《哈萨比斯：谷歌AI之脑》为什么值得读：一个天才如何把自己活成 AGI 的故事

读《哈萨比斯：谷歌AI之脑》有价值的地方在于，几乎把过去三十年人类理解人工智能的路线变化，都压缩进了德米斯·哈萨比斯一个人的成长史里。我们看到的不是一个单纯的创业神话，而是一条不断改写“智能是什么”的人生轨迹。

这也是哈萨比斯和许多硅谷创业者最不一样的地方。很多人进入 AI，是因为它后来会变成一个大产业；哈萨比斯更早被吸引的是另一个问题：聪明到底是什么？它能不能被复制？如果能，那复制出来的会是什么东西？

塞巴斯蒂安·马拉比写这本书，抓住的正是这一点。这本书的中文译者周健工，本身也是中国最早当面采访哈萨比斯的媒体人之一，因此中文版读起来会有一种很特别的贴身感：它不只是把原书转成了中文，也把中文读者更熟悉的技术语境和人物关系一并带了进来。

马拉比在最近的中国之旅的一个访谈里还提过一个很有画面感的细节：在两人第一次正式深谈之前，哈萨比斯就让他先去读奥森·斯科特·卡德的《安德的游戏》。这个细节之所以重要，不是因为它像一则科技圈逸闻，而是因为它很能照出哈萨比斯如何想象自己所做的事。在马拉比的笔下，哈萨比斯身上一直有一种接近科幻主人公的使命感。他相信 AI 不是一个更大的软件产业，而是可能帮助人类处理气候、疾病、科学发现乃至寿命延长等根本问题的技术。也正因为如此，他身上总有一种近乎“全功率运转”的极端气质：一旦认定方向，就不会给自己留下什么 50% 模式。

这也是这本书在此刻尤其值得被介绍的原因。按目前公开发行信息，简体中文版已在 2026 年 3 月率先面世，走在英语市场版本之前；而海外英语版仍处在陆续发售的窗口期，美国精装版档期在 2026 年 3 月 31 日，其他国际英语版本则排到了 2026 年 6 月，多个海外零售渠道目前仍显示为预售状态。换句话说，中文读者不是在“跟进一本国外已经热卖很久的书”，而是在几乎同步、甚至更早地进入这个故事。

读这本书时，我也会想到李飞飞的《The Worlds I See》。两本书的气质并不相同，但它们有一个相通之处：都不是把人工智能写成一串抽象概念，而是借一个移民家庭出身的科学家，去解释一个新时代是如何被打开的。李飞飞那本书讲的是一个中国家庭在美国如何艰难立足，一个年轻人如何在科学中找到自己的世界；哈萨比斯这本书讲的，则是另一个移民家庭的孩子，如何把“理解智能”变成自己一生的任务。把这两本书放在一起看，会更能体会 AI 这门学科真正重要的部分，从来不只是技术突破本身，而是不同背景的人如何带着自己的经验、野心和伦理感，把这门学科一步步推到今天。

哈萨比斯身上最有戏剧性的地方，不是 AlphaGo、AlphaFold 或者谷歌收购，而是他几乎人生的每一步，最后都回到了同一个目标上：造出 AGI，也就是通用人工智能。这个目标不是后来成功以后补写出来的口号，而是从他的家庭、棋盘、游戏、神经科学、创业到公司治理一路长出来的。

一、哈萨比斯的起点，不是硅谷，而是一个典型的移民家庭

哈萨比斯的早年背景，很能解释他后来的复杂性。他母亲是新加坡华人，父亲是来自塞浦路斯的希腊人，家里在伦敦过的是一种勤俭、克制、重视孩子天赋的移民家庭生活。

哈萨比斯从小下国际象棋，家里几乎倾其所有支持他。他父亲开着家里的破车，带着这个个子很小的孩子在伦敦、英国，甚至欧洲各地参赛。因为他太小，坐在棋盘前经常还要垫几本厚书才能看清局面。一盘棋能下八九个小时，甚至十个小时，最后直接在棋桌边睡着。

这段经历后来很重要。因为国际象棋对哈萨比斯来说，不只是“一个神童学会了一个技能”，而是他第一次进入一种极度抽象、极度竞争、极度强调胜负的世界。那种对复杂局面的痴迷、对策略的沉迷、对赢的执着，从这里开始就成了他性格的一部分。

