从围棋业余5段到诺贝尔化学奖：德米斯·哈萨比斯的技术进阶十年

2016年3月，DeepMind创始人德米斯·哈萨比斯用一个业余5段棋手的身份，带领团队碾压了人类围棋巅峰。那一刻，围棋历史被改写。

技术路径：四代AlphaGo的迭代逻辑

AlphaGoLee（2016）：卷积神经网络架构，整合人类棋谱数据，4:1击败李世石。技术本质是深度学习与传统搜索的结合。

AlphaGoMaster（2017）：引入强化学习策略网络，纯网络对弈即可达到超越人类水平。化名“Master”网络60连胜，展现了强化学习的可怕潜力。

AlphaGoZero（2017）：彻底摈弃人类数据，仅靠自我对弈。3天击败Lee版，40天登峰造极。这是强化学习真正爆发的节点。

AlphaZero（2017）：单一算法通吃围棋、国际象棋、将棋。24小时内达到超人水准。技术收敛到“自对弈+强化学习”的核心范式。

方法提炼：迁移学习的工程实践

2018年，哈萨比斯将AlphaGo的自对弈框架迁移至蛋白质折叠问题。AlphaFold初代即在CASP竞赛中崭露头角。

2020年，AlphaFold2准确率突破物理实验水平。蛋白质结构预测这一困扰生物学界50年的难题，被一个“下棋的AI”解决了。

应用边界：从围棋到生命科学的跨越

2021年至2023年，DeepMind免费公开2亿个蛋白质结构数据。全球超过300万科学家开始使用这一数据库进行基础研究。

2024年，AI设计的首批药物进入临床试验阶段。酶工程、抗生素耐药性研究、药物设计等领域全面接入AlphaFold技术。

2024年10月，诺贝尔化学奖颁给哈萨比斯与约翰·江珀。获奖理由：开发AlphaFold解决生物学重大难题。

技术本质：AI时代的范式转移

哈萨比斯的技术路线清晰：先验证AI可行性（围棋），再将方法论迁移至高价值科学问题（蛋白质折叠）。每一步都是可复制的工程路径，而非运气。

围棋AI的本质是强化学习+自对弈。这套方法论在生命科学领域证明同样有效。技术复用，才是哈萨比斯真正的“秘密武器”。