N° 01
先解决智能，再用智能解决一切 The Mission
DeepMind 成立时就写下的顺序：智能不是众多问题中的一个，它是解题的工具本身。先造出会学习的机器，再把它指向癌症、材料、气候、聚变。这句话既是使命，也是优先级排序——当科学价值与商业价值冲突时，它被用来做决定。
例子AlphaGo 之后不是"继续做游戏"，而是转身去做蛋白质折叠。
4 岁学棋，13 岁达到大师水准；17 岁做出销量百万的游戏；38 岁让 AlphaGo 击败李世石； 48 岁凭 AlphaFold 摘下诺贝尔化学奖。 这本全球唯一官方授权传记，写的是一个更简单也更难的问题——先解决智能，再用智能解决一切。
《哈萨比斯：谷歌AI之脑》是两度入围普利策奖的作家、历史学家塞巴斯蒂安·马拉比（Sebastian Mallaby，著有《风险投资史》）写的官方授权传记，原作名为 The Infinity Machine: Demis Hassabis, DeepMind, and the Quest for Superintelligence。中文版由周健工翻译，浙江科学技术出版社 / 湛庐文化 2026 年 2 月出版（ISBN 978-7-5739-2227-4，447 页），中文版先于英文版全球首发。作者耗时三年嵌入式调研，对哈萨比斯做了 30 多小时面对面深访，并访谈 100 多位关键人物——包括联合创始人苏莱曼、苏茨克维、辛顿等——掌握了大量连谷歌高层都未必完全掌握的一手材料。全书结构为引言 + 三部分（第 1–20 章）+ 后记。
这本书最反直觉的地方在于：AlphaGo 从来不是目的，它只是一个够难、够干净的试验场。 哈萨比斯真正的目标是通用智能——一个能自己学会"如何学习"的系统； 而围棋之所以被选中，是因为它既有明确胜负、又无法靠规则穷举。 想通这一点，你就懂了后面所有事：AlphaFold 不是"转行做生物"，而是同一台机器换了一道更重要的题。
先解决智能，
再用智能
解决其他一切。
第一组是技术路线的根本分歧：智能到底该由人写进去，还是由机器自己学出来。第二组是动机上的取舍：做这件事，究竟是为了赢下一盘棋，还是为了把智能本身弄明白。
早期 AI 的主流思路是：把人类专家的经验总结成规则，让机器照着做。这条路线在规则清晰、边界封闭的问题上很有效，但它有一个致命前提——你必须先知道答案长什么样。一旦问题复杂到无法被语言描述（比如"什么是好的棋形"），规则就失效了。
DeepMind 的赌注是：不教它答案，只给它目标、环境与反馈。智能体通过无数次试错，自己总结出一套人类说不清、但确实有用的判断。雅达利的 DQN 用同一个网络学会了 49 款游戏，AlphaGo 则在围棋上下出了人类几千年从没下过的棋。
从外部看，DeepMind 的每一步都像商业竞争：抢人才、抢算力、抢发布节奏，与 OpenAI 贴身缠斗。谷歌买下它花了约 6.5 亿美元，自然会期待回报。这条逻辑并不错——没有算力与资源，什么科学都做不了。但它也不断把研究拉向"能演示、能发布"的方向。
哈萨比斯反复强调的顺序是：先解决智能，再用智能解决其他一切。所以围棋只是一次公开验证，真正的目标从一开始就是科学——AlphaFold 解掉困扰生物学半个世纪的蛋白质折叠问题，并把成果向全世界开源。他对财富的态度也是这套逻辑的延伸：钱和权力不是目的，是拿到做科学的资格。
前三张是"这个人怎么长成的"（棋童、游戏、神经科学），中间四张是"机器怎么学会的"（雅达利、DQN、AlphaGo、直觉与搜索），最后三张是"代价与回报"（惜败 Transformer、马里奥计划、AlphaFold）。
DeepMind 成立时就写下的顺序：智能不是众多问题中的一个，它是解题的工具本身。先造出会学习的机器，再把它指向癌症、材料、气候、聚变。这句话既是使命，也是优先级排序——当科学价值与商业价值冲突时，它被用来做决定。
4 岁学棋、8 岁拿冠军、13 岁达到大师水准的哈萨比斯，在一次长达 10 小时的残局后意识到一件可怕的事：世界上最聪明的一群人，把一生耗在了一盘棋上。这个念头让他从游戏转向科学，也让"智能"成为他此后唯一的问题。
在游戏事业巅峰时，他关掉公司去伦敦大学读认知神经科学博士，研究记忆与想象——发现回忆过去与想象未来共用同一套脑机制（海马体的场景构建）。这不只是学术兴趣：它直接启发了 AI 里的经验回放、规划与模型学习。