书里反复出现的一点是，哈萨比斯并不是一个表面看上去那样温和、与世无争的人。他和人交往可以很平和，但骨子里非常好胜。无论是象棋、扑克牌、桌上足球，还是后来做公司、做模型，他的第一反应常常都是“要赢”。这种好胜心不是附带特征，而是理解他后来的钥匙。

二、真正改变他的，不是成为棋手，而是开始怀疑棋手这条路

多数天才传记的叙事，都会把“少年成名”当成起点，然后顺着那条路一直写下去。哈萨比斯最有意思的地方，是他没有这么走。

他四岁开始接触国际象棋，五岁开始自己下，九岁进入英国少年队，十三岁成为国际象棋大师，同年龄段全球排名第二。按正常逻辑，他完全可以把一生押在棋盘上。

但书里提到一个非常关键的顿悟时刻。十一岁时，他在列支敦士登与一位丹麦冠军对弈，一盘棋下了十个小时。按局势看，这盘棋很可能会以和局收场，只是还要继续缠斗。就在对手思考的时候，哈萨比斯突然看着大厅里那些全神贯注的棋手，问了自己两个问题：难道我就要这样度过一生吗？难道这些世界上最聪明的人，真的要把自己的全部智力都放在棋盘上吗？

这个场景几乎像小说里的转折点。因为他不是输给了别人，而是突然对“赢这件事本身值不值得”产生了怀疑。于是他投子认输，直接结束了本来有机会求和的一局棋。对方很吃惊，但哈萨比斯已经不在那个游戏里了。

这是他第一次从一个封闭系统里抽身出来。国际象棋依然复杂，但它的规则是封闭的，边界是确定的，目标是清楚的。对很多人来说，这已经足够构成一生；对哈萨比斯来说，这反而暴露了一个更大的问题：如果人类的智力只能用来在封闭规则里追求胜负，那太可惜了。

三、把他从棋盘引向 AI 的，不是一场比赛，而是一本薄薄的小册子

哈萨比斯后来的方向转变，并不是抽象地“对计算机感兴趣”，而是被一个很具体的触发点打开了。

在伦敦一家大书店里，他看到英国国际象棋大师利维写的一本薄册子，内容是如何编程让计算机下国际象棋。那本书又把他引向另一个人：克劳德·香农。香农早在现代计算机成熟之前，就讨论过如何让机器下棋，并提出过一个极有远见的判断：如果机器能被设计来下棋，它也许就能被设计来完成许多其他认知任务。

这件事对哈萨比斯的影响非常深。因为它第一次把“棋”与“智能”分开了。棋不再只是竞技活动，而变成了一个入口，一个可以通向通用计算、通向机器认知的入口。

从那时候开始，哈萨比斯真正感兴趣的已经不再是自己能不能成为最强棋手，而是机器能不能学会下棋，进而学会更多事情。换句话说，他关心的从来不是一项技能，而是技能背后那套通用能力是否可以被复制。

这其实也是人类理解 AI 的第一阶段。最早的 AI 研究，喜欢拿棋类、博弈、搜索这类任务做突破口，因为这些任务足够复杂，又足够规则化，适合用来测试“机器能不能做出过去只有聪明人才能做出的事”。哈萨比斯就是在这个思路里被点燃的。

但他和后来许多工程师不同的是，他很快又意识到，真正的智能不应该只会在规则清晰的系统里解题，它还要能够在环境中学习。

四、游戏公司不是弯路，而是他理解 AGI 的第一所学校

哈萨比斯十六岁拿到剑桥录取，但因为年龄太小，被要求推迟一年入学。这一年他没有闲着，而是去了欧洲著名的游戏公司牛蛙。这个阶段看起来像插曲，实际上是他后来所有技术路线的雏形。

原因很简单。游戏不是一道题，而是一个世界。你需要设计角色、环境、规则、资源、反馈和目标。哈萨比斯在游戏里最早感兴趣的，就是如何让角色出现类似“智能体”的反应：比如吃了很咸的食物会口渴，口渴之后会去寻找水源，环境变化以后又会有新的行为。这里面最重要的，不是角色会不会执行命令，而是它是否能在环境中根据反馈调整自己。

