DeepMind高层大调整：哈萨比斯升任Alphabet首席科学家

一场影响AI格局的高层变动

Google近日宣布了一项对整个AI行业具有深远影响的领导层调整。作为DeepMind的联合创始人和长期掌舵者，Demis Hassabis（德米斯·哈萨比斯）将出任Google DeepMind主席，并同时升任Alphabet首席科学家（Chief Scientist）。另一边，DeepMind资深研究员Koray Kavukcuoglu被任命为Google DeepMind高级副总裁，全面接管模型开发、AI研究以及Gemini产品与开发者团队。

这一变动不仅仅是普通的人事更迭，更折射出Google在通用人工智能（AGI）竞赛中的战略重心转移。所谓AGI，是指具备与人类同等甚至超越人类的通用智能系统，能够在任何智力任务中自主学习和推理，而非仅擅长某一特定领域。当前包括ChatGPT、Gemini在内的大语言模型仍被归类为"窄AI"（Narrow AI），尽管能力惊人，但距离真正的通用理解和自主推理仍有根本性差距。业界对AGI何时到来存在巨大分歧，但各大科技公司都在为这一目标全力布局。

值得注意的是，当前业界对实现AGI的技术路线存在根本性分歧。一派以大规模语言模型的涌现能力（Emergent Abilities）为基础，认为持续扩大模型参数和训练数据（即遵循Scaling Law）可能自然涌现出通用智能；另一派则认为自回归的下一个token预测机制存在根本局限，需要引入世界模型、因果推理和具身交互等新范式。Meta首席AI科学家Yann LeCun提出的JEPA（Joint Embedding Predictive Architecture）、OpenAI探索的强化学习与推理链（Chain-of-Thought）结合的o系列模型，都代表了不同的技术信仰。哈萨比斯本人多次表示，游戏AI和科学发现中积累的强化学习、规划与搜索方法将是通往AGI的关键拼图——这一观点深刻影响着Google DeepMind的研究方向。

哈萨比斯从主导单一AI实验室，转向为整个Alphabet的科学愿景把舵；而技术出身的Kavukcuoglu则接过日常研发指挥棒，专注于将研究成果转化为产品竞争力。

哈萨比斯的角色升级：从实验室到集团科学愿景

在新的岗位上，哈萨比斯将把精力聚焦于两个核心方向：推进AGI的实现，以及加速科学发现在整个Alphabet范围内的落地。你可能没注意到，他还将继续领导Isomorphic Labs——这家从DeepMind孵化而出、专注于AI药物研发的公司。

Isomorphic Labs成立于2021年，公司名称中的"Isomorphic"（同构）体现了其核心理念：生物学、化学和物理学在信息层面具有共同的底层结构，AI可以学习这种统一的表示来加速药物设计。传统药物研发平均耗时10-15年、花费超过25亿美元，且失败率极高。Isomorphic Labs希望通过AI模型预测分子间相互作用、优化药物候选分子的性质，将这一过程大幅缩短。该公司已与礼来（Eli Lilly）和诺华（Novartis）达成总价值约30亿美元的合作协议，足见传统制药巨头对AI驱动药物发现的信心。

从更广阔的产业视角看，AI在药物研发中的应用已覆盖从靶点发现、分子生成、ADMET性质预测到临床试验优化的全链条。Isomorphic Labs的差异化优势在于继承了AlphaFold对蛋白质结构的深度理解，能够从第一性原理出发建模蛋白质-配体相互作用，而非仅依赖历史数据的统计关联。这一领域的竞争同样激烈：Recursion Pharmaceuticals主打高通量生物实验与AI的闭环迭代，Insilico Medicine的Chemistry42平台已有候选药物进入临床试验，而大型制药公司如辉瑞、阿斯利康也在大规模组建内部AI团队。

这一安排颇具深意。哈萨比斯本人是2024年诺贝尔化学奖得主（因AlphaFold在蛋白质结构预测上的突破），他一直强调AI应当成为「科学发现的引擎」。AlphaFold解决了困扰生物学界50年的"蛋白质折叠问题"——即从氨基酸序列预测蛋白质的三维结构。蛋白质的功能由其三维形状决定，而传统实验方法（如X射线晶体学、冷冻电镜）测定单个蛋白质结构可能需要数月甚至数年。

这一问题的计算复杂性令人叹为观止：一条由300个氨基酸组成的蛋白质链理论上可能的折叠构型数量超过10的300次方，这就是著名的Levinthal悖论——即使每种构型只需一皮秒来采样，穷举所有可能性所需的时间也远超宇宙年龄。AlphaFold2采用了一种名为Evoformer的创新注意力机制，从进化过程中保守的共进化信息（即多序列比对MSA）中提取氨基酸残基间的空间约束关系，结合端到端的结构预测模块直接输出原子级坐标。AlphaFold2在2020年的CASP14竞赛中达到了接近实验精度的预测水平，随后DeepMind公开了超过2亿个蛋白质的预测结构，对药物发现、酶工程、疾病机理研究等领域产生了革命性影响。2024年发布的AlphaFold3更进一步，能够预测蛋白质与DNA、RNA、小分子配体的复合物结构，为药物设计和合成生物学开辟了新空间。

