哈萨比斯：AI 竞争，差距还会拉大

AI 竞争的真正战场，不在你看得见的地方。

2026 年 4 月 7 日，DeepMind CEO 德米斯·哈萨比斯（Demis Hassabis）在最新的一场对话中，将目光投向了 AlphaFold、Isomorphic、AlphaTensor 这些鲜少占据科技头条的产品。

借助这些产品，曾经耗时数年的蛋白质结构预测，如今只需几秒；药物设计的大部分筛选工作，已经能在虚拟计算环境中完成，甚至开始涌现出人类从未设想过的新解法。

然而，这种底层的技术突破，正在加速向少数巨头集中。谷歌贡献了现代 AI 行业 90% 的底层突破。

工具在普及，差距在拉大。同样的工具，用的人越多，差距反而越大。

第一节｜差距，已经不在你看到的地方

如果将当下的 AI 生态圈粗略划分为两层，绝大多数人的认知，仍停留在第一层。

第一层是看得见的应用层：大模型对话、AI写作、图像生成与AI搜索。它们门槛更低、反馈更直观，也更容易成为大众谈资，自然构成了人们衡量AI强弱的主要参照系。

但在这场对话里，德米斯·哈萨比斯强调的，是更深的第二层。

他举的例子是AlphaFold（蛋白质折叠）。这是一个曾困扰科学界几十年的终极难题：如何仅凭一串氨基酸序列，精准推断出蛋白质的三维结构？在过去，这往往需要耗费数年时间，且成本极高、失败率极高。

像AlphaFold这样的模型，将漫长的试错过程压缩到了短短几秒钟，并直接向全球研究者开源了预测结果。如今，全球已有超过300万名科学家在使用它，2亿种已知蛋白质的结构被成功预测。

正如一位制药界科学家向哈萨比斯感慨的那样：从现在起，几乎每一款新药的研发管线中，都必然有AlphaFold的参与。

这里的核心变化在于：人类科学研究的绝对起点，被整体抬高了。

过去，科学家需要将大把时间耗费在确认基础结构上；现在，他们可以直接进入更关键的问题：药物设计、疾病机制研究、气候适应性作物改良。这些变化不会出现在任何热搜榜单，但它们正在改变科学研究的速度，也在重新决定谁更容易取得突破。

类似的情况，也在其他领域出现：

在能源系统中，AI优化电网运行，效率提升30%到40%；

在材料科学里，AI穷举新合金组合；

在药物研发中，它筛选和设计化合物。

很多原本需要海量反复试验的流程，如今都可以先在虚拟计算环境中完成绝大部分初筛，只将最后一步留给实验验证。

同样的工具，产生的效果完全不同：

“有人只是在用 AI 提升既有任务的执行效率，有人却在用 AI 重新定义问题本身。”

差距，已经不是快慢的问题。

第二节｜差距真正拉开的那一刻

如果说上一节讲的是方向，那么真正拉开差距的，是 AI 能力本身的变化。

那个决定性的转折点，出现在围棋棋盘上。

围棋的合法棋局数高达10的170次方，比已知宇宙中的原子总数还要多。过去，学界普遍认为，计算机要在这一领域击败人类，至少还需要几十年。

但在2016年，AlphaGo对阵李世石，下出了第37手。

那一步棋，起初被所有职业棋手判定为错误，甚至荒谬。但随着棋局推进，人们才意识到：那是一种人类围棋史上从未出现过的下法。

这和传统的计算机程序完全不同。过去的做法是把人类经验写进去，让程序执行；而AlphaGo的经验，来自它自己的试错与探索。

随后，这种能力被推向了极致。

抛弃了所有人类棋谱的AlphaZero，开始了真正的“从零学习”。哈萨比斯曾亲眼目睹AlphaZero 在一天之内完成的惊人进化：早上还在随意落子，中午就能与他对弈，下午超越了特级大师，到了晚上，已经碾压人类世界冠军。

而 AlphaTensor，AI 甚至开始在算法层面寻找更高效的方法，它找到了更快的矩阵乘法，而这正是所有神经网络的基础运算。

AI，开始自己发现新知识。

当这一点出现，“差距”的含义就完全不一样了。如果对手只是更快、更准，AI 公司还可以用时间来弥补能力差；但如果模型走的是新路径，过去的追赶方式就不管用了。

随着大模型的 Scaling Law 逐渐接近极限，简单的算力与参数堆砌面临收益递减。这时候，谁拥有这种探索能力，谁就建立了新的壁垒。谁能让 AI 自己发明新的算法，谁就在下一轮竞争中占据优势。

因为上一轮的红利，已经被挖掘殆尽了。

第三节｜差距为什么还会继续拉大

如果说前两节厘清了AI进化的方向与能力，那么接下来要直面的，是一个更刺骨的现实：在工具几乎平权的当下，为什么人与公司之间的差距，反而会被加速拉大？

这种鸿沟，首先横亘在技术底层。

支撑现代 AI 行业的底层突破中，90%来自谷歌大脑、谷歌研究或DeepMind。这背后是长期研发积累的结果。

即使是开源模式，也存在时间差。领先实验室的新想法，需要6个月才能被开源社区复制。在技术快速迭代的情况下，这半年本身就是一道壁垒。

其次，是工具使用程度的分化。

Demis 给出了一个建议：让自己沉浸在这些工具里，用到像拥有超能力一样。

这句话表面上是在讲学习方式，实际上指向的是：同样的工具，正在被用来做完全不同的事情。

有人把 AI 当成效率工具，用来写内容、整理信息，只是把原来的流程做得更快。

有人把它当成能力放大器，用来完成过去做不到的任务，比如让非技术人员搭建产品原型、分析复杂数据，把事情做得更好。

还有一部分人，开始用 AI 重新定义问题本身，让它直接参与科研、设计新产品路径，甚至改变原有的工作方式。

前两种在提速，第三种在换方向。

哈萨比斯在描绘未来时，特别强调了Agent（智能体）这种形态。Agent 意味着 AI 将从“被动执行指令”的工具，进化为“独立推进复杂目标”的数字员工。从设定目标、规划拆解到路径纠偏，一切皆可自行运转。

一旦这种形态全面普及，过去大家焦虑的“会不会用 AI”，将演变成“能不能用 AI 定义结果”。

未来工具自动包揽绝大部分的执行动作时，真正决定胜负的，将是你明确方向的能力、设定目标的视野，以及对核心业务场景的深度洞察。

技术在集中，使用在分化。

同样的工具，在不同人手里，用的人越多，认知的鸿沟反而越深。

结语

回到这场对话本身，哈萨比斯讲了三件事：方向在变化，能力在变化，用法也在变化。

当这三件事同时发生时，差距就不会停下来。

有的人还在比较那个工具好用，有的人已经在用工具找到新机会。

问题从来不是 AI 会发展到什么程度，而是你会停在什么位置。

📮 原文链接：

https://www.youtube.com/watch?v=SSya123u9Yk

https://www.youtube.com/watch?v=C0gErQtnNFE&t=21s

本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，36氪经授权发布。