这已经很接近他后来对 AGI 的核心理解：智能不是静态知识的堆积，而是一个系统在环境中不断感知、试错、规划并修正自己的能力。

剑桥毕业之后，他没有直接走学术道路，而是再次进入游戏行业创业，做了自己的公司“万灵药工作室”。他和后来 DeepMind 的关键人物大卫·西尔弗一起，试图做一款野心极大的游戏《共和国》。这款游戏想模拟一个极其复杂的世界：上千个角色的互动、丰富的故事线、玩家介入、冷战结束后的历史背景，试图构造一个近乎完整的虚拟社会环境。

结果很惨。项目太超前，演示时掉链子，功能被大量砍掉，最后勉强上线，评价平平。大卫·西尔弗甚至在一次关键演示时直接跑掉，留下哈萨比斯靠口才硬撑全场。

但这次失败对哈萨比斯极其重要，也让他得到两个后来反复被验证的判断。

第一，再好的想法，如果没有算力、资源和工程能力支撑，最后也只是纸面野心。《共和国》的失败，本质上不是愿景错了，而是时代的计算条件还不够。

第二，如果你不能把一个东西造出来，你就不能说自己真的理解它。书里专门提到费曼那句对哈萨比斯影响很深的话。哈萨比斯后来之所以不满足于做理论家，很大程度上就是因为这段经历让他相信：理解智能，不能只靠定义，必须靠建造。

所以他不是从游戏绕到了 AI，而是通过游戏第一次触摸到了 AGI 的问题。

五、从剑桥到神经科学，他开始把“造机器”升级为“理解大脑”

做完游戏、遭遇失败之后，哈萨比斯并没有退回一个更稳妥的人生。相反，他又回到学校，去读神经科学博士。

这个转向很关键。因为这说明他已经不满足于用工程经验去摸索智能，而是进一步问：人脑到底是怎么工作的？如果要造出真正的通用智能，最值得学习的对象，恐怕还是人本身。

这让哈萨比斯和很多单纯做产品的 AI 创业者分开了。他想做的不是一个更聪明的软件功能，而是一种接近认知本身的机器。这也是为什么 DeepMind 从一开始就带着一种很强的“科学机构”气质。它当然是公司，但它首先是一群人围绕同一个科学问题组织起来的研究共同体。

在这个阶段，几位关键人物先后进入他的世界。

首先是肖恩·莱格。两人在伦敦大学学院的神经计算研究所相识。莱格的作用不只是联合创始人，更重要的是他把哈萨比斯和硅谷真正连了起来。一次在电梯里，莱格说自己要去硅谷参加奇点大会，正是这条线把哈萨比斯引到了更大的技术圈子。

其次是大卫·西尔弗。两人最早因为游戏结缘，但真正长期塑造 DeepMind 路线的，是他们在 AGI 上的共识。书里提到，AGI 这个词就是西尔弗从圈外带进来的。他不只是一个技术合作者，更像是哈萨比斯在“通用智能”这件事上的理论同盟。

再后来是苏莱曼。与哈萨比斯、莱格完全不同，苏莱曼不是典型技术神童。他来自同样不稳定的移民背景，生活更坎坷，做过小生意，谈社会正义，也很会和人打交道。他和哈萨比斯建立信任的方式，不是一起写代码，而是一起谈如何让社会变得更公平、如何把理想变成公司。后来 DeepMind 三位创始人中，哈萨比斯掌握绝对多数股份，但苏莱曼会成为公司与外部世界之间最重要的接口人物。

这三个人的组合，很能说明 DeepMind 为什么会长成后来的样子：哈萨比斯提供愿景和核心问题，莱格提供理论同盟和外部连接，苏莱曼提供融资、组织和社会叙事。

六、DeepMind 早期最难的，不是做研究，而是让别人相信他们不是骗子

今天回看 DeepMind，容易忘掉它最初有多不被理解。几个在伦敦的年轻人，说自己要造 AGI，在当时几乎像异想天开。去金融城融资，对方会直接说：你们不如来做量化交易，何必折腾这种听上去像科幻小说的东西？

