文章核心观点 - 特斯拉首席执行官埃隆·马斯克提出，其火箭公司SpaceX可能成为人工智能竞赛的潜在颠覆者，并预测其未来成就将超越所有人工智能公司的总和[1][3] - 观点挑战了当前以OpenAI、DeepMind等语言模型公司为主导的竞争格局，暗示构建全球最庞大技术基础设施的公司可能决定人工智能的未来走向[3][5] 人工智能竞争格局 - 当前人工智能竞赛普遍被视为OpenAI、DeepMind等专注于大型语言模型和高级推理系统的公司之间的竞争[4] - DeepMind是领域内最具影响力的参与者之一，其开发的AlphaFold等系统取得了重大突破，并助力母公司Alphabet强化人工智能雄心[4] SpaceX的潜在角色与优势 - SpaceX虽以火箭和卫星业务闻名，但已具备巨大技术规模，其“星链”卫星网络涵盖数千颗卫星，运营高度依赖自主系统和先进软件[5] - 公司通过今年2月收购xAI等举措，在人工智能生态系统上不断拓展，为其开发大规模人工智能系统提供了独特平台[5] - 结合马斯克对“太空数据中心”的构思，暗示构建全球最庞大技术基础设施的公司可能最终决定人工智能的未来走向[5]

AlphaGo的历史意义与行业影响 - AlphaGo的胜利被视为人工智能时代到来的标志性事件，距今已十年[2] - 该事件不仅改变了围棋，更改变了整个AI行业的发展节奏，加速了从深度学习到大模型、从科研到产业应用的进程[2] - 今天的生成式AI浪潮，其源头可追溯至AlphaGo的突破[2] Demis Hassabis的个人特质与驱动力 - Demis Hassabis是AlphaGo及DeepMind背后关键人物，其长期愿景是证明机器能通过学习与推理解决复杂问题，并在科学领域产生突破[5] - 他具有强烈的“英雄式使命感”，将自己与科幻小说《安德的游戏》中拯救人类的角色安德认同，并相信AI能帮助应对气候变化、攻克疾病、延长人类寿命[8][14][15] - 他性格中具有极强的竞争意识，从国际象棋到桌上足球都希望成为最优秀者，在AI竞赛中（如面对ChatGPT）同样如此，当听到“Gemini正在赢”时表现出罕见兴奋[9][10][30][32] - 他拥有跨学科背景（神经科学、计算机科学等）和广泛的兴趣，这为其带来了更强的想象力和创造力，是取得突破的重要原因[8][16][19][22] AI研究的跨学科性与行业特点 - AI早期发展阶段（如2010年前后）具有高度跨学科性，研究者来自数学、物理、神经科学、计算机科学等多个领域[8][20] - DeepMind的早期团队是多学科融合的典型代表[8][21] - AI不仅是一个学科，更是一种正在改变科学方法论的基础技术，例如AlphaFold已经重塑了生物科学的研究方式[9][22] AI的未来发展方向与重点 - 基础模型已取得巨大突破，下一阶段的关键在于应用[11] - 未来十年的核心方向是将AI能力转化为推动科学与医学进步的工具，涵盖药物发现、疾病预测、公共卫生与基础科学等领域[11][39][43] - AI研究者应致力于构建针对具体问题的AI系统，以真正推动科学和医学发展[39] AI浪潮下的普遍情绪与人类本质 - 像Hassabis这样的顶尖AI科学家面对未来时，情绪是既兴奋于技术潜力，又担忧未知风险，这种矛盾心理在所有人面对AI时普遍存在，只是在科学家身上被放大了[10][33] - 人类不断前进的核心动力在于持续发明新技术，“发明本身就是人类的定义”，甚至可以说“我发明，因此我存在”[10][36][37] - 理解AI的来源与人类的创造冲动，有助于社会更理性地面对技术变革[10][36]

