昨天我写了一篇《梁文锋想的是AGI，我更关心AGI之后的世界》，起因是最近梁文锋在一次交流中，再次谈到了DeepSeek的长期目标，相比短期的收入和利润，他更希望把DeepSeek做成一个围绕AGI长期投入的技术组织。其实从DeepSeek过去几年的发展来看，这个方向一直比较明确，他们在模型架构、训练效率、推理能力和开源上投入了大量资源，商业化的节奏反而相对克制。对于梁文锋来说，AGI显然不是一个用来讲故事的概念，而是他真正想长期去做的事情。
我当然也期待AGI，但我昨天真正想讨论的问题，并不是AGI究竟什么时候能够实现，而是如果有一天真的实现了，然后呢？今天全世界投入巨资建设数据中心，购买GPU，训练越来越强大的模型，OpenAI、Google、Anthropic、DeepSeek不断刷新各种Benchmark，我们也每天讨论哪个模型更聪明、哪个模型写代码更强、哪个模型更便宜，这些竞争当然都非常重要，因为模型能力是所有AI应用的基础。但如果花费如此巨大的资源，最后只是为了让AI帮我们写更多代码、制作更多PPT、生成更多图片和视频，或者让一家企业原来需要10个人完成的事情变成5个人完成，我总觉得还是把人工智能的意义想小了。
写完那篇文章以后，我想到了另外一个人，Demis Hassabis（德米斯·哈萨比斯）。
梁文锋和Hassabis其实是两个背景完全不同的人。梁文锋学的是信息与通信工程，后来做量化投资，创办幻方，再成立DeepSeek；Hassabis小时候是国际象棋高手，后来做电子游戏，学习计算机科学，又去研究神经科学，最后创办DeepMind。他既是计算机科学家，又是神经科学家和游戏设计师，看起来跨度很大，但仔细看他的经历，会发现其实一直围绕着同一个问题，就是智能到底是什么，人类的大脑为什么会产生智能，以及我们能不能用计算机创造出类似甚至超过人类的智能。
DeepMind最早让AI玩Atari游戏，后来又做AlphaGo，并不是因为游戏本身有多大的商业价值，而是因为游戏是研究智能非常好的实验环境，需要学习、推理、规划、决策，还要在复杂环境里不断根据反馈调整策略。2016年AlphaGo击败李世石，让全世界第一次直观感受到人工智能已经可以在一个被认为高度依赖人类直觉和经验的领域超过顶尖人类，但如果Hassabis只是做出了一个世界上最强的围棋程序，我觉得他的故事也不会有今天这么有意思。真正让我觉得Hassabis与很多AI创业者不同的地方，是他并没有一直停留在证明“AI比人聪明”这件事情上，而是开始尝试把这种新的智能，用到人类真正没有解决的问题上，后来就有了AlphaFold。
从AlphaGo到AlphaFold
蛋白质是构成生命的基础之一，由氨基酸连接形成，但同样一条氨基酸链会折叠形成复杂的三维结构，而结构又决定了蛋白质的功能。过去科学家要确定蛋白质的三维结构，通常需要借助X射线晶体学、冷冻电镜等实验手段，整个过程复杂、昂贵而且耗时，如何仅仅根据氨基酸序列准确预测蛋白质最终的三维结构，也因此成为困扰生物学界几十年的重要难题。
2020年，AlphaFold 2在CASP蛋白质结构预测竞赛中取得突破性成果，后来DeepMind又预测了几乎所有科学界已知蛋白质的结构，并将超过2亿个预测结构提供给科研人员使用。2024年，Hassabis和John Jumper因为AlphaFold在蛋白质结构预测上的贡献获得诺贝尔化学奖。从严格的科学意义上说，AlphaFold并不是把“蛋白质折叠”所有问题都彻底解决了，因为真实生命系统中的蛋白质并不是一个静止的三维模型，它还会发生动态变化，与其他蛋白质、DNA、RNA、小分子以及复杂细胞环境发生相互作用，但AlphaFold确实解决了其中一个长期存在的核心问题，就是从氨基酸序列高精度预测蛋白质结构，并且第一次把这种能力大规模提供给全球科学家。