但也正是在这个阶段，书里出现了一批非常有意思的边缘人物。

有人愿意投他们，动机不是商业前景，而是宗教式的震撼。听完哈萨比斯谈 AGI 后，一位早期投资人立刻觉得，这像是一台“上帝需要的机器”，于是投了几十万英镑。

还有哈萨比斯在 MIT 做研究时的导师。对方几乎是用“未来诺贝尔奖得主”的标准看他，觉得他如果成功，不会是一般意义上的成功，而是会走向费曼或克里克那样的级别。于是即使钱不多，也愿意支持。

再往后，硅谷的人脉慢慢接上。彼得·蒂尔投过，但最终不愿意继续追加。原因也很有意思：2013 年前后，AlexNet 让深度学习开始爆发，AI 突然变热，人才价格飙升。蒂尔看见的是共识，看见共识就会想到泡沫，于是退了。

在这时候救了 DeepMind 最关键一轮融资的人，是周凯旋。她代表李嘉诚家族基金，出手极为关键。后来蔡崇信也在另一个阶段出现在 DeepMind 寻求独立的故事里。若只把 AI 史写成硅谷内部史，就会忽略这些亚洲资本和跨文化网络在关键节点上的作用。

这些融资故事本身就说明了一个事实：哈萨比斯最早不是“被市场选中的人”，而是“先把一群能听懂他的人找出来的人”。这两者差别很大。

七、谷歌为什么赢了扎克伯格：哈萨比斯最后买的不是价钱，而是愿景

DeepMind 被谷歌收购，是哈萨比斯职业生涯里最像商业传奇的一段，但如果只看金额，就会错过真正重要的东西。

首先，收购发生在一个非常现实的背景下：DeepMind C 轮很难再拿到足够大的钱了。做 AGI 不是一般创业，最烧的不是市场费用，而是顶级人才和算力。没有更大的平台，哈萨比斯的研究理想随时可能被资金问题拖死。

这个阶段，几股力量同时卷入。

埃隆·马斯克的线索很早就进来了。因为莱格去参加奇点大会，DeepMind 和彼得·蒂尔、马斯克这些人逐渐接上。更戏剧化的一幕发生在马斯克和拉里·佩奇同乘私人飞机时。马斯克炫耀自己已经投了一家做神经网络和 AGI 的公司，名字叫 DeepMind。佩奇听完，默默掏出安卓手机，把 DeepMind 的名字记了下来。不久后，哈萨比斯就收到谷歌方面的邮件。

这是一条非常典型的硅谷故事线：真正改变公司命运的，不一定是正式会议，反而常常是某个看似偶然的私人对话。

更精彩的是扎克伯格的出现。那时 Facebook 也意识到 AI 的重要性，扎克伯格非常想把 DeepMind 抢过去。哈萨比斯和苏莱曼也确实把马斯克、扎克伯格当成了和谷歌谈判时的筹码。

但书里最值得玩味的，是哈萨比斯和扎克伯格那次长谈。哈萨比斯没有直接问对方愿意出多少钱，而是先问：你觉得未来最重要的技术赛道是什么？扎克伯格的回答是，AI、虚拟现实、增强现实、3D 打印都很重要。

哈萨比斯听完很失望。不是因为答案错，而是因为他想找的不是一个“什么都看好”的投资者，而是一个真正把 AGI 放在中心位置的人。在哈萨比斯听来，如果一个人不能清楚分出主次，就意味着他并没有把 AGI 视为未来技术的绝对重点。

这就是哈萨比斯和很多创业者很不一样的地方。多数创始人会在这种时刻优先看价格、控制权和资源包；哈萨比斯当然也会谈价，但在更深层上，他在判断“谁更相信 AGI 这件事”。这也是为什么他最终转身打电话给拉里·佩奇，继续和谷歌谈。

真正打动他的，是拉里·佩奇的一句话：你的目标不是 AGI 吗？我已经在这里为你准备好了一切。

这句话之所以有效，是因为它同时击中了哈萨比斯最在乎的三件事：资金、算力和科学同路人。对当时已经被融资折磨得焦头烂额的哈萨比斯来说，这几乎等于一句赦令。

当然，他也不是毫无策略。书里有个很妙的细节。早年谷歌收购辛顿团队时，哈萨比斯自己也参与过竞价。他给辛顿出价一千万美元，等自己出局后，又立刻打电话劝辛顿无论如何不能低于四千万。辛顿后来觉得他太狡猾了。轮到 DeepMind 被收购时，哈萨比斯又把辛顿团队的人均价格拿来作为自己的谈判锚点，告诉谷歌：你不能按每位顶级研究员一千万美元来算，至少要到一千五百万。最后这笔交易落在五亿到六点五亿美元之间。