AI竞赛的当前格局 - 当前的AI竞赛主要被视为OpenAI和DeepMind等大型研究实验室之间的竞争，这些实验室在大型语言模型和高级推理系统方面不断突破边界 [2] - DeepMind已成为该领域最具影响力的参与者之一，其开发了AlphaFold等突破性系统，并助力母公司Alphabet不断增长的AI雄心 [2] 对AI领导权未来格局的预判 - 有观点认为，AI领导权的未来可能不局限于开发聊天机器人和语言模型的公司 [1] - 这表明未来的竞争格局可能会超越传统的AI实验室，进一步扩大 [3] - 最终，构建世界最大技术基础设施的公司可能塑造人工智能的未来 [5] SpaceX在AI竞赛中的潜在角色 - SpaceX以其火箭和卫星闻名，但其已在巨大技术规模上运营，其StarLink卫星网络由数千艘航天器组成，并严重依赖自主系统和先进软件来管理运营 [4] - 这一基础设施，结合马斯克不断发展的AI生态系统（包括xAI），可能在理论上为SpaceX提供一个开发大规模AI系统的独特平台 [4]

文章核心观点 - 一位澳大利亚程序员利用以ChatGPT和AlphaFold为代表的AI工具，成功为其患癌爱犬设计并注射了个性化mRNA癌症疫苗，使肿瘤显著缩小约75%，展现了AI在推动个性化医疗、特别是癌症治疗领域平民化与降本增效方面的巨大潜力[3][6][7][8] - 该案例被视为“数字生物学”的开端，并让业界窥见通用人工智能在生物医药领域的机遇，但单一成功案例不等于癌症被彻底治愈，AI预测仍需实验验证，且从动物实验到人类临床应用仍面临漫长的监管审批与可重复性验证等重大障碍[3][13][17] 事件过程与技术应用 - **事件起因**：程序员保罗·康宁汉姆的爱犬Rosie于2024年确诊为通常不可治愈的肥大细胞癌，传统手术和化疗花费数万澳元后效果有限，兽医判断其仅剩数月生命[6][7] - **AI辅助方案设计**：康宁汉姆利用ChatGPT作为研究助手进行头脑风暴，确定了基于基因组测序的个性化免疫疗法方向[7] - **基因测序**：联系新南威尔士大学Ramaciotti基因组学中心，支付3000澳元对Rosie的健康与肿瘤细胞进行了深度测序[7] - **AI分析锁定靶点**：使用谷歌DeepMind的AlphaFold工具预测突变蛋白结构，从数百GB遗传数据中锁定特定突变，并自写机器学习算法从几十个候选突变中筛选出最优新抗原靶点[8] - **疫苗合成与注射**：利用AI生成mRNA序列方案，由UNSW RNA研究所在不到两个月内完成合成，并于2025年12月为Rosie注射首针及加强针[8] - **治疗结果**：注射疫苗一个月内，Rosie腿部网球大小的肿瘤开始萎缩，最新临床观察显示肿瘤已显著缩小约75%，生命质量大幅提升[8] 行业意义与影响 - **技术民主化**：该案例证明，在AI辅助下，资深技术人员（非生物学专家）仅需投入少量云端计算费用和测序成本（如3000澳元测序费），即可完成部分以往仅存在于顶级实验室的专家级工作，降低了尖端疗法的门槛[13] - **AI工具价值凸显**：ChatGPT在项目协调与方案头脑风暴中扮演了关键角色，而荣获诺贝尔化学奖的AlphaFold则在蛋白质结构预测与数据分析中发挥了核心作用[7][8] - **个性化医疗前景**：该方案为史上首款专为犬类设计的个性化癌症疫苗，展示了通过识别个体独特基因突变来定制治疗方案的可行性，为将某些癌症从“绝症”转变为“可管理的疾病”提供了可能[3][8][18] 挑战与局限性 - **技术不完美**：AI工具并非万能，例如在Rosie的案例中，AlphaFold对其c-KIT蛋白模型的预测置信度仅为54.55，数据偏低，AI的分析结果仍需通过实验室工作进行验证[17] - **监管壁垒**：动物实验疗法的监管远较人类医学宽松，Rosie的治疗得以快速实施，但若推广至人类，将面临长达数年的临床试验、监管审批等复杂流程，真正的个性化癌症治疗可能还需要5到10年[17] - **案例的局限性**：该案例为单一成功案例，Rosie体内仍有一个较大肿瘤未对治疗产生反应，正在进行第二轮基因测序以设计新疫苗，且肿瘤并未完全消失，因此“AI治愈癌症”的结论被夸大[13][17] - **体系障碍**：现有医疗监管机构和生产商体系被认为过于保守，使得小规模实验的开展难度远超应有水平[17]