沙恩·莱格（理论执着，泥浆池里泡出来的天才）、哈萨比斯（科学与产品之间）、穆斯塔法·苏莱曼（牛津神学背景，负责伦理与外部）。三人性格与能力互补，才凑出一个既能做研究、又能拿钱、还能守住边界的组织。那句万圣节预言——"如果它成功了，我们就完蛋了"——也出自这个圈子。
DeepMind 的第一次公开亮相不是围棋，而是让一个神经网络只看着屏幕像素、只拿到分数反馈，自己学会玩雅达利的 49 款游戏。它没有任何游戏规则知识，却在多款游戏上超过人类。这证明了一件事：同一个学习机制，可以迁移到完全不同的任务上。
围棋一度被认为"机器还要十年"：它的状态空间太大，无法穷举。AlphaGo 的解法是两块拼图——策略网络负责"这一步看起来好不好"（直觉），价值网络负责"这个局面赢面多大"（判断），再用蒙特卡洛树搜索把二者组织起来。2016 年，它以 4:1 击败李世石。
生物学界被蛋白质折叠问题困了半个世纪。DeepMind 的做法是：先找到一个公开的、可量化的评分场（CASP），再把它当成一场需要赢的比赛。AlphaFold 2 在 CASP 上取得的成绩，被同行认为是"生物学界的费马大定理"被解开。
书里不回避失败：2019 年前后，DeepMind 执着于 AlphaZero 式的纯强化学习路线，低估了 Transformer 与规模法则的意义，把语言模型的先手让给了 OpenAI。哈萨比斯后来承认，试图把一切都做成纯 AlphaZero 类型，是一种不必要的阻碍。
为守住 AGI 的独立性与安全边界，哈萨比斯曾策划让 DeepMind 从谷歌"赎身"——设计新的董事会结构、拉外部资金、准备分裂方案。2016 年 11 月，这个计划被谷歌否决。这一段是全书最像政治惊悚的部分，也暴露了一个结构性问题：最关心 AGI 安全的人，并不掌握最终决定权。
书名取自一个设想：如果智能可以无限扩展，那么它就不再是一种工具，而是一种新的自然力量。哈萨比斯是全球最早呼吁为 AI 立法的人之一，也在首届人工智能安全峰会上坚持邀请中国代表参加。他既在加速，又在刹车——这种"悖论脑"是全书没有解开的张力。
第一部分讲"成为秘密武器"（从棋童到被谷歌买下），第二部分讲"双雄竞逐"（AlphaGo 之后被 OpenAI 反超的那几年），第三部分讲"超越极限"（AlphaFold、Gemini 与最后的追问）。
以下为书中观点的中文转述（部分为哈萨比斯原话的通行译法），尽量保留原意，未逐字照搬。
先解决智能，
再用智能
解决其他一切。
最聪明的人
把一生耗在一盘棋上，
这是巨大的浪费。
如果它成功了，
我们就完蛋了。
金钱和权力本身并非目的，
而是获取科学知识的手段。
凌晨两点，
我感觉现实正在凝视着我，
向我尖叫。
这是一本传记，不是方法书。但它里面有几件事，是可以拆成个人动作的——尤其是关于"选什么样的题"和"怎么对待自己的方法论"。（括号里标注了它来自哪一张书签。）
你所在的领域里，有没有那样一件事——一旦做成，其他所有问题都会变简单？把它写下来，然后检查你这周的时间有多少投在了它上面。
↳ 先解决智能，再用智能解决一切AlphaGo 的价值不在围棋，而在于选对了题：足够难、反馈明确、无法作弊。给你的学习目标找一个类似的场子——有公开评分、有客观结果，而不是自己给自己打分。
↳ 把大事变成可评分的游戏先用直觉把候选范围缩到 3 个以内，再对每个做一次认真的证据搜索与反向验证。别只用直觉，也别在 30 个选项里做纯理性分析。
↳ 直觉 + 搜索DeepMind 曾执着于纯 AlphaZero 路线，代价是让出了语言模型的先手。每季度问自己：我最坚信的那个方法，有没有可能只是因为它是我熟悉的？
↳ 低估 Transformer 的代价DeepMind 被收购时争取到了禁军用、独立监督等约束条款。你可以也给自己的长期项目写三条"即使有利也不做"的事——它会在最难的时刻替你做决定。
↳ 马里奥计划与边界哈萨比斯的转折点是跑去读神经科学博士。给自己定一个"主业之外的一门课"：一年读一个陌生领域的经典，重点不是学会，而是借来一套新比喻。
↳ 神经科学送来的礼物他是在一盘下了 10 小时的残局后醒悟的。你也找一件花时间最多的事，问：如果这件事做到世界第一，对世界有什么改变？如果答案很薄，那就是该转向的信号。
↳ 我们在浪费智力钱、职位、影响力在他那里都是手段，科学才是目的。写下你真正在追的那个东西，再看一眼手上的忙碌——它们是通向它的路，还是已经悄悄变成了终点？
↳ 金钱和权力只是手段它解决的是"AGI 这十年到底是怎么打过来的，以及打这场仗的人在想什么"。如果你想要的是投资建议或技术教材，这本书都不是——它是一份关于使命、权力与妥协的现场记录。