所以，DeepMind 卖给谷歌，并不只是“理想主义者找到了科学乐园”，也不是“纯商业创始人卖了个好价钱”，而是两者同时成立。哈萨比斯既相信拉里·佩奇，也极其会谈判。

八、被谷歌收购以后，他得到了一切，也同时失去了一部分自由

很多人会把谷歌收购 DeepMind 视为故事的终点，但从书里看，这其实只是另一段更复杂关系的开始。

哈萨比斯在谷歌内部最重要的收获，是终于不用再为融资焦虑，可以专心做研究。他后来自己也承认，DeepMind 在谷歌“AI 优先”战略中起到了引领作用。但这种引领不是没有代价的。

一方面，谷歌确实给了资源。书里提到，谷歌一度承诺未来十年投入一百五十亿美元研究经费。对于一个想把 AGI 做成科学工程的人来说，这几乎是梦幻条件。

另一方面，谷歌毕竟是上市公司。DeepMind 想要的是最大限度独立研究，谷歌要考虑的是组织控制、法务风险、财务表现和战略协同。这两种逻辑注定会不断摩擦。

这里苏莱曼的角色变得尤其关键，也尤其麻烦。他从 DeepMind 创立开始就在推动应用、商业化和社会影响议题。谷歌收购后，他还推动设立一个 AI 安全与伦理委员会，提出“三三三”结构：三位外部人士、三位谷歌人士、三位 DeepMind 人士。第一次会甚至由马斯克召集。但这个安排最终没有真正跑起来，因为谷歌内部法务和管理层对这种外部约束并不舒服。

后来 Alphabet 组织调整、谷歌内部高管更替，又让苏莱曼负责的应用板块不断被抽走。他一度推动“马里奥计划”，想借势让 DeepMind 更独立，甚至寻找外部资本，和谷歌重新博弈。哈萨比斯在这个过程中更像一个典型科学家：他最在乎的是研究资源够不够，至于应用归谁、头衔怎么分，只要不妨碍核心研究，他一开始并不执着。

这也是哈萨比斯和苏莱曼后来裂痕加深的根源。苏莱曼更关心组织权力、应用落地、社会影响与商业布局；哈萨比斯更关心资源、人才和长期研究自由。两人都不是错，只是优先级不同。

后来 NHS 医疗数据项目引发的舆论危机，再叠加内部举报和管理争议，让苏莱曼和哈萨比斯之间的关系真正恶化。书里提到，哈萨比斯没有替他掩盖问题，而是启动了调查。最终苏莱曼离开 DeepMind，后来创办 Inflection，再到微软掌管 AI。于是原本并肩创业的人，最后又变成了谷歌和微软两边的关键人物。AI 竞争最有戏剧性的地方，常常就在这种人事关系里。

如果要概括哈萨比斯在谷歌时期的角色，可以说他不是传统意义上的“职业经理人”，也不是纯粹自由的首席科学家，而是谷歌内部那个不断把公司往 AGI 方向拉的人。他既是战略资产，也是组织里的不稳定因素。谷歌需要他，也必须不断消化他所代表的长期主义。

九、AlphaGo 让世界第一次直观看见：机器不仅会算，还会“下判断”

哈萨比斯真正进入大众视野，还是因为 AlphaGo。

谷歌收购 DeepMind 后，他向拉里·佩奇说，我们要打败围棋世界冠军。佩奇问，要多久？哈萨比斯随口说，两年。

围棋被选中，不只是因为它著名，更因为它足够难。国际象棋已经被 IBM 的深蓝攻克，意义不大；围棋长期被认为是更接近“人类直觉”的游戏，分支数极大，难以穷举。哈萨比斯自己在剑桥时学过围棋，知道它的复杂度远高于国际象棋，所以用它来证明 DeepMind 的能力，既合理，也带着强烈的胜负心。