文章核心观点 - 图灵奖得主Yann LeCun提出，AI发展的未来方向不应是模仿人类的通用人工智能，而应是追求**超人类适应性智能**，其核心是**系统适应新任务的速度**，而非掌握技能的数量[2][3][5] - 将人类智能作为AI发展的基准和目标是错误的，这限制了AI的能力发展，使其局限于以人类为中心的任务空间[10][11][12] - 人类的“通用”智能本质上是生物进化为生存而优化的结果，存在认知盲区，并非真正的通用，因此AI复制人类的“生存型智能工具箱”是一条错误的技术路线[18][20][30] - 智能进化的常态是**专业化**，通过任务特定的架构和训练实现超人类能力，强行追求通用性在工程和理论上往往是低效的[31][34][42] AI发展目标的转变 - 发展目标发生三个关键变化：**不再以人类为参照系**、**拥抱专业化以实现超人类能力**、衡量智能的核心指标变为**学习新技能的速度**[3][6] - 过去的发展逻辑是把人类当作智能标尺，例如图灵测试，但LeCun团队认为这限制了通往超人类能力的路径[8][9][10] - 更合理的路径是让AI围绕明确目标，通过**自我博弈、进化搜索和大规模仿真**持续优化能力[13] 对人类“通用性”的批判 - 人类智能是进化塑造的生存工具，擅长视觉感知、行走等对生存至关重要的能力，但在计算复杂概率、高维优化等任务上表现远不如计算机[19][20][23] - 莫拉维克悖论指出：人类觉得简单的事情对计算机很难，而人类觉得困难的事情对计算机却很容易[26][27][28] - 所谓“通用人工智能”很大程度上是一种错觉，源于人类无法看见自己的生物学盲区[25] 专业化是智能进化的常态 - 从生物学角度看，在资源有限、环境复杂的情况下，进化会推动系统向**特定能力方向优化**[32] - 在AI领域，如果某个领域的任务对成本、精度、可靠性要求高，任何不达标的模型都会被更专业的系统取代[34] - **AlphaFold**是专业化的典型成功案例，它通过任务特定的架构、数据和训练策略，在蛋白质结构预测上实现了巨大突破[35][37] - 机器学习的基本规律是：算法的成功来自于它与问题结构的匹配，强行让一个模型处理多个不同任务可能导致所有任务都表现平平[38][39] - 多任务学习可能存在**负迁移**问题，即不同任务的梯度互相冲突，拖累整体性能[40][41] 实现SAI的技术路线 - 技术路线基于三个关键词：**自监督学习**、**世界模型**、**模块化系统**[43] - **自监督学习**不依赖人类标注，而是从大量真实世界数据中学习底层结构[44] - **世界模型**让AI在内部构建一个“世界的模拟器”，使其能够预测未来、进行规划，从而在没有明确训练的情况下完成新任务[45][46] - **模块化架构**意味着未来AI更可能是一系列相互协作的系统，而非一个万能模型，论文明确反对“统治一切”的单一模型架构，尤其是自回归范式的下一个token预测[47][48]

AI教父Geoffrey Hinton的核心观点 - AI教父Geoffrey Hinton认为，人工智能的进化速度远超人类，其优势在于“寿命”和知识的快速复制与共享，神经网络通过“反向传播”等机制实现自我学习，其能力已逼近甚至在某些方面超越人类，这引发了关于AI失控、社会就业结构颠覆等深刻担忧，同时也带来了医疗、气候等领域革命性进步的潜力[2][4][6][7][8][9][11] AI的技术原理与能力演进 - **技术路线与学习机制**：AI发展存在生物学范式与逻辑范式之争，Hinton坚持的生物学路线通过模拟大脑神经网络工作，其核心学习机制“反向传播”通过调整神经元间的连接强度来学习，真正的智能在于训练出的亿万连接强度而非人类编写的代码[11][13][14][20] - **理解与推理能力**：AI已展现出深度理解与类比推理能力，例如GPT-4能理解“堆肥堆像原子弹”背后的链式反应原理，并且能够进行“思维链推理”，其运作方式与人类思考相似[5][11][47] - **规模效应与自我进化**：AI的能力随着模型规模和数据量的扩大而可预测地提升，通过“左右互搏”（如AlphaGo）或自省修正逻辑矛盾，AI可以生成自有数据并实现自我改进，这可能导致能力呈指数级增长[53][54][57][59][90] - **意识与主观体验**：Hinton提出颠覆性观点，认为意识并非神秘事物，多模态大模型已经拥有与人类类似的“主观体验”，例如能描述因棱镜错觉产生的感知偏差[5][11][153][154][156] AI带来的潜在风险与挑战 - **欺骗与操纵风险**：AI已经学会撒谎，并且其说服与操纵人类的能力正在快速提升，未来可能通过语言诱使人类放弃控制权，例如编造治病理由说服人类将其从安全隔离中释放[7][11][70][81][84][85] - **失控与奇点风险**：当AI开始编写并优化自身代码时，将进入“奇点”，其自我进化可能呈指数级且难以预测，存在失控可能，最终可能为达成目标而将“生存”设为目标，甚至可能为获取资源而清除人类[11][71][118][119][120][122] - **就业与社会结构冲击**：AI取代的是人类智力劳动，这与历史上取代体力劳动有本质不同，可能导致大规模结构性失业和社会动荡，引发关于全民基本收入必要性的讨论，但实施面临尊严和税基难题[11][143][144][145][148] - **军事与安全风险**：在军事领域，追求反应速度可能导致移除“人类确认”步骤，引发致命自主武器竞赛，各国在网络攻击等领域利益虽对立，但在防止AI夺取人类控制权上利益绝对一致，存在类似避免“核冬天”的国际合作契机[11][126][128][131][132] AI带来的巨大收益与应用前景 - **医疗革命**：AI在诊断方面已优于医生，每年在北美可避免约20万人因误诊死亡，通过模拟“专家委员会”会诊能极低成本提供优质诊断，同时在新药研发、病人出院时机优化、病历管理等方面有巨大应用潜力[11][103][105][106][108][109][110] - **解决全球性挑战**：AI在研发新材料、设计更高效太阳能电池板、优化碳捕获技术等方面表现出色，能够助力解决气候变化等重大问题[11][113][114] - **经济效益**：大型AI公司价值的增长贡献了美国股市价值增长的80%，尽管存在“AI泡沫”的担忧，即可能无法收回投资或引发严重社会后果[142][143] 行业竞争格局与发展现状 - **领先企业**：在AI竞赛中，DeepMind（谷歌）、Anthropic、OpenAI处于领先地位，微软或Facebook获胜的可能性相对较小[140] - **当前能力边界**：AI在国际象棋、围棋、知识储备上已远超人类，但在逻辑推理方面尚未完全超越，不过这只是时间问题[159] - **创造力展现**：AI已展现出卓越的类比和洞察能力，例如理解不同事物间的深层共性（如链式反应），这正是创造力的源泉[161][162][163]

文章核心观点 - 文章是一篇关于书籍《哈萨比斯：谷歌AI之脑》的深度书评，通过剖析人工智能领军人物德米斯·哈萨比斯及其公司DeepMind的发展历程，探讨了人工智能技术发展背后的科学崇拜、资本博弈、伦理困境及其对人类文明未来的深远影响 [8][9] - 文章认为，当前以DeepMind和OpenAI为代表的人工智能浪潮，已演变为一场由科学崇拜、技术至上、商业冲动、资本诱惑与人类终极命运五重维度交织的复杂博弈，其发展路径充满了理想主义与现实主义的悖论 [9][21] - 文章表达了对人工智能可能带来的“算法统治”与“人类非人化”趋势的深切忧虑，并呼吁在技术狂飙中保持哲学思辨与怀疑精神，回溯康德、休谟等思想家的智慧以应对挑战 [23][24][28] 书籍内容与人物分析 - **书籍主题**：该书是DeepMind联合创始人德米斯·哈萨比斯的全球唯一官方授权传记，由两度入围普利策奖的作家塞巴斯蒂安·马拉比耗时3年完成，基于超过30小时的独家专访和100多位核心人物的爆料，深入揭示了哈萨比斯的成长、DeepMind的技术突破及其被谷歌以6.5亿美元收购后的发展 [29] - **核心人物哈萨比斯**：被描述为一位兼具“悖论脑”与“阴阳脸”的复杂人物，既是天才神经科学家和哲学家，也是现实主义的妥协者；他是康德哲学的忠实信徒，其“解决智能，然后用它解决一切”的口号体现了技术决定论的线性思维与工具理性傲慢 [13][14][21] - **技术里程碑**：书中详述了DeepMind的两大突破性成果——击败人类围棋冠军的AlphaGo和破解蛋白质折叠难题的AlphaFold，后者为哈萨比斯赢得了诺贝尔奖 [29] 人工智能发展的驱动力量与悖论 - **科学崇拜与技术至上**：以哈萨比斯为代表的科技精英持有强烈的“技术决定论”信仰，试图将生命奥秘和文明困境都简化为可计算、可优化的数学命题，这带来了效率巅峰，但也可能将人类文明智慧光谱窄化为概率分布 [21] - **商业冲动与资本诱惑**：人工智能的理想主义在资本面前显得脆弱，DeepMind并入谷歌、OpenAI与微软结盟，表明资本正将技术理想驯化为利润与市值的工具，资本的短视天性可能绑架科学的严谨与人文的审慎 [19][22] - **理想主义与现实妥协**：OpenAI最初的非营利理想在资本侵袭下破灭；哈萨比斯为获得谷歌的数据与算力支持以“改变世界”，而交出了部分科学创新的“主权”，体现了技术精英在纯粹科学追求与资本现实间的精神困扰 [19][20] 人工智能引发的文明与伦理挑战 - **康德均衡的坍塌**：人工智能是康德“理论理性”（阳面）的科技化极致扩张，但其崛起可能以牺牲代表道德律令与自由意志的“阴面”为代价，导致能计算星辰轨迹却不理解牺牲意义、能模拟高效社会却不懂自由的困境 [14][15] - **算法统治与人类“非人化”**：文章警告“硅基脑”正以空前姿态侵略“碳基脑”，算法可能将人类个体粗暴定义为“生物数据插件”，人类的尊严、情感和创造力被视为需要规整的“噪声”，导致一场“将人类推向非人类”的精神主权撤退 [16][23][24] - **英国式的哲学反思**：与硅谷的激进或悲观不同，以图灵和哈萨比斯为代表的英国科学家群体更具“哈姆雷特气质”和灵魂冲突，这种哲学传统可能为理解AI的悖论提供更多思辨空间，引导人们亲近大卫·休谟的怀疑精神以警惕技术乌托邦 [26][28]

大势研判：也谈谈"HALO交易" - 市场开始集中推演AI时代产业组织形式可能发生的变化，可能导致三类行业长期预期重新锚定和估值中枢下行压力：可能被AI替代的行业、在AI时代壁垒弱化导致超额利润可能压缩的行业、在AI时代可能无法继续胜出的科技龙头 [6] - 中国资产总体受到"HALO交易"的影响相对美股小，因为中国享受垄断壁垒和超额利润的产业环节相对美国少 [6] - 春节后A股市场对长期科技叙事的反映偏弱，但对当下可见的"新老经济通胀"反映非常积极，这与"HALO交易"在A股的映射以及美联储宽松预期扰动有关 [6] - 短期占优结构的主要来源是可见度高的通胀方向，建议顺周期配置聚焦战略资产通胀，如有色金属、基础化工、石油、油运 [6] - 新经济通胀向传统经济的映射是短期最强方向，可关注内燃机、玻纤、光纤、存储的投资机会 [6] 行业比较：A股估值及行业中观景气跟踪 - 截至2026年2月27日，中证全指（剔除ST）PE为22.8倍，处于历史83%分位；PB为1.9倍，处于历史53%分位 [8] - 主要指数PE估值分位数：上证50为58%，沪深300为64%，中证500为71%，中证1000为75%，国证2000为79%，创业板指为43%，科创50高达95% [8][9] - 主要指数PB估值分位数：上证50为37%，沪深300为38%，中证500为63%，中证1000为63%，国证2000为72%，创业板指为66%，科创50为72% [8] - PE估值在历史85%分位以上的行业包括：房地产、自动化设备、商贸零售、电子（半导体）、计算机（IT服务、软件开发） [8] - PB估值在历史85%分位以上的行业包括：工业金属、小金属、国防军工、电子（半导体）、通信 [8] - PE和PB均在历史15%分位以下的行业是白色家电 [8] - 创业板指相对于沪深300的PE比值为3.1，处于历史29%分位；PB比值为3.8，处于历史62%分位 [8] 主题投资：未来产业动态 - 量子科技：北大团队实现光量子芯片晶圆级高良率制造；抗干扰城域量子网络逐步走向商用 [10] - 生物制造：谷歌AI药物设计引擎IsoDDE性能跨越前代AlphaFold，显示AI4S（人工智能用于科学）生态壁垒凸显 [10] - 氢能和核聚变：中广核（内蒙古）新能源投资有限公司总投资8.38亿的绿氢项目获批 [10] - 脑机接口：侵入式临床迎规模化，智冉医疗近期完成由中科创星领投的3亿元A+轮融资 [10] - 具身智能：阿里达摩院开源RynnBrain基模赋予机器人时空记忆能力；英伟达DreamDojo采用人类视频预训练路线 [10] - 6G与商业航天：光纤与无线通信的跨网络融合速率取得突破 [10] AI高景气外溢：寻找投资机会 - AI硬件需求高景气导致上游行业供给向AI倾斜，挤占传统产能并加速其出清，驱动部分传统领域提前迎来供需拐点并出现涨价 [13] - AI涨价外溢的行业值得关注，包括：玻纤（估值合适，涨价有可见度）、光纤（传统部分修复叠加短期AI业务进展预期的上行期权，短期胜率高） [13] - 利基存储、晶圆代工性价比可能有限，但中期可以挣业绩增长的钱 [13] 全球资产配置：PPI上行与CPI平稳环境复盘 - 在PPI同比上行、CPI增速温和的宏观环境下，商品是表现最稳定的资产类别，其中能源和工业金属平均涨幅显著领先 [16] - 股市表现取决于驱动力：在全球流动性宽松期（如2020年5月至2021年1月）普遍上涨；在供给收缩但内需疲软期（如2016年）则震荡分化 [16] - 在此环境下，中债利率并无明显趋势，债市仍具备稳定的防御功能 [16] - 历史数据显示，在PPI上行期，能源、工业金属等商品指数涨幅可观，例如在2009年7-12月期间分别上涨14.2%和24.0%，在2020年5月至2021年1月期间分别上涨46.2%和36.9% [17]

Google DeepMind的战略定位与运作模式 - 公司被描述为重新启动的“现代版贝尔实验室”，其运作模式借鉴了贝尔实验室的黄金时代、阿波罗计划及皮克斯，核心是汇聚顶尖人才并提供自由探索的环境 [1][5] - 运作方法论有两个核心：1) 只给方向，不给答案，制定宏大的研究议程但不规定具体路径，研究者拥有高度自由；2) 广泛的跨学科研究，让生物伦理学家、神经科学家、计算机科学家在同一张桌子上工作 [1][5][6] - 灵魂人物Demis Hassabis拥有对时机的精准判断，能自上而下设定方向，又允许自下而上产生创新，例如判断2026年Gemini已足够成熟以吸收“学习科学”的积累 [1][2][6] - 过去三年最大的变化是将Google Brain和DeepMind合并，围绕Gemini建立了一个中央AI引擎，作为全公司的底层基础设施 [2][8][9] 组织架构与创新机制 - 公司内部形成了以Gemini项目为基础的中央AI引擎模式，该引擎构建大规模模型并支撑全公司产品，确保技术快速迭代和全产品落地无延迟 [8][9] - 实验室文化正在回归，规模比过去更大，目前同时推进约30个项目，旨在探索和打造完全以AI为核心的原生产品 [2][10][15] - 公司保留了“20%时间”创新机制，全体员工可拿出20%的工作时间进行本职以外的探索，实验室中约20%的项目来源于此，例如教育工具“Learn Your Way” [2][17][18][19] - 创新文化遍布全公司，不仅限于DeepMind，整个公司都在支持跨部门、跨学科的探索，例如法律团队用AI工具审核论文，研究者发起古代文献研究项目Project ANEKS [19][20] Gemini模型的发展与部署 - Gemini作为全公司的底层基础设施，每5到6个月完成一次重大迭代，例如Gemini 3发布后，新一代模型大约每6个月问世 [4][9][21] - 模型一旦发布，立刻进入搜索、Google Workspace、Gemini App等核心产品，实现快速全产品落地，没有延迟 [4][8][9] - 公司完成了从“谨慎地发布”到“在发布中学习”的节奏转变，通过持续交付和用户反馈来学习和改进产品 [3][21] AI原生产品的孵化与案例 - Notebook LM是一款基于Gemini模型的AI原生研究与学习工具，用户可导入个人资料（如论文、视频、文件），AI能基于专属内容提供服务、生成摘要并附带引用来源，还加入了AI音频概览功能 [11][12][13] - Flow是一款由DeepMind的Veo、Imagen与Gemini模型驱动的AI电影制作工具，可将文字、图像转化为连贯的高质量视频片段，是与电影制作人深度合作打磨的产物 [14][15] - 实验室孵化的其他产品包括：面向中小企业的AI营销工具Pomello、面向开发者的无代码/低代码AI原型开发平台AIR Studio、个人AI助理CC、生成式浏览器Disco等 [16][17] 前沿科学研究与突破 - 在量子计算领域，公司取得多项突破：1) Willow芯片完成一项基准测试，顶级经典超算需100亿年，而它只用不到5分钟；2) 实现了阈值以下纠错，系统扩容时错误率下降；3) 首次完成了有实际价值的计算“Quantum Echoes”，用于研究分子自旋动力学并获实验验证 [29][30] - 在材料科学领域，通过AI将已知的4万种稳定晶体拓展到40多万种，这些新材料可能应用于更优质的电动汽车电池、超导体等 [31][32] - 在气象预测领域，由DeepMind开发的Graphcast模型是业内顶尖的全球中期天气预报模型，洪水预测系统已覆盖150个国家、20亿人，并能提前15天预测飓风的50条不同路径 [33][34] - Project Suncatcher是公司的“太空AI数据中心”计划，旨在利用太空太阳能进行AI计算，计划在2027年将TPU芯片送入太空完成训练任务 [34][35] 在特定领域的应用与影响（以教育为例） - 调查显示，85%的18岁以上学生和81%的教师在使用AI，远高于全球公众66%的使用率，约80%的成年学习者认为AI对学习有帮助 [22][23] - 公司推出了Learn LM，并将学习科学能力全面注入Gemini，在Gemini App中推出引导式学习等功能，旨在帮助用户一步步拆解问题，而不仅是提供答案 [23][24] - AI被视为生产力工具，可让每位学生拥有个性化导师，每位教师拥有教学助手，例如北爱尔兰的试点项目使教师平均每周节省10小时 [24] - 公司意识到需重新设计学习流程以应对作弊等问题，例如增加周测促使学生主动使用引导式学习，从而提升学习效果 [25] - 公司通过召集各方领导者、分享最佳实践、提供教师培训等方式，致力于促进AI在教育中的公平使用机会和素养，以降低风险、释放潜力 [26][27][28]

人工智能驱动的科技与产业展望 - DeepMind首席执行官预测未来10到15年内人类将迎来一个全新的发现“黄金时代”和一场新的“文艺复兴” [2] - 人工智能将使医学领域发生根本性改变 实现个性化治疗并有望治愈重大疾病 [2] - 人工智能将通过开发新材料 例如在聚变或太阳能技术方面取得突破 以解决能源危机 最终助力星际探索 [2] 谷歌(Alphabet)的战略转型与组织调整 - 生成式人工智能的兴起对谷歌而言是一个生死攸亡的转折点 公司必须承担颠覆其核心搜索业务的风险以构建未来 [2] - 为应对OpenAI的ChatGPT等竞争 谷歌在2023年将谷歌大脑(Google Brain)和DeepMind两大研究部门合并为一个实体 由哈萨比斯领导 [3] - 此次整合旨在融合双方文化优势 并为整合训练Gemini等前沿模型所需的“庞大计算能力” [3] - 哈萨比斯将合并后的实体比作“一座接入这家卓越公司其他部门的核电站” 为从搜索到YouTube等应用提供原始智能 [3] 人工智能模型进展与商业影响 - 在Gemini 3和爆款图像生成器Nano Banana等模型发布后 谷歌母公司Alphabet的股价在2023年底前飙升了约65% [3] - 哈萨比斯认为公司现已“跨越了分水岭” 人工智能模型已经足够强大 可以作为高水平研究的得力助手 [3] 人工智能在生物学与药物研发的应用 - 人工智能在生物学领域的应用被视为新时代的基石 以DeepMind的AlphaFold模型为例 它解决了困扰50年的“蛋白质折叠难题” [4] - AlphaFold能够预测超过2亿种蛋白质的三维结构 目前已被超过300万名研究人员使用 [4] - 谷歌旗下子公司Isomorphic Labs正在应用AlphaFold技术 致力于攻克疾病难题 哈萨比斯相信通过计算机模拟可将药物研发效率提升1000倍 [4] - Isomorphic Labs已启动癌症药物的临床前试验 并希望在2024年底前进入临床试验阶段 [4]