野史
0514 在台大誠品 買了英文本 約545元
三十年前我翻譯「加速度組織」。二周前跟阿邦說，經濟學人有無限機械INFINITE MACHINE 的書評。現正可立讀了。
----
最近2026 0426 Fortune 雜誌經常用TIPPING POINT，如企業主管面臨AI 新科技，何去何從，很像走鋼索，難平衡走過高空.....
或"雖然人工智慧目前的成本可能高於人力，但人工智慧經濟可行性達到臨界點時，將會有一些預警訊號。"
While AI may cost more than human labor today, there will be warning signs of a tipping point toward AI's economic viability. ... © 2026 Fortune ...Read more
GOOGLE 翻譯 TIPPING POINT：轉折點/臨界點
換句話說，我在2024年3月4日貼文的主張，並不那樣"正確"：
名詞 拐點 turning point, 、臨界值critical value、 TIPPING POINT引爆點，應該各司其職.....
Turning point, critical value
中國經濟正處於拐點。
這個全球第二大經濟體是怎麼陷入這種困境的？
房地產：成長引擎熄火
-----
【他先讓 AI 打敗人類，後來讓 AI 破解生命】
—— 從遊戲神童到諾貝爾獎得主，Demis Hassabis 如何把「智慧」變成未來最貴的資產
2 億個。
這不是流量。
也不是下載數。
這是 Google DeepMind 對外公開的蛋白質結構預測數量。
簡單講：
AI 已經開始能推算，人體裡那些極度複雜的「生命零件」，最後會長成什麼樣子。
2024 年，德米斯・哈薩比斯（Demis Hassabis）與約翰・江珀（John Jumper），因為利用 AI 預測蛋白質立體結構，分享諾貝爾化學獎一半獎項；另一半頒給大衛・貝克（David Baker）。
這件事很驚人。
因為他原本是做遊戲的人。
最後卻改變了生命科學的進度。
他的起點在棋盤、在電玩、在大腦研究，最後走進醫療與生物科技的核心。
更像是一條正在浮現的新規則：
未來最值錢的能力，可能是——把未知問題，變成可計算問題。
▋1976 年倫敦，一個男孩先在棋盤上學會預測未來
1976 年，Demis Hassabis 出生於倫敦。
他 4 歲開始學西洋棋，13 歲就達到大師等級（Britannica、Nobel 官方資料）。
西洋棋教他的，是預測、布局，以及為了未來犧牲現在。
後來，他用比賽獎金買了第一台電腦 ZX Spectrum，開始學寫程式。
之後，他進入劍橋大學讀電腦科學。
17 歲時，他參與開發經典模擬遊戲《Theme Park》。
玩家要管理遊樂園的人流、價格與體驗，本質上是在模擬一個小型世界。
很多人玩遊戲，是想逃離現實。
但他做遊戲，是想理解現實怎麼運作。
▋第一次創業失敗，他開始研究「智慧」本身
後來，他創辦遊戲公司 Elixir Studios。
他甚至曾試圖用遊戲模擬整個社會運作。
問題是——當時的技術還太早。
開發困難，市場反應普通，公司最後關閉。
但這段失敗，反而讓他開始思考更深的問題：
人類的大腦，到底怎麼理解世界？
於是，他離開遊戲產業，進入倫敦大學學院（UCL）研究神經科學，2009 年取得博士學位。
他研究的，是記憶、想像，以及大腦如何預測未來。
後來你會發現：
這些研究，最後全部變成 DeepMind 的底層邏輯。
▋2010 年，DeepMind 出現，AI 開始有了更大的野心
2010 年，Demis Hassabis 與夏恩・萊格（Shane Legg）、穆斯塔法・蘇萊曼（Mustafa Suleyman）共同創辦 DeepMind。
目標非常大：
打造一種能像人類一樣學習各種事情的 AI。
