The Infinity Machine: Demis Hassabis, DeepMind, and the Quest for Superintelligence

全書精華

主要主題、論點、核心訊息

• 主要主題：本書透過記錄天才科學家兼創業者德米斯．哈薩比斯（Demis Hassabis）與其創辦的 DeepMind 的發展軌跡，探討人類追求「通用人工智慧（AGI）」的過程與科學突破（如 AlphaGo、AlphaFold），以及大型科技巨頭間激烈且失控的 AI 軍備競賽。
• 核心論點：哈薩比斯深信「資訊」是宇宙最基礎的單位，而 AGI 是一部能夠在無盡數據中找出規律的「無限機器（Infinity Machine）」。透過結合神經科學的直覺、深度學習與強化學習，AI 不僅能模仿人類，更能透過自我博弈產生超越人類的直覺與創造力，進而解開生物學與物理學的終極科學謎團。
• 核心訊息：人工智慧是人類史上最具顛覆性的發明，蘊含著治癒疾病與帶來「超級豐饒（superabundance）」的烏托邦潛力。然而，在資本市場的競爭、地緣政治角力與加速主義的推波助瀾下，負責任的安全治理變得極度困難，人類正處於駕馭這股神級力量或走向失控毀滅的歷史分岔點。

掌握作者思路必懂的關鍵要點

• 神經科學與 AI 的融合：哈薩比斯認為人腦是通用智慧唯一的「存在證明」。將大腦運作機制（如海馬迴的記憶重播、系統一的直覺與系統二的思考）轉化為演算法，是讓機器具備適應性與靈活智慧的關鍵起點。
• 深度學習與強化學習的雙劍合璧：深度學習擅長從海量人類數據中找出模式；而強化學習（RL）則讓系統能透過與環境互動、自我博弈（如 AlphaZero）累積經驗。兩者的結合使 AI 超越人類知識的局限，產生真正「超人類」的新知識與策略。
• 推動科學發現的「無限機器」：對 DeepMind 而言，研發 AI 的終極目的並非單純推出聊天機器人，而是將其作為解開自然界湧現屬性（emergent properties）的終極科學工具。AlphaFold 成功預測蛋白質結構，正是 AI 顛覆傳統科學研究路徑、推動人類醫學發展的完美例證。
• 創新者的窘境與加速主義的碰撞：Google 早期受限於商業聲譽與搜尋引擎利益的「創新者窘境」，對發布 AI 產品極度謹慎。相反，OpenAI 受到矽谷「快速發布、搶占先機」的加速主義驅動，強行推出 ChatGPT，從而徹底打破了平衡，引爆全球 AI 軍備競賽。
• 對齊難題與安全治理的幻滅：哈薩比斯與蘇萊曼曾試圖在 Google 內部建立獨立的 AI 安全審查委員會，但最終因企業利益衝突與競爭動態而失敗。這揭示了在強大資本與國家安全動機下，要全球協調、安全地發展 AGI 幾乎是不可能的任務。
• 古典運算超越量子迷思：哈薩比斯反駁了羅傑·潘洛斯（Roger Penrose）等人認為大腦直覺需要量子力學解釋的觀點。他主張只要透過龐大的神經網路與機器學習跨越到「歸納法」，傳統的「圖靈機（古典電腦）」就足以參透宇宙中最複雜的模式與真理。

反主流洞見

真正超越人類的智慧無法單靠語言大數據，必須依賴「強化學習」的經驗法則

• 差異點：在 ChatGPT 引爆熱潮後，主流觀點認為只要不斷擴大語言模型的規模與人類數據量，就能通往通用人工智慧（AGI）。
• 作者論證：人類數據雖然能讓模型具備廣泛的知識，但其上限就是「人類的最高水準」。要達到「超人類」的智慧，發現人類未知的知識或策略，機器必須跳脫對既有數據的模仿，透過「強化學習（Reinforcement Learning, RL）」在環境中自主試錯與反思。單純預測下一個文字無法產生真正的深層邏輯推演，唯有結合能自我探索的代理人（Ag ent），才能跨越語言資料耗盡的「數據牆」。
• 相關案例：DeepMind 的 AlphaZero 拋棄了所有人類棋譜，僅透過自我對弈，就發明了人類大師從未見過的全新下法（如 AlphaGo 的第 37 手）。而在近期（如 2024 年後），OpenAI 推出 o1 模型以及中國 DeepSeek 推出 R1-Zero，皆證明給予模型「思考時間（test-time compute）」並運用強化學習，才是突破數學與邏輯推理瓶頸的關鍵。

