⓵ 容易懂 Easy Know
想像有人想創造一個世界上最聰明的大腦，聰明到可以解決所有問題，像是治療癌症或停止氣候變暖。這個人就是德米斯 哈薩比斯，他創立了 DeepMind。他從小就發現，比起在國際象棋上爭輸贏，他更想創造一種工具來幫助全世界。DeepMind 的電腦不是靠人一步步教導，而是像一個在遊戲中學習的孩子一樣，透過不斷地嘗試和犯錯來自我進化。他們先讓 AI 玩簡單的打磚塊遊戲，然後挑戰複雜的圍棋，甚至下出了人類幾千年來從未想過的招式。一旦 AI 證明了它的學習能力，DeepMind 就將它用來解開生命的超級謎題 蛋白質折疊，這個成果就像送給全人類的禮物，讓科學家能更快地找到新藥。他們的目標是：先解開智能的秘密，然後用這個智能去解決宇宙中所有的大問題。
分隔線
⓶ 總結 Overall Summary
本影片深入探討了德米斯 哈薩比斯與 DeepMind 追求通用人工智慧（AGI）的歷史與哲學。哈薩比斯的動機源於童年時期對思考本質的追問，以及意識到人類集體智能在解決重大問題上的潛力。他早年在遊戲產業的經驗（特別是設計 Theme Park 中具有自主行為的 AI）為 DeepMind 的核心技術哲學奠定了基礎 將電腦科學與神經科學融合，從生物機制中汲取靈感。
DeepMind 於 2010 年成立，使命宣言是 解決智能問題，然後用它解決一切。他們的核心技術路徑是強化學習（Reinforcement Learning），透過在模擬環境中不斷試錯、獲得獎勵來實現通用學習。這一方法首先在 Atari 遊戲中得到驗證，展示了 AI 自主發現非預設策略的能力。
里程碑式的突破是 2016 年 AlphaGo 擊敗圍棋世界冠軍李世石。圍棋的複雜度遠超傳統計算機極限，AlphaGo 下出的第 37 手肩衝，證明了機器不僅能模仿人類知識，還能創造出超越人類經驗的新知識。隨後的 AlphaZero 更實現了從零開始、不依賴人類棋譜的自我對弈學習，進一步驗證了通用學習算法的可行性。
DeepMind 的終極目標是將此能力應用於基礎科學。AlphaFold 2 成功解決了困擾生物學界五十年的蛋白質折疊問題。在 2020 年的 CASP14 競賽中，AlphaFold 2 達到了近乎實驗精度的預測分數（92.4分），極大地加速了藥物研發與疾病機理研究。DeepMind 不僅開源了代碼，還發布了包含兩億多種蛋白質結構的資料庫，被譽為科學研究的革命性工具。然而，影片也嚴肅地提出了 AGI 帶來的倫理困境與控制難題，強調在技術加速發展的同時，必須警惕超級智能可能對人類社會造成的潛在風險。
分隔線
⓷ 觀點 Viewpoints
DeepMind 的核心使命是創造通用人工智慧（AGI）來解決其他所有問題。哈薩比斯認為，如果認真對待 AGI 的潛力，時間是極其緊迫且稀缺的。
智能的追問源於元認知。哈薩比斯從小對國際象棋的熱愛促使他思考 大腦是如何思考的，並在青少年時期意識到，人類的智慧應該用於解決更宏大的全球性挑戰，而非僅限於遊戲中的勝負。
強化學習是通往通用智能的基石。DeepMind 捨棄了傳統的預設腳本或規則，轉而採用讓 AI 在模擬環境中透過不斷試錯和獎勵機制來自主學習的強化學習方法。
AlphaGo 的勝利標誌著 AI 能夠創造超越人類經驗的新知識。它在圍棋中下出的非定式棋步，證明了機器可以自主發現複雜系統中的最佳策略，而不僅僅是模仿或重複人類的累積。
遊戲是通用算法的最佳訓練場。DeepMind 將 Atari 遊戲、圍棋和星際爭霸 II 視為訓練和打磨通用學習算法的沙盒，一旦算法成熟，便可將其應用於現實世界的科學難題。
AlphaFold 2 解決了基礎科學中的核心問題。蛋白質折疊的突破證明 AGI 不再是科幻概念，而是可以實際改變物理世界、加速生物學和醫學研究進程的實用工具。
超級智能帶來了嚴峻的倫理困境。DeepMind 的創始人擔憂，一旦超級智能出現，人類可能缺乏有效的控制機制，這股力量既是巨大的福祉，也可能是巨大的風險，需要極為謹慎地推進「負責任的 AI」。
分隔線
⓸ 摘要 Abstract
✅ DeepMind 的目標是解決智能（AGI），然後用它解決所有問題，包括癌症和氣候變遷。
⚠️ 哈薩比斯童年時期的頓悟 認為人類大腦不應只在國際象棋上浪費算力。
📌 強化學習（Reinforcement Learning）是 DeepMind 讓 AI 自主學習的核心方法，透過試錯和獎勵來優化行為。
✅ 2016 年 AlphaGo 擊敗李世石，尤其第二局的第 37 手，證明了 AI 能夠創造出超越數千年人類經驗的全新策略。
📌 AlphaZero 在不學習任何人類棋譜的情況下，僅用數小時的自我對弈就超越了人類幾千年的累積。
✅ AlphaFold 2 在 2020 年 CASP14 競賽中以 92.4 分的平均分，實質上解決了困擾生物學界 50 年的蛋白質折疊問題。
📌 DeepMind 開源了 AlphaFold 的代碼和包含 2 億多種蛋白質結構的資料庫，極大地加速了全球科學研究。
⚠️ 技術的加速發展引發了對超級智能控制的深刻焦慮，如同曼哈頓計畫般，開發者必須面對巨大的倫理困境。
分隔線
⓹ FAQ 測驗
第一題 DeepMind 的創始人德米斯 哈薩比斯在將重心轉向 AGI 之前，最初的職業生涯在哪個領域獲得了重要的技術和資金累積？
A 頂尖大學的電腦科學研究室
B 歐洲最負盛名的遊戲開發公司
C 國際象棋職業選手生涯
D 華爾街的量化金融分析
正確答案 B
解釋 哈薩比斯年僅 16 歲就憑藉編寫遊戲程序，進入了牛蛙製作公司（Bullfrog Productions），參與開發了《主題公園》，並在那裡賺取了第一桶金，同時接觸並應用了前沿的 AI 技術。
第二題 DeepMind 證明其通用學習算法有效性的第一個里程碑，是讓 AI 透過強化學習精通哪一類型的遊戲？
A 複雜的即時策略遊戲《星際爭霸II》
B 古典棋類遊戲圍棋（Go）
C 簡單的復古街機遊戲，例如《打磚塊》（Breakout）
D 國際象棋
正確答案 C
解釋 DeepMind 在早期首先選擇了 Atari 的復古遊戲堆，如《打磚塊》，來驗證和展示其強化學習算法可以讓 AI 從零開始自主學習並超越人類表現。
第三題 AlphaFold 2 解決了基礎科學中的哪個核心問題，被譽為改變科學進程的實用工具？
A 基因組測序的錯誤校正
B 氣候變遷模型的高度精確預測
C 蛋白質的三維結構折疊預測
D 量子計算的糾錯算法設計
正確答案 C
解釋 AlphaFold 2 專門解決了困擾生物學界長達 50 年的蛋白質折疊問題，即根據氨基酸序列精確預測蛋白質的三維結構，這對新藥研發具有劃時代意義。
✡ Oli小濃縮 Summary bot 為您濃縮重點 ✡