Demis Hassabis 談 AI 的日常用法：從 Gemini 腦力激盪到 co-scientist 自動生成假設

重點速覽 6 分鐘閱讀

Demis 主要把 Gemini 當腦力激盪與 sparring partner，也用它快速抓住陌生研究領域的重點。
co-scientist 是在 Gemini 上加掛工具與 harness 的微調版本，專門協助生成假設、分析資料、彙整文獻。
AlphaFold 目前已有超過