也就是今天大家常聽到的「通用人工智慧」。
DeepMind 一開始先讓 AI 學打經典電玩。
接著挑戰圍棋。
最後進入蛋白質研究。
看起來跨度很大。
其實邏輯一致。
遊戲，是封閉世界。
圍棋，是高複雜策略。
蛋白質，是生命世界。
他一直在做同一件事：
讓機器學會理解世界。
2014 年，Google 收購 DeepMind，公開報導金額約 4 億到 6.5 億美元。
這一刻，他從創業者，變成 Google AI 核心人物。
AI 公司大致分三種：
搶入口的、賣基礎設施的，以及建立底層能力的。
OpenAI 很像入口。
NVIDIA 在賣鏟子。
DeepMind 更像 AI 的研究母體。
因為入口可以換。
硬體可以追。
但一套能持續產生重大突破的研究系統，很難複製。
▋AlphaGo 讓人震驚，AlphaFold 開始改變醫療研究
2016 年，AlphaGo 以 4：1 擊敗韓國圍棋傳奇李世乭。
那一刻，很多人第一次感受到壓力。
因為 AI 展現的，已經不只是計算能力。
還有策略、創造，以及人類沒看過的下法。
但真正改變世界的，是後面的 AlphaFold。
2020 年，AlphaFold2 開始能預測蛋白質立體結構。
過去科學家可能花好幾年，才知道一個蛋白質最後會怎麼折疊。
AI 現在幾乎能快速猜出答案。
這會直接影響藥物、疾病與癌症研究。
Nobel 官方指出，AlphaFold 幾乎預測了所有已知蛋白質結構，目前資料庫超過 2 億筆，全球研究者都能使用。
AI 開始碰的，
已經不是工作流程。
而是人類過去只能靠頂尖科學家慢慢推進的領域。
▋他的價值，不只是一家公司，而是一種能力
如果你還在用短期營收評估 DeepMind，可能還沒看懂這家公司。
它真正的價值，在三件事：
技術。
人才。
還有持續解決新問題的能力。
2023 年，Google 將 DeepMind 與 Google Brain 合併，由他領導。
這代表：
當 AI 變成科技主戰場時，他坐在核心位置。
Google 買下的，也不只是一間 AI 公司。
它買下的，
更像是未來 AI 戰爭的研究母體。
▋他一輩子，都在做同一件事
他的個性不高調。
不像 Elon Musk，也不像 Sam Altman。
更像棋手。
看遠。
慢慢布局。
一步一步往前推。
公開資料顯示，他已婚、育有子女，妻子從事阿茲海默症研究。
把他的人生串起來，你會看到一條很清楚的線：
西洋棋。
遊戲。
大腦。
AI。
生命科學。
他一輩子，只在做一件事：
把世界變成可以計算的東西。
▋未來最貴的資產，可能是「發現未知」的能力
AI 的戰場，正在快速改變。
不只是聊天機器人。
不只是圖片生成。
而是藥物、能源、材料、機器人與科學研究。
所有需要大量試錯的領域。
DeepMind 做的，也不只是產品。
它正在把「發現」這件事，變成可以被加速的流程。
投資一家公司，本質是在押一件事：
它能不能持續解決新的問題。
他把棋局交給 AI。
把策略交給 AI。
把科學交給 AI。
下一步——
可能是把「未知本身」，交給 AI。
—
💡 你認為，AI 下一個可能顛覆的是哪一個領域呢？
我是博祥。
用產品人的眼，看產業；用投資人的腦，判斷公司。
這是《科技破浪者》系列第 12 集，共 100 集：
這個系列，專門拆解科技浪潮裡，超額報酬可能從哪裡來。
如果你也想看懂科技變化背後的投資訊號，歡迎追蹤。
一起看懂科技，佈局未來。
-----無限機械INFINITE MACHINE 書評 朱教授高
這是一本超級棒的書，但我的書評也提出若干挑戰
此書記述 Hassabis 的智慧探索之旅。Hassabis 大概是 AI 最偉大的推手，他的貢獻每一樁都是超重量级的。大家耳熟能詳的包括：推出 AlphaGo 程式，殺遍各國職業圍棋十段高手；推出 AlphaFold 程式，徹底完解蛋白質摺疊之謎，對生物科技與醫療科技做出革命性貢獻，也榮獲諾貝爾化學獎；推出 Gemini LLM 模型，後來居上，表現超過 ChatGPT4。一個人獨攬這麼多重大成就，差不多是 Einstein 這一級的人物。說 Hassabis 是天才，大概沒有人會反對。