我觉得AlphaFold这件事情特别值得思考，因为它和我们今天最熟悉的生成式AI有很大的不同。ChatGPT帮我们写文章，Codex帮我们写代码，Midjourney帮我们画图，本质上都是让机器去完成一件原来人类已经会做的事情，只是做得越来越快、越来越便宜。这样的生产力提升当然非常重要，工业革命以来几乎每一次技术进步，首先带来的都是效率提高和成本下降。但AlphaFold往前走了一步，它不是简单地替代一个原来负责预测蛋白质结构的人，而是在帮助整个科学界突破一个长期存在的知识边界，这也是为什么我觉得，从AlphaGo到AlphaFold的变化，可能比AlphaGo击败李世石本身更有意义。
过去两年，我们讨论AI时经常围绕一个问题，就是AI会替代多少工作。程序员会不会被替代，设计师会不会被替代，客服、律师、医生会不会被替代，企业用了AI以后是不是能够裁掉更多员工。我自己一直在重度使用AI Coding，也确实感受到这种生产力变化，以前一个人很难在很短时间里完成一款完整的软件产品，现在借助Codex、Claude Code这样的工具，一个人可以完成过去需要几个人甚至一个小团队才能完成的工作。但从更长远的角度看，如果AI的最大价值只是把原来10个人做的事情变成5个人做，那么它仍然主要是在优化已有的生产方式，并没有真正扩大人类能够做什么。
科学领域恰恰不同，很多科学问题几十年没有解决，并不是科学家不够聪明，而是需要计算和验证的可能性实在太多，人的时间、实验成本和认知能力都有极限。一个化学空间可能存在数量巨大的潜在分子，一种材料可能有无数种元素和结构组合，一个科学家一生能够提出和验证的假设终究有限，如果AI可以在这些巨大的可能空间里先进行计算、模拟和筛选，再帮助科学家找到最值得验证的方向，那么它提高的就不只是某一个科学家的工作效率，而有可能改变科学发现本身的速度。
我更关心AI能不能解决疾病
昨天谈AGI的时候，我特别提到了疾病，因为相比AI未来能不能帮我们把工作效率再提高10倍，我其实更关心它能不能解决癌症、阿尔茨海默病、罕见病这些人类长期没有解决的问题，甚至进一步帮助我们理解衰老。
现代医学已经发展了几百年，我们今天拥有CT、核磁共振、基因测序、靶向药、免疫治疗等过去无法想象的技术，但面对很多疾病仍然非常无力。癌症仍然是人类主要的死亡原因之一，阿尔茨海默病还没有真正意义上的治愈方法，大量罕见病因为患者数量少、研发成本高，长期缺乏有效药物，而新药研发本身又是一个周期很长、成本很高、失败率也很高的过程，从发现靶点、筛选化合物，到临床前研究，再到一期、二期、三期临床试验，任何一个环节失败，前面的投入都可能归零。
AlphaFold当然不会因为预测出了蛋白质结构，第二天就治愈癌症，但它展示了一种完全不同的可能性，就是让AI逐渐进入科学发现和药物研发的过程。AlphaFold 3已经进一步扩展到蛋白质与DNA、RNA、小分子等生物分子结构和相互作用的预测，Hassabis后来创办Isomorphic Labs，也是希望利用AI重新设计药物发现过程。药物研发不会因为AI出现就突然变成一件简单的事情，临床试验也不可能被模型完全替代，但如果原来需要大量实验才能筛选的方向，可以先通过AI进行计算和预测，如果原来需要几年才能理解的蛋白质结构和相互作用，可以更快获得线索，那么整个科学研究的试错空间就有可能被大幅压缩。
所以有人会说，AI可能让药物研发进入“超速时代”，我觉得这里真正值得期待的甚至不只是把一个原本需要10年的药物研发过程缩短到5年，而是让一些过去根本没有条件研究的问题第一次变得可以研究。很多罕见病并不是科学上完全没有价值，而是患者太少，市场太小，按照传统药物研发的成本结构，很难形成足够的商业回报；很多复杂疾病也不是没有人研究，而是在巨大的生物学可能空间里寻找有效靶点和药物，就像在一个几乎无限大的迷宫里不断试错。如果AI能够把这种搜索效率提高几个数量级，那么过去因为成本、时间和复杂度而无法推进的研究，也可能出现新的机会。
这也是我真正期待AGI的原因。我并不在意AGI出现以后，它是不是能够把一篇文章写得比我更好，或者一个程序员一天的工作缩短到一个小时，这些变化大概率都会发生，但它们还不是我认为最重要的事情。我更希望看到的是，当机器拥有远超过今天的推理、计算和研究能力以后，它能不能帮助科学家找到一种新的癌症治疗方法，能不能理解阿尔茨海默病真正的发病机制，能不能为一种全球只有几千名患者的罕见病设计药物，甚至有一天真正理解生命为什么衰老，以及衰老是否可以被干预。
梁文锋与Hassabis
