時候他們並不確定這條路能走通。做前沿研究本身就是不確定的，你不可能在動手之前就知道結果。重要的是如何面對這種不確定性。

他的判斷標準很有意思，不是「這一定會成功」，而是一個更深層的問題：如果失敗了，這個失敗本身有沒有價值？90 年代的 AI 研究已經用專家系統和邏輯推理的方法失敗過了。再走同一條路，只會重複同樣的失敗，不會產生任何新的知識。但 DeepMind 的方法是前所未有的，結合了深度學習、強化學習、加速運算和計算神經科學。如果這條路也走不通，至少會揭示出新的限制在哪裡，告訴後來的研究者這個方向行不通的原因。「就算沒有成功，至少我們會以原創的方式失敗，」哈薩比斯對 Sequoia 的觀眾說。在前沿研究中，原創性本身就有價值。一個全新的失敗比一個重複的成功更能推進人類對問題邊界的理解。

他也補充了一個更私人的理由：不管 DeepMind 最終成功與否，他這輩子都會做 AI。這不是一個商業決策，是他從青少年時期就認定的信念。AI 是人類能發明的最重要的技術，也是最有趣的研究對象。既然如此，為什麼不選一條至少有可能成功、而且就算失敗也能產生新知的路？事後來看，這個賭注押對了。哈薩比斯在訪談中提到，DeepMind 2010 年內部設定的目標是 20 年內抵達 AGI，而他認為整個領域確實在這條時間線上。從 Sequoia 活動上宣稱的「四分之三完成」來看，2030 年的預測大致吻合。

一個 15 歲少年的 30 年計畫，從西洋棋神童到遊戲開發者到神經科學家再到 AI 實驗室創辦人，每一步都是刻意的準備。哈薩比斯在 Sequoia 這場對談中展示了一種很特殊的創業哲學：找到你認為最重要的問題，計算好時機，然後用一輩子去解決它。不管外界覺得你是瘋了還是天才。