2016 年，AlphaGo 在首尔击败李世石。这件事的意义远超过一场比赛。它第一次让大量普通人意识到，机器挑战的不是单纯的体力劳动，也不只是机械重复，而是那些曾经最容易被视为“只有人类才有”的判断能力。

但更重要的是，AlphaGo 同时证明了哈萨比斯那条路线的威力：在规则清晰、反馈明确、奖励机制稳定的环境里，强化学习可以被发挥到极致。机器不是靠背知识赢的，而是在大量自我对弈和反馈循环中，把策略推到了人类达不到的高度。

也正因为如此，AlphaGo 的胜利一方面确立了 DeepMind 的地位，另一方面也进一步强化了哈萨比斯后来的路线判断：他更相信“在环境中学会策略”的路径，也更难被说服去相信纯语言模型就能通向 AGI。

十、AlphaFold 和诺贝尔奖，把哈萨比斯从“围棋赢家”变成了真正的科学家

如果 AlphaGo 是向大众证明 DeepMind 的时刻，那么 AlphaFold 才是哈萨比斯真正跨出科技圈、进入科学史叙事的时刻。

书里提到，哈萨比斯在学计算神经科学时就被蛋白质折叠问题吸引过。他注意到生物学家安芬森提出的判断：蛋白质结构是由氨基酸链决定的，如果能破解其中规律，就有机会系统地理解生命结构。这件事一直留在他的脑子里。

2016 年在首尔打李世石期间，他就和大卫·西尔弗谈起过，既然围棋已经攻克，下一步是不是可以去处理这个困扰生物学半个世纪的问题。

AlphaFold 的意义，恰恰在于它证明了 DeepMind 不只是一个能赢游戏的实验室。它可以把机器学习方法推进到真正困难的科学问题上。更有意思的是，这个项目也说明哈萨比斯并不是教条地迷信强化学习。到了 AlphaFold 这里，深度学习和强化学习已经不是简单对立，而是在实践中不断融合，甚至在某些环节里，深度学习起了更主要的作用。

这也是哈萨比斯容易被误解的地方。他确实有路线执念，但他不是拒绝其他方法的人。更准确地说，他一直在寻找一条能通向“通用智能”的总路线，而不是在每个具体问题上只允许一种技术存在。AlphaFold 让他后来拿到诺贝尔化学奖，这不仅是个人荣誉，更像是对他整个人生取向的一次确认：他最终不是靠商业故事被记住，而是靠把 AI 带进真正的科学发现。

十一、哈萨比斯最重要的技术判断：AGI 不会只靠语言长出来

如果要概括哈萨比斯对 AGI 的理解，可以归纳成三层优先级。

第一层是强化学习。也就是让系统在环境里试错、获得反馈、逐步优化策略。在哈萨比斯看来，这才最接近真正的智能成长过程。

第二层是神经科学。也就是向大脑学习。因为如果你想造通用智能，人类现成就是最复杂的智能样本。

第三层才是从数据中归纳，也就是后来大语言模型那条路线。书里提到，哈萨比斯长期把语言模型看成“第三层里面的一个分支”，足见他对这条路线起初并不重视。

这种判断背后，不只是个人偏好，还牵出 AI 研究史里一个很关键的学派分野：强化学习与深度学习的长期对峙。

大卫·西尔弗深受理查德·萨顿影响，后者被称为强化学习之父，在阿尔伯塔大学建立了这一套理论传统。另一边是杰弗里·辛顿所在的多伦多大学深度学习一派。书里甚至提到一种很强的门派感：从萨顿那里出来的人，去辛顿那边读博时，会被明确告知要放弃强化学习那套东西。

说到辛顿，还有个很少被中文读者注意到的小插曲。辛顿出身的家族，本身就像一部横跨数学、物理与现代计算史的侧影：布尔代数的创立者乔治·布尔，正是这个家族谱系中的关键人物，而家族中的琼·辛顿，也就是中文世界熟悉的寒春，曾参与曼哈顿计划，后来与丈夫阳早长期在中国从事农业工作，并成为最早获得中国永久居留身份的一批外国专家之一。把这段家族史放在辛顿身上回看，会有一种奇异的历史连线感：从布尔的逻辑地基，到寒春所经历的核时代，再到辛顿推动的神经网络革命，几代人的轨迹几乎把现代技术文明的几段关键章节连到了一起。