从这个角度再来看梁文锋和Hassabis，我觉得两个人身上有一个很相似的地方，就是他们想做的事情都比较远，也不太容易用短期的商业回报去衡量。
商业社会天然喜欢确定性，做一个App可以看下载量和付费率，做SaaS可以看ARR，做电商可以看GMV，投资一个项目最好几年以后就能够看到回报。但真正的基础研究往往不是这样，DeepMind最初研究围棋的时候，很难计算AlphaGo未来能够带来多少收入，做AlphaFold的时候，也不是因为突然发现蛋白质结构预测是一个巨大的互联网市场。Hassabis真正想做的是研究智能，然后利用智能去解决科学问题；梁文锋和DeepSeek今天主要还在做另外一端的事情，就是如何把智能本身继续往前推进，研究模型架构、训练效率、推理能力以及通往AGI的路径。
当然，两个人所处的阶段并不一样，梁文锋现在更多是在寻找如何实现AGI，而Hassabis同样一直把AGI作为长期目标，只不过从AlphaFold开始，他已经提前展示了另外一种可能，就是我们并不一定非要等到某一天宣布“AGI正式实现”，才开始让AI解决科学问题。事实上，今天各种专用AI系统已经开始进入生物学、材料、数学、气象等领域，随着模型能力继续提高，通用模型和专业科学模型之间的边界也可能越来越模糊。
中国未来当然需要更强的基础模型，需要自己的GPT、Claude和Gemini，需要DeepSeek这样的公司，也需要芯片、算力、Agent和完整的AI产业链。今天大家讨论Benchmark、模型价格和Coding能力，也都有现实意义，因为如果基础模型本身不够强，后面的应用也无从谈起。但模型终究只是一种基础能力，就像望远镜真正的价值不是口径有多大，而是我们最终用它看到了什么，如果未来中国AI竞争一直停留在模型排行榜高几分、上下文增加多少Token、API价格又降低多少，那么仍然只是完成了第一阶段。
我更期待的是有一天，中国也能够出现自己的AlphaFold，用AI去发现新的药物，研究癌症和罕见病，寻找更好的电池和材料，解决能源问题，帮助数学家、物理学家和生物学家去研究那些困扰人类几十年甚至几百年的问题。当越来越多这样的成果出现以后，AI才真正不只是一个新的互联网产业，而会逐渐成为科研本身的一种基础工具。
AGI之后，我们到底想要什么
回顾人类过去几百年的技术进步，每一次工业革命其实都在扩大人的能力，蒸汽机和电力扩大了人的体力，汽车和飞机扩大了人的移动范围，计算机扩大了计算能力，互联网让信息的生产和传播成本大幅下降。我觉得AI可能带来的一个更深层变化，是扩大人类能够解决的问题范围，以前一个问题太复杂，人脑算不过来，一个实验组合太多，人类试不过来，一个科学家一生能够验证的假设太少，而AI理论上可以在这些地方不断突破人的限制。
所以我并不太纠结AGI究竟是在2028年、2030年还是更晚出现，也不太在意最终是哪家公司第一个宣布实现了AGI，因为无论这个时间点什么时候到来，真正重要的问题始终是，我们最终准备拿这种前所未有的智能去做什么。
如果只是生成更多广告、短视频、营销文案，让互联网里的内容再增加一百倍，或者让企业进一步降低人力成本，当然也算是一种技术进步，但我觉得远远不够。人类还有太多真正困难的问题没有解决，疾病、衰老、能源、材料、气候、基础科学，包括我们对生命和宇宙本身的理解，这些问题中的任何一个如果因为AI取得重大突破，产生的价值可能都远远超过今天整个生成式AI市场。
梁文锋还在寻找通往AGI的路，Hassabis同样在追求AGI，但AlphaFold已经让我们提前看到了一点拥有更强智能之后可能发生的事情。AlphaFold并不是AGI，却证明了AI的价值并不只是把人类已经会做的事情做得更快，也可以帮助我们进入过去很难进入的未知领域。
如果很多年以后回头看今天的AI革命，我们大概不会记得某个模型曾经在某个Benchmark上领先了几分，也不会记得哪家公司曾经拥有最长的上下文窗口，但如果AI最终帮助人类治愈了某些过去无法治愈的疾病，解决了能源问题，延长了健康寿命，或者让我们理解了一些过去几百年都没有理解的科学问题，这些事情一定会被记住。
我想，这才是AGI真正值得我们投入如此巨大资源去追求的原因。