確保 AI 安全的終極解方是「底層工程」，而非「公司治理與道德委員會」

• 差異點：面對 AI 的潛在威脅，外界與許多內部改革者（如 DeepMind 的 Mustafa Suleyman）主張建立獨立的道德審查委員會、非營利結構，或藉由法規來監督 AI 企業的決策。
• 作者論證：由於商業競賽壓力與龐大的利益，單靠人類的政治角力與信任機制（公司治理）註定會失敗。真正的 AI 安全必須從模型內部「設計」出來，這是一個技術挑戰，而非單純的法律或政治挑戰。人類必須在技術層面打開神經網路的黑盒子，才能確保超級智慧遵守規則。
• 相關案例：DeepMind 為醫療數據設立的獨立審查小組，最終在母公司 Google 重組時遭到無情解散；OpenAI 的非營利董事會試圖開除執行長 Sam Altman，也因資本與員工反彈而宣告失敗。相反地，安全科學家 Geoffrey Irving 推動的「機制可解釋性（Mechanistic Interpretability）」，透過辨識神經網路內部的特定迴路來解讀與修改模型的「思維」，這類技術手段才是對齊（Alignment）AI 行為的最可靠路徑。

宇宙的底層邏輯與人類意識不需要「量子計算」，傳統電腦的極限被嚴重低估

• 差異點：物理學家羅傑·潘洛斯（Roger Penrose）等主流學者認為，人類的直覺、意識及宇宙最深層的奧秘無法被傳統的二進位電腦（圖靈機）複製，必然涉及未知的「量子效應」。
• 作者論證：Demis Hassabis 強烈反對此觀點，他認為量子力學的「多重宇宙」或「疊加態」在計算上極度缺乏效率，自然界不太可能依賴如此無效率的設計。大自然經過漫長演化，必然存在某種可被學習的「模式」，只要透過足夠強大的傳統演算法（如深度學習與強化學習）進行歸納，傳統電腦（圖靈機）就能破解生物大腦甚至普朗克尺度（Planck scale）的奧秘。
• 相關案例：AlphaFold 的成功就是最佳證明。蛋白質的摺疊方式在理論上有天文數字般的可能組合（$10^{300}$種，遠超過宇宙中的原子數量），但 AlphaFold 不需要量子電腦的疊加態，僅靠傳統電腦的深度學習架構與模式識別，就能精準預測蛋白質的三維結構。

科學突破不需要「完美可解釋的法則」，接受「黑盒子」的暴力規模化反而更有效

• 差異點：傳統學界認為，科學發現與 AI 應該建立在清晰、可解釋的邏輯規則與專家系統之上；如果不了解內部機制（黑盒子），就不該使用它。
• 作者論證：AI 發展的「苦澀教訓（Bitter Lesson）」表明，人類手工設計的精巧演算法，最終都會敗給單純擴大運算算力與數據規模的「暴力方法」。生物學與大自然過於混亂且充滿湧現性（emergent properties），與其試圖用完美的物理方程式去描述，不如交給龐大的神經網路自行在無盡的數據中歸納出模式。
• 相關案例：在蛋白質摺疊預測中，著名的 D. E. Shaw 實驗室試圖用精確的牛頓力學與量子力學方程式來模擬原子間的受力，結果仍遭遇瓶頸。而 DeepMind 的科學家 John Jumper 放棄了純粹的物理規則，改用機器學習的黑盒子盲猜與修正，最終突破了結構生物學幾十年的難題。