這本「天才成功傳記」好看，還有另外一個原因：Hassabis 個性平和，不討人厭。像 Steve Jobs、Elon Musk 等人都很成功，但是他們都像是變態的偏執狂，動不動狂飈駡人、霸凌部屬、壓迫別人沒日沒夜地加班、完全沒有耐性。但至少在這本傳記裏，作者訪談 Hassabis 周邊數十人，沒有人表達對 Hassabis 的惡質評論。事實上，有許多學界教授在拿到諾爾奬之後就「性情大變」，大概是被榮耀光環衝昏了頭，也容易表現出頤指氣使的陰暗面。Hassabis 光環若此居然還表現「正常」，那還真不容易。
作者 Mallaby 筆下功夫了得，他能夠把 Hassabis 推動 AlphaGo, AlphaFold, Gemini 等重要 AI 模型過程中的技術困難、突破方法、信念方向等，都用「白話文」講清楚。什麼是深度學習、什麼是強化學習、什麼是剪枝、AI 如何跳躍推理等，作者都解釋得非常到位，但又能讓一般讀者看懂，很不容易。
此書好看已如前述，但是我對 Hassabis 的論點有若干不同的看法，以下記述之。
做 AI 的人常提出 singularity 的論點，意思是這樣的：AI 的發展快速已經有目共睹，許多人預測也許再十年、十五年，AI 的智慧可以超越人類。屆時，諸如新藥研發、大氣運作模式、零碳能源、工業技術等，都可以因為「比人類更聰明許多」的智慧機器（即AI) 加入探索而大幅進步，其進步速度將顯著高於人類原本的科技發展速度，超越我們的預測與想像，像是數學上的「奇點」，謂之 singularity. Hassabis 心中的 AGI (artificial general intelligence) 的最後一哩路，差不多就是到達 singularity 之前的狀態。我不同意這個 intelligence singularity 的推論；關鍵在於：如何定義「智慧」。
Hassabis 說，「智慧的本質就是在無窮無盡的噪音中找出模式。所謂直覺，無非就是一種高明的演算法」（p.183)。「任何能在自然界中生成或觀察到的模式，古典的學習演算法皆能有效的發現」（p. 472)。我想，以上的描述，頂多只適用 natural sciences 的智慧或知識。對於 social sciences 或 humanities, 智慧的出現從來就不是這樣的。讓我舉個例子:
1929 年全球經濟大恐慌，歐美國家失業率動輒近 30%，各國政府簡直不知道怎麼辦。這事情嚴不嚴重呢？當然嚴重；我們大概可以說：經濟大恐慌促成了納粹的崛起與二次世界大戰，涉及幾千萬人命。當時，各國之所以束手無策，是因為「歷史上沒有這種事」。用資訊科學的名詞來說：人類社會從來就沒有「30% 失業率的 data point」。在工業革命之前，人類經歷了幾千年的小農社會，根本沒有什麼全球殖民、機器生產線大規模製造、跨國企業營運。那個時候，根本沒有總體經濟學。Keynes 的智慧是：他提出一套「解決經濟大恐慌」的理論。我在這裡不講太多細節，但是大致而言，Keynes 的解決方法是有道理的。事實上，2008 金融海嘯之所以能夠快速解決，多少也因為 Keynes 在 80 年前的理論貢獻。
我想強調的是：80 年前，人類歷史上就是沒有「大規模失業」的觀察點。即使把今天算力無窮的 AI 程式架設在 1929 年的歐洲，我不相信 AI 能夠提出 (類似) Keynes 的解決方案。簡單說，1929 年 Keynes 面對的是一個新的現象, 他的貢獻是對這個歷史上從未出現的狀況，提出一套理論以及解決問題的方法。Keynes 做的事情，叫作典範轉移 (paradigm shift).
