影片筆記：诺贝尔奖得主哈萨比斯承认：Ai走错路了，普通人正在买单 #ai #科技

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=0 已先套用暫定修正：朋友們,諾奖得主親口承認,AI走錯路了,他的卻無能為力。 → 朋友們,諾獎得主親口承認,AI走錯路了,他卻無能為力。；segment=6 已先套用暫定修正：在過去的50年,人類也要搞清楚一個蛋白質的結構,再得花幾年時間幾十萬美金,還得靠X涉嫌一點點上。 → 在過去的50年,人類也要搞清楚一個蛋白質的結構,再得花幾年時間幾十萬美金,還得靠X射線晶體學一點點上。）
• 待修正：逐字稿可先使用，但有待校正清單（segment=11 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=12 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

⚠️ 警告：逐字稿辨識疑點與校正待辦

根據輸入資訊，以下片段存在語法斷句異常或語義邏輯疑點，不得視為確定事實。請參考「逐字稿辨識疑點」章節進行後續人工校正：

* Segment 11, 12, 54, 55: unnatural_sentence_boundary — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語。

* Segment 16: rapid_semantic_review — 上下文提到Google對AI重心的反應，通常用「拉響警報」或「拉響紅色警戒」來形容緊急應對，原文可能辨識錯誤。

* Segment 25: rapid_semantic_review — 語境為陳述一個時間點之前的統計數據，「截至」或「在」更符合邏輯，原文可能辨識錯誤。

一句話總結

諾貝爾獎得主哈萨比斯指出，當前 AI 發展受資本與市場驅動，重心從科學突破偏離至語言模型與消費級產品，導致科學家失去主導權，而普通人與社會正在為此買單。

核心重點

1. AI 發展方向的偏離：2022年11月30日 ChatGPT 問世後，AI 行業重心轉向語言模型與消費級產品，而非原本預期的科學突破。
2. 資本與市場的驅動：AI 的競爭焦點已變更為模型性能（更好、更快）以及幫助企業降本增效（裁員），而非解決科學難題。
3. 科學家的無力感：最懂 AI 方向的人（如哈萨比斯）已無權力決定 AI 發展方向，決定權掌握在資本與市場手中。
4. 科學潛力的浪費：AI 本應用於蛋白質結構預測、藥物研發、核聚變等科學領域，加速人類科研進度，但現狀是被用於企業內部效率優化。
5. 回歸科學本源的嘗試：哈萨比斯試圖通過成立 AI 製藥公司，重新聚焦於藥物研發與基因密碼破解，但面臨現實阻力。

詳細大綱

一、 AlphaFold 的科學價值與潛力

• 科研效率的極大提升：
• 過去解析蛋白質結構需「幾年、幾十萬美金、X射線晶體學」。
• AlphaFold 將此過程壓縮至「幾秒鐘」。
• 數據規模：若以 10 秒計算一個蛋白質，一年可完成 2 億個蛋白質的計算。
• 科學意義：
• 蛋白質 3D 形狀關係重大，其結構錯誤可能導致癌症、白血病、阿爾茲海默症等疾病。
• 正確理解蛋白質結構有助於理解疾病機制。
• 開放成果與影響：
• 免費數據庫開放給全球使用，約 300 萬科學家免費使用。
• 數十種相關藥物進入「零床實驗」（疑點：疑為臨床實驗）。
• 未來可能出現第一批由 AI 設計的藥物。

二、 AI 發展重心的偏離（2022年11月30日後）

• 轉折點：ChatGPT 橫空出世，AI 行業重心轉向語言模型與消費級產品。
• 行業現狀：
• 大模型群雄爭霸。
• 谷歌拉響「紅色情報」（疑點：疑為紅色警報或特定術語）。
• 哈萨比斯角色轉變：從專注科學的實驗室負責人變為谷歌 AI 掌舵者。
• 資本裹挾下的競爭：
• 競爭焦點：模型更好、更快，以及幫助老闆裁員。
• 裁員數據：2025 年科技行業裁員超過 10 萬（一半以上與 AI 有關）；甲骨文裁員 3 萬人，亞馬遜裁員 1.6 萬人。
• 哈萨比斯觀點：原本可治癒癌症、發現新材料的工具，被迫用於企業降本增效。

三、 另一條路：回歸科學本源

• 理想狀態：
• 像歐洲核子研究中心那樣，全球頂尖科學家合作。
• 每步都講清原理與後果，充分驗證。
• 寧慢十年二十年也要穩，專注於科學突破。
• 實際行動：
• 哈萨比斯成立 AI 製藥公司，重做藥物研發過程（原需 10 年、90% 失敗率、幾十億成本）。
• 現有進度：18-19 個藥物項目推進中，覆蓋心臟病、癌症、免疫病。
• 另一項目：破解人類基因密碼，精準定位致病突變。
• 未來展望（50年內）：
• 實現可控核聚變。
• 治癒疾病。
• 解決糧食和水資源問題。