此次升任Alphabet首席科学家，意味着哈萨比斯的科学愿景将从DeepMind一家机构，扩展到覆盖Google搜索、云计算、量子计算乃至生命科学在内的整个集团版图。

换言之，Google希望哈萨比斯从「造模型的人」进化为「定义科学方向的人」。这也符合他多年来反复表达的信念：AGI的终极价值不在于聊天机器人，而在于解决人类面临的重大科学难题。

Kavukcuoglu接棒：13年老将掌舵Gemini时代

接替日常运营重任的Koray Kavukcuoglu，是一位在DeepMind工作了13年的资深研究员。他并非空降的管理者，而是深度参与了DeepMind多项奠基性突破的技术核心人物。

从DQN到WaveNet的技术积淀

Kavukcuoglu的履历堪称一部深度强化学习与生成式AI的发展史：

• DQN（Deep Q-Network）：这是2013年让DeepMind一鸣惊人的成果，AI仅凭屏幕像素就能学会玩Atari游戏，奠定了深度强化学习的基础范式。DQN的核心创新在于将深度学习与强化学习首次成功结合——在此之前，强化学习主要依赖人工设计的特征来描述环境状态，而DQN直接以游戏画面的原始像素作为输入，通过卷积神经网络自动提取特征，并用Q-learning算法学习最优策略。其两项关键技术——经验回放（Experience Replay）和目标网络（Target Network）——解决了深度网络与强化学习结合时的训练不稳定问题。在DQN之前，强化学习社区普遍认为将深度神经网络作为值函数逼近器会导致训练发散——这是由自举（bootstrapping）、离策略学习（off-policy learning）和函数逼近三者构成的"致命三角"导致的。DQN通过经验回放打破数据间的时间相关性、通过定期冻结的目标网络减少自举的不稳定性，优雅地回避了这一问题。DQN在49款Atari游戏中有29款达到或超过人类水平，直接催生了后来AlphaGo中蒙特卡洛树搜索与深度策略网络/价值网络的融合，以及AlphaStar（星际争霸AI）、AlphaFold中搜索与学习结合的思路。

• WaveNet：这项技术彻底改变了语音合成领域，让机器生成的语音接近真人水平，后来广泛应用于Google Assistant等产品。WaveNet由DeepMind于2016年提出，是一种基于深度神经网络的自回归生成模型，能够逐样本（sample-by-sample）生成原始音频波形。传统语音合成系统采用拼接合成或参数合成方法，生成的语音往往带有明显的机械感。WaveNet使用扩张因果卷积（dilated causal convolutions）架构，能够捕获音频信号中的长程依赖关系，生成的语音自然度比此前最优系统提升了50%以上。值得一提的是，WaveNet的自回归逐样本生成方式虽然效果惊人，但原始版本生成一秒音频需要约90分钟的计算时间，完全无法用于实时应用。Google随后开发了Parallel WaveNet，通过概率密度蒸馏（Probability Density Distillation）技术将推理速度提升了1000倍，使其得以部署到Google Assistant中服务数十亿用户。更深远的影响在于，WaveNet验证的自回归生成范式后来成为GPT系列语言模型的核心思想——从逐样本生成音频到逐token生成文本，本质上是同一种序列建模哲学。

正是这些底层技术积累，使Kavukcuoglu成为领导下一阶段AI研发的自然人选。他将统管模型开发、AI研究和Gemini产品线，这意味着从基础研究到产品交付的完整链条将由他统一协调。

Gemini是Google DeepMind开发的多模态大模型系列，于2023年12月首次发布，被视为Google对抗OpenAI GPT-4的核心武器。Gemini从设计之初就以"原生多模态"为目标，能够同时理解和生成文本、图像、音频、视频和代码。该系列包含Ultra、Pro和Nano等多个版本。从技术架构看，Gemini 1.5采用的混合专家（Mixture of Experts, MoE）架构是一种条件计算方法：模型包含多个"专家"子网络，对于每个输入token，门控网络（Gating Network）只激活其中少数几个专家进行计算，从而在保持大模型容量的同时大幅降低实际计算开销。这一架构使Gemini能够在有限的推理成本下支持超长上下文——100万token的上下文窗口意味着模型可以一次性处理相当于数本书的内容。在基准测试中，Gemini Ultra在MMLU等综合评测上与GPT-4不相上下，而Gemini 1.5 Pro在长上下文任务上展现出明显优势。Google还通过Gemini Nano将模型部署到移动端，在端侧实现了文本摘要、智能回复等功能，形成了从云端到设备端的完整AI能力矩阵。Gemini不仅驱动Google的聊天助手，还被整合进搜索（AI Overviews）、Workspace、Android等全线产品，是Google AI战略的核心基础设施。