內化行動計畫

1. 絕地武士說服法

• 行動目標：在資源匱乏時，透過極致的信念與願景招募頂尖人才。
• 記憶鉤子：絕地武士說服法——用絕對的信念扭曲現實，讓人無法拒絕。
• 故事或例子：Hassabis 在創辦 Elixir 時缺乏資金，但他帶著無比的自信與熱情找上大學好友 David Silver 與 Joe McDonagh 等人。透過強大的說服力與願景描繪（被 Silver 戲稱為「絕地武士心靈控制」），他成功讓這群頂尖人才放棄安穩工作，加入這家看似瘋狂的新創團隊，甚至讓人們相信他所說的一切終將成真。
• 觸發情境：需要招募關鍵人才或爭取投資，但手上缺乏實質資源或高額薪酬時。
• 對象與場景：創業者、專案發起人；招募面談或募資簡報。
• 具體步驟：
  • 步驟一：徹底內化你的願景，達到連自己都對這個宏大目標深信不疑的程度。
  • 步驟二：針對對象的痛點與熱情，描繪一個具有歷史意義或顛覆性的挑戰。
  • 步驟三：展現絕對的自信與決心，用情感感染力與宏大敘事取代單純的數據說服。
• 可衡量的成果：成功招募到至少一位原本猶豫不決、或市場價值遠高於你現有資源的關鍵核心成員。
• 失敗補救機制：若對方不買單，改為提供兼職顧問或短期合作選項，降低其參與門檻。

2. 點子流動測試法

• 行動目標：判斷陷入瓶頸的高難度專案是否值得繼續投資與推進。
• 記憶鉤子：點子流動測試法——別管點子對不對，先聽它們流不流暢。
• 故事或例子：AlphaFold 團隊在結構預測準確率停滯在 60 分時，專案負責人提議見好就收。Hassabis 拒絕妥協，他召集團隊進行腦力激盪。他評估專案潛力的標準不是點子能否立刻奏效，而是「點子產出的流暢度」。因為團隊能順暢地拋出各種新假設，他判定專案仍有救，最終促成直接摺疊法的突破，奪下 CASP 冠軍。
• 觸發情境：團隊專案卡關，高層猶豫該停損放棄還是繼續堅持時。
• 對象與場景：專案經理、企業高管；專案檢討與腦力激盪會議。
• 具體步驟：
  • 步驟一：召集核心成員，宣布暫時拋開所有現有 KPI 與實作限制。
  • 步驟二：進行純粹的創意激盪，要求團隊針對瓶頸提出大膽的假設與解法。
  • 步驟三：觀察點子流動的狀態。若創意源源不絕且具說服力則加碼投資；若死氣沉沉則果斷停損。
• 可衡量的成果：在一小時的腦力激盪會議中，團隊能產出至少三個具備測試價值的新假設。
• 失敗補救機制：若會議陷入僵局，引入外部專家或跨部門同事注入新視角後再測一次。

3. 執行與教練分離術

• 行動目標：避免系統或團隊陷入自我膨脹的短視盲點，建立健康的學習迴圈。
• 記憶鉤子：執行與教練分離術——拉開反饋的距離，才能看見真正的策略。
• 故事或例子：DeepMind 訓練玩《Seaquest》遊戲的 AI 時，AI 發現發射魚雷能得分，便陷入瘋狂射擊的短視盲點，預期分數無限膨脹後崩潰。Vlad Mnih 透過將 AI 拆分為「只負責執行的網路」與「負責觀察的教練網路」來解決此問題。教練累積足夠的長期觀察後，才將智慧一次性傳遞給玩家，成功打破惡性循環。
• 觸發情境：團隊過度追求短期績效，導致策略僵化或忽視長期目標時。
• 對象與場景：營運主管、教練、AI 開發者；績效管理與員工培訓。
• 具體步驟：
  • 步驟一：將負責第一線執行的團隊與負責評估優化的角色拆分。
  • 步驟二：執行者專注於當下行動，評估者（教練）只負責觀察，不立即給予干預或反饋。
  • 步驟三：經過一段完整的觀察期後，評估者才將總結後的修正策略同步給執行者。
• 可衡量的成果：團隊策略不再頻繁朝令夕改，且能在下一季度展現出兼顧長短期的多元策略。
• 失敗補救機制：若執行端出現可能導致專案失敗的致命錯誤，教練仍需具備「緊急煞車」的干預權限。