四、 科學家的無力感

• 便條象徵意義：
• 2016 年：便條寫著「解決蛋白質折疊問題」（疑點：原文可能為「折磋」）。
• 現在：桌上貼滿上百張便條，寫著「今晚必須做完的 30 件事」。
• 權力歸屬：
• 最懂 AI 方向的人（哈萨比斯）已無權力決定 AI 方向。
• 決定方向的是資本與市場，其核心訴求是賺錢。
• 結論：AI 走了一條可能非最優的路，所有人為此買單。

工具 / 模型 / 名詞整理

• AlphaFold：蛋白質結構預測工具，由谷歌 DeepMind 開發，極大提升了蛋白質結構解析的速度與精度。
• ChatGPT：引發 AI 行業重心從科學研究轉向語言模型與消費級產品的關鍵產品。
• X射線晶體學：過去解析蛋白質結構的主要方法，耗時且昂貴。
• 歐洲核子研究中心 (CERN)：哈萨比斯提及的理想科學合作模式參考對象，強調全球頂尖科學家合作與穩健驗證。
• 谷歌 (Google)：哈萨比斯現任雇主，其 AI 戰略受市場與資本影響。
• 甲骨文 (Oracle)：提及的科技公司，報告裁員 3 萬人。
• 亞馬遜 (Amazon)：提及的科技公司，報告裁員 1.6 萬人。
• 哈薩比斯 / 哈瑟比斯 (Hasabis)：諾貝爾獎得主，DeepMind 創始人，現任谷歌 AI 負責人。

操作流程整理

1. 科學研究階段 (理想)：

• 全球頂尖科學家合作。
• 每步講清原理與後果。
• 充分驗證，寧慢十年二十年也要穩。
• 目標：解決蛋白質折疊、藥物研發、核聚變等科學難題。

1. 市場驅動階段 (現狀)：

• 資本與市場決定 AI 方向。
• 競爭焦點：模型性能（更好、更快）。
• 應用場景：企業降本增效、裁員。
• 結果：科學家失去主導權，AI 發展偏離科學本源。

1. 回歸嘗試 (哈萨比斯的行動)：

• 成立 AI 製藥公司。
• 重做藥物研發過程，縮短時間，降低失敗率與成本。
• 推進心臟病、癌症、免疫病等藥物項目。
• 破解人類基因密碼，定位致病突變。

值得注意的限制或風險

1. 科學進展的延遲：AI 本應加速科學突破，但當前方向可能延遲癌症治癒、新材料發現等重大科學進展。
2. 社會成本：AI 技術被用於裁員，導致科技行業大量失業，普通人承擔社會成本。
3. 科學家主導權喪失：最懂 AI 潛力的科學家無法決定 AI 發展方向，方向由資本與市場決定。
4. 數據庫開放的局限性：雖然 AlphaFold 數據庫免費開放，但藥物研發等核心應用仍受商業利益驅動。
5. 技術應用的倫理與社會影響：AI 從科學工具變為商業競爭與效率優化工具，可能忽視其更廣泛的社會與科學價值。

逐字稿辨識疑點

• 「零床實驗」：原文提及「幾十種相關藥物也已經進入了零床實驗」。根據上下文語境，極大機率為聽寫錯誤，實際應為「臨床實驗」或「零期臨床實驗」，但依規則標記為疑點，未自行更正。
• 「紅色情報」：原文提及「谷歌也直接拉響了紅色情報」。語境上可能指「紅色警報」或特定內部術語，標記為疑點。
• 「折磋」：原文提及「蛋白質的 3D 形狀只要折磋了一點」。語境上可能指「折疊」或「錯位」，標記為疑點。
• 「哈薩比斯」/「哈瑟比斯」：逐字稿中人名拼寫不一致，分別寫作「哈薩比斯」與「哈瑟比斯」，指代同一人，標記為聽寫不一致疑點。
• 「板子上那張寫著...的便條」：原文問句「你板子上那張寫著...的便條還在嗎？」，語意稍顯模糊，疑點標記。
• Segment 11, 12, 54, 55: unnatural_sentence_boundary — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語。
• Segment 16: rapid_semantic_review — 上下文提到Google對AI重心的反應，通常用「拉響警報」或「拉響紅色警戒」來形容緊急應對，原文可能辨識錯誤。
• Segment 25: rapid_semantic_review — 語境為陳述一個時間點之前的統計數據，「截至」或「在」更符合邏輯，原文可能辨識錯誤。

可延伸追問

1. 哈萨比斯提到的「AI 製藥公司」具體名稱為何？其進展與傳統藥物研發相比，具體的效率提升數據是多少？
2. 「零床實驗」具體指什麼？是否為「臨床實驗」的聽寫錯誤？
3. 谷歌拉響的「紅色情報」具體指什麼內部行動或戰略調整？
4. 除了裁員，AI 技術對普通人的其他潛在影響有哪些？
5. 哈萨比斯如何平衡在谷歌的商業角色與回歸科學本源的理想？
6. 蛋白質結構預測的開放數據庫，對全球科學家的實際影響範圍與深度如何評估？
7. 可控核聚變與 AI 的結合，具體的技術路徑與挑戰是什麼？