这段学派冲突今天回头看非常重要。因为它解释了为什么 DeepMind 在 AlphaGo、AlphaZero 这样的系统上如此强，也解释了为什么它面对 ChatGPT 爆发时会显得有些迟疑。哈萨比斯一直相信，光靠大语言模型不可能直接走到 AGI，因为语言本身是不“接地”的。真正的智能，应该有环境、有目标、有规划能力，有类似 AlphaGo 那样的推理过程。

这个判断并非毫无道理。问题在于，按照 OpenAI 和伊利亚那条路线的理解，语言虽然不是现实世界本身，但它浓缩了人类对现实世界的大量经验；因此，足够强的语言模型也可能通过语言间接获得某种“接地”的能力。

哈萨比斯很长时间不愿意承认这条路径的力量。直到 GPT-2、GPT-3 相继出现，DeepMind 才真正警觉；直到 ChatGPT 爆发，他才被迫正视这一点。

十二、ChatGPT 给他的不是一次落后，而是一次世界观修正

哈萨比斯对大语言模型的轻视，并不是因为他看不懂技术，而是因为他一直觉得那不是“真正的通用智能路线”。

所以，当 OpenAI 在 Transformer 之后一路做出 GPT-1、GPT-2、GPT-3，再到 ChatGPT 时，DeepMind 的震动是双重的。第一层当然是竞争：本来自己才是 AGI 叙事的原点，却突然被 OpenAI 抢走了公众认知。书里提到哈萨比斯那句很有名的反应：“他们把坦克开到了我们家草皮上。”这句话不是夸张，它说明他真心认为 AGI 这个地盘本来应该属于 DeepMind。

第二层则更深：他必须重新审视自己一直坚持的路线。书里提到，他长期把 DeepMind 的优先级排成“强化学习第一，神经科学第二，语言模型第三”。但 ChatGPT 逼着他承认，产品、工程、用户反馈和广泛使用本身，也是在推进 AGI。你如果不让系统进入真实世界，只在实验室里谈“通用”，那种通用可能是不完整的。

这里伊利亚是一个绕不过去的人物。作为辛顿门下的重要弟子，他在 OpenAI 那条线上不断证明语言模型可以走得更远。哈萨比斯原本坚持语言不接地，伊利亚则认为语言里已经间接压缩了人类大量接地经验。这不是简单的技术争论，而是两种智能观的正面对撞。

哈萨比斯后来没有放弃强化学习，但他显然开始调整：语言模型不再只是边缘变量，而必须被纳入更大的系统设计中。也正是在这个意义上，他不是被 ChatGPT 打败了，而是被 ChatGPT 迫使升级了自己的路线图。

十三、他对谷歌最大的影响，是把谷歌重新推回 AGI 竞赛的中心

ChatGPT 之后，哈萨比斯在谷歌内部的地位发生了质变。

过去 DeepMind 很强，但在谷歌庞大的组织里，它仍像一个拥有特权的研究岛。Google Brain 有自己的路线，杰夫·迪恩掌握着另一套技术传统，Transformer 又恰恰是从 Google Brain 出来的。谷歌手里其实同时握着两张最强的牌：一张是深度学习和 Transformer，一张是 DeepMind 的强化学习和长期 AGI 理想。但很长时间，这两套能力并没有真正融合。

OpenAI 的崛起改变了这一切。2023 年，DeepMind 和 Google Brain 合并，哈萨比斯出任 Google DeepMind CEO，而不是杰夫·迪恩。这不只是一次组织调整，而是谷歌正式把“研究部门里最执着于 AGI 的那个人”推上了主位。

书里提到，GPT-4 推出、Bard 受挫以后，谷歌内部进入了真正的危机状态。连谢尔盖·布林都回到一线和团队一起看代码、看数据、看模型。组织方式也变了：更高强度，更像战时状态，资源高度集中，研究结果不再像过去那样急着发表，蓝天式研究被削减，工程与产品优先级上升。这些变化，实际上都在说明一件事：谷歌终于开始用哈萨比斯理解世界的方式来打这场仗。