4. 膠水人才包容法

• 行動目標：極大化頂尖天才的產出，消除其社交與行政上的弱點影響。
• 記憶鉤子：膠水人才包容法——保護怪才的脆弱，讓他們在絕對優勢上發光。
• 故事或例子：DeepMind 招募了許多在社交上極度笨拙、甚至會把自己鎖在廁所裡的頂尖科學家。為了讓這些天才發揮最大價值，Hassabis 聘請了一批具備強大同理心與協調能力的「膠水人才（專案經理）」來像母親般照顧他們，讓天才們免於應付行政庶務與人際摩擦，專注於突破科學極限，形成強大互補。
• 觸發情境：團隊中擁有技術頂尖，但缺乏社交、溝通與行政能力的邊緣型人才時。
• 對象與場景：HR、部門主管；團隊組建與日常協作管理。
• 具體步驟：
  • 步驟一：辨識出團隊中高智商但低情商或不善行政管理的關鍵技術人才。
  • 步驟二：為他們配備一位情商極高、善於溝通與打理細節的專案經理。
  • 步驟三：建立比較利益文化，明確告知天才只需專注研發，將跨部門溝通與雜事交由膠水人才。
• 可衡量的成果：頂尖技術人才參與無效會議與處理行政庶務的時間減少 80% 以上。
• 失敗補救機制：若膠水人才因情緒勞動感到心力交瘁，需給予其極高的內部認可與實質的獎金補償。

5. 排行榜突擊隊

• 行動目標：在極短時間內將鬆散的團隊整合，集中火力攻克單一技術難關。
• 記憶鉤子：排行榜突擊隊——拋棄頭銜與資歷，讓冷酷的數據決定一切。
• 故事或例子：面對 OpenAI o1 模型的強大威脅，Google DeepMind 需要快速反擊。Jack Rae 等人召集突擊隊，將鬆散的研究員整合。他們訂下鐵律：所有人只能為同一個模型貢獻，任何人都能提出改進，但唯一決定點子是否採用的標準，是該改進能否在測試的「排行榜」上提升分數，這徹底消除了學術傲慢與派系鬥爭。
• 觸發情境：面臨強大競爭對手的突襲，需要全公司跨部門緊急協作應戰時。
• 對象與場景：專案總監、技術長；緊急危機處理或新產品衝刺開發。
• 具體步驟：
  • 步驟一：宣布進入戰時狀態，凍結所有次要專案，將資源與人員集中於單一目標模型。
  • 步驟二：建立一個透明、客觀且能快速驗證成效的內部測試「排行榜」。
  • 步驟三：實施絕對的數據績效制，無論資歷深淺，只採納能提升排行榜分數的提案。
• 可衡量的成果：在規定時間內（如一個月），專案核心指標出現顯著且可驗證的躍升。
• 失敗補救機制：若只看單一指標導致衍生其他問題（如安全性下降），需在排行榜中加入懲罰權重機制。

整體執行建議

• 搭配方式：在專案啟動與招募期，使用【絕地武士說服法】吸引一流人才，並以【膠水人才包容法】確保團隊協作順暢。當日常研發陷入瓶頸，運用【點子流動測試法】評估是否續推，或用【執行與教練分離術】打破短視盲點。若遭遇外部強大競爭危機，則全面啟動【排行榜突擊隊】進行焦土反擊。
• 執行週期：【膠水人才包容法】與【執行與教練分離術】為日常管理的常態機制；【點子流動測試法】以季度或專案里程碑為檢核點；【排行榜突擊隊】僅限短期（1-3個月）的極限衝刺使用。
• 防棄機制：
  1. 設立客觀的「點子流動觀測員」：在腦力激盪時指定一人專門記錄提案數量與頻率，避免主管因個人偏好誤判專案死活。
  2. 教練權責絕對隔離：嚴格限制教練（評估者）在觀察期間對執行者發號施令的權限，可透過物理隔離或系統權限控管來強制執行。

記憶卡片總表