为何选择技术派而非纯管理者

将研究、模型与产品团队交由一位技术出身的领导者统一管理，反映出Google当前的紧迫感。当前AI行业正处于前所未有的竞争白热化阶段：OpenAI凭借ChatGPT和GPT系列模型占据先发优势，估值已超过3000亿美元；Anthropic由OpenAI前核心成员创立，其Claude模型以安全性和长上下文著称，获得了亚马逊等巨头的巨额投资；Meta选择开源路线，LLaMA系列模型快速迭代；此外还有Mistral、xAI等新兴力量。

Google虽然在AI基础研究上有深厚积累——Transformer架构即源自Google Research——但在产品化节奏上一度被OpenAI抢占先机。这背后有一段耐人寻味的历史：2017年Google Research团队发表的《Attention Is All You Need》论文提出了Transformer架构，彻底改变了自然语言处理和整个深度学习领域。然而讽刺的是，这一革命性架构的多位核心作者后来离开Google创办了各自的公司：Noam Shazeer联合创立了Character.AI（后被Google重新招揽）、Aidan Gomez创立了Cohere、Ashish Vaswani和Niki Parmar创立了Adept AI。这种"Transformer人才外流"现象某种程度上解释了为什么Google在拥有原创技术优势的情况下，反而在大模型产品化上被OpenAI抢占先机——内部的谨慎文化和产品化决策的迟缓，使得技术领先未能及时转化为市场优势。

在这样的竞争格局下，缩短「研究到产品」的转化周期至关重要。Gemini系列模型的迭代速度、多模态能力以及开发者生态的建设，都需要一个既懂前沿研究、又能推动工程落地的领导者来打通壁垒。Kavukcuoglu横跨基础研究和系统工程的双重背景，使他成为弥合这一鸿沟的理想人选。

这次调整背后的战略逻辑

从更宏观的视角看，这次人事调整传递出几个清晰的信号。

首先是分工的专业化。哈萨比斯负责「仰望星空」——把握AGI和科学发现的长期方向；Kavukcuoglu负责「脚踏实地」——保证Gemini产品在激烈竞争中不掉队。这种「愿景+执行」的双轨结构，在快速演进的AI行业中更具灵活性。它允许长期基础研究不被短期产品压力裹挟，同时确保产品团队能以最快速度将研究突破转化为用户价值。这种模式在科技行业并非没有先例：微软的Satya Nadella与Kevin Scott的分工、苹果乔布斯时代的"愿景+运营"双轨，都体现了类似的组织哲学。

其次是科学优先的定位强化。哈萨比斯升任Alphabet首席科学家，实际上把AI提升到了整个集团的战略核心地位。这与Google将AI能力注入搜索、云、Android等全线产品的整体思路一脉相承。值得注意的是，"首席科学家"这一头衔在科技公司中并不常见——它暗示Google希望在商业竞争之外，保持一种以基础科学突破为导向的长期主义定位，这也是DeepMind自创立以来一直坚持的核心文化。

最后是内部人才的稳定信号。选择13年老将而非外部引进，既保持了DeepMind的技术文化延续性，也向团队传递了内部晋升通道畅通的积极信号——这在人才争夺白热化的当下尤为重要。AI顶尖研究人员的薪酬已达到数百万美元级别，各大公司之间的人才挖角从未停歇，保持核心团队的稳定性本身就是一种竞争力。据报道，Google DeepMind的高级研究科学家年薪可达数百万美元，而OpenAI、Anthropic等竞争对手开出的条件同样极具吸引力。在这样的环境下，让内部功臣获得充分认可和上升空间，是留住核心人才的关键策略。

结语：AI巨头的下一程

Google DeepMind的这次领导层调整，本质上是一家AI巨头在AGI竞赛中重新排兵布阵的动作。哈萨比斯的科学愿景与Kavukcuoglu的技术执行力形成互补，Google正试图在「探索AGI边界」和「赢得产品竞争」之间找到平衡。

对于外界而言，接下来最值得关注的，将是Gemini在Kavukcuoglu主导下能否实现更快的迭代节奏，以及哈萨比斯能否将AI真正转化为跨领域的科学发现引擎。这两条路线的成败，或将定义Google在下一阶段AI竞争中的位置。在一个AGI可能在未来十年内实现的世界里，今天的组织架构选择，往往决定了谁能率先触及终极目标。