如果把时间线再往后推一点，这条故事线在 2025 年会显得更完整。面对 OpenAI 带来的压力，谷歌不只是把 Google Brain 与 DeepMind 合并，更持续把更大范围的工程力量、产品资源和算力调度向 Google DeepMind 集中。到 2025 年，Gemini 3 发布后，外部市场对谷歌的判断明显转向：至少在多模态能力和不少关键评测上，它已经不再只是追赶者，而被不少观察者视为谷歌完成追赶、甚至形成阶段性反超的标志。对于哈萨比斯这样一个极端好胜的人来说，这种变化的意义，显然不只是模型榜单上的升降，而是他终于在 OpenAI 率先引爆公众想象之后，把主动权一点点夺了回来。

从这个角度说，哈萨比斯对谷歌最大的影响，不是某一个模型或某一次胜利，而是他让谷歌在 AGI 竞赛中的组织重心明显前移了。

十四、这本书最值得普通读者读的地方，是它把 AI 写回到人的故事里

如果你不是 AI 从业者，也不是数据科学家，为什么还值得读这本书？

因为哈萨比斯的故事本质上不是技术文档，而是一个关于现代智识野心的故事。你会看到一个移民家庭里的神童，如何先在棋盘上理解规则，再在游戏中理解环境，再在神经科学里理解大脑，最后在公司和实验室里逼近 AGI。你也会看到一群不同类型的人如何与他交错：利维和香农给了他最早的启蒙，大卫·西尔弗帮他把 AGI 这件事讲清楚，肖恩·莱格把他带向硅谷，苏莱曼给了他与社会和商业打交道的能力，彼得·蒂尔、周凯旋、马斯克、拉里·佩奇、扎克伯格分别在关键时刻成为他的机会、筹码、镜子或对手，辛顿、萨顿、伊利亚、杰夫·迪恩这些人则让他不断在不同的智能路线之间调整自己的位置。

这正是这本书作为人物传记最成功的地方：它没有把 AI 写成一条单纯的技术演进线，而是写成了一张由性格、野心、学派、资本、组织和时代共同织出来的网。

哈萨比斯最动人的地方，也不在于他总是对的，而在于他一直在把自己押到最难的问题上。他很聪明，也很狡猾；他有科学理想，也有强烈胜负心；他相信 AI 会造福人类，又比很多人更清楚这件事可能失控。这些矛盾加在一起，才构成了一个真正值得写的人物。

结语：它不急着替你下结论

关于 AGI，今天仍然没有人能说自己掌握了最终路线。强化学习、深度学习、大语言模型、多模态、推理模型、工具调用、长期记忆，这些东西还在重新组合。

但如果要说过去二十年里，谁最持续地把“通用智能”这件事从口号往现实推进，哈萨比斯一定在最核心的人物之列。

他的贡献有三层。第一，他把 AGI 当成一个严肃的长期目标，而不是一句模糊口号。第二，他用 DeepMind 证明了，真正重要的 AI 突破可以从游戏走到科学，从 AlphaGo 走到 AlphaFold。第三，他也用自己的误判和调整证明，通向 AGI 的路不会是一条单线，而更可能是不同智能观不断碰撞、修正、融合的过程。

所以，这本书真正提供的，不是一个关于 AGI 即将到来的简单预言，而是一个更具体也更复杂的理解框架：为什么会有这样一个人，愿意把一生都押在这个问题上；又为什么正是这样的人，最能逼近时代真正的边界。

这本书用足够有吸引力的叙事，把我们带进一个人的命运、一个时代的技术转折，以及一些尚未结束的问题之中。《哈萨比斯：谷歌AI之脑》做到了这一点。

延伸阅读

如果你想继续从应用层理解 AI 路线如何落地，可以接着读 Vercel 与 AI 编程解读：用英文构建 Web 应用意味着什么。那篇文章更偏向今天的 AI 工程化与工作流，正好能和 DeepMind 这条更长期的 AGI 叙事形成对照。

如果你想继续按主题浏览，可以先回到 AI 学习栏目，再看这个站点如何把人物、工具与学习工作流放在一起理解。

如果你想顺着概念继续读，也可以直接进入 AGI 标签页。这个入口更适合串联“通用智能”这条主线下的相关文章。

下一步

如果你希望继续收到这类人物、公司与技术路线分析，可以直接查看 Newsletter，后续更新会优先从这里承接。