其實，絕大多數重要的社會科學跨步，都有典範轉移的特色。再舉一例：古早的外部性 (externality) 研究，其所探討的主題都是二手菸、廢氣排放之類，所涉對象不多，解決之道不外乎課稅、禁止。但是全球暖化這種外部性，本質上就是「幾十億人」的集體外部性，這個時候可轉讓排放許可 (transferrable emission permits, TEP) 的提出，就是一種典範轉移的社會科學智慧。TEP 這個智慧有沒有用呢？當然有大用。我甚至認為，TEP 的重要性大於任何目前提出的減碳科學方法。
復舉一例。古典的自由主義源起於英國，但不論是 utilitarianism 或是 libertarianism 都不能面對「奴隸是否該有自由」的問題。這個困境的解決，又要靠政治哲學家 John Rawls 的egalitarian liberalism 的提出；這又是一個對古典自由主義的典範轉換。
又一例：幾十年前，許多人都讚歎美國社會機會均等、人人努力都能出頭，唯有社會學家 Michael Young 提出：獎勵努力之人的 meritocracy，容易產生「污名化弱者」的弊病。這個見解本身略嫌單薄，但卻是後來 communitarianism 的基石，而 communitarianism 又是另一種社會科學創見。
以上討論的重點是：我不認為上述這些智慧提升，是 AI 演算法能夠創造出來的。即使時光倒轉，容許你把 Gemini 套到 60 年前，但要它「僅能用 60 年前的文獻閱讀，請 Gemini 提出解決全球暖化的建議方案」，我不相信 Gemini 能夠回答出 transferable emission permits 這樣的答案。
我覺得，社會科學與自然科學有兩個不同。自然科學的「規則」已經客觀存在，幾萬年內不會改變，只是「等待」被發掘。相對論如此、量子力學如此、DNA 雙螺旋如此、Fermat’s Last Theorem 如此、蛋白質折疊如此。但是人類的社會一直在變：一下出現經濟大恐慌、一下子出現結構債、一下子川普當選、一下子大谷翔平的天價合約受到合理與否的挑戰、一下子美國推動 WTO, 一下子美國又把 WTO 打成殘廢、一下子柏林圍牆倒塌、一下子 Fukuyama 認為天下底定、一下子卻又普丁崛起。社會科學可以對社會運作的規則提供智慧，但是我們面對的社會是動態的、變動的，與自然科學截然不同。社會的變化大，表示背後的 modeling structure 也在變動。這時候，AI 的那一套訓練方法，功效就有限了。又因為社會變化大，所以社會科學的智慧往往是典範轉移型的。
其次，社會是人的組成，社會上最最複雜、最最難以名狀的東西，就是人的「互動」。如果說圍期的複雜組合有 10 的 172 次方，人與人互動的複雜度絕對不亞於此。更嚴重的是：我們知道怎麼把「下圍棋」模型化，但是我們完全沒有能力把幾百萬人之間的互動模型化。Gemini 只是把人的「語言」模型化，但這與人的「互動」截然不同。伊朗人如何應付美國？金小胖如何應對北韓人民？這些都是全然無邊無際的狀態。處理伊朗問題確實需要一些直覺，但這與 Hassabis 所說的「直覺，無非就是一種高明的演算法」實在是太遙遠。演算法絕對解決不了伊朗問題。
所以，我不認為 AI 會產生知識的 singularity state. 只要我們對知識的定義包括 humanities and social sciences, 這個 singularity prediction 就絕不可能。尤有甚者，我認為如果 AI 創造了自然科學智慧突破的 singularity state, 那麼人類社會的互動會遠比現在更複雜。Hassabis 把 AGI 的威力想像成原子彈，許多人希望創造一個類似「聯合國防止核武擴散」的規範，用它來規範 AI. 我認為這就是自然科學沙文主義者 naive 的地方。核武擴散，規範得了嗎？巴基斯坦、北韓、印度、伊朗，一個個不都突破了嗎？核武的製造需要實體的設施，規範檢查還算容易，但是「發展惡毒的 AGI」無聲無息，這哪裡有可能規範？我每次看到 Elon Musk 呼籲要規範 AI 發展就覺得好笑。一個畢生追求壟斷技術與市場的咖，他提出這種公益性呼籲，真的是標準的司馬昭。
結論是這樣的：Singularity of intelligence advancement? Well, for natural sciences at most. 我會寫一篇學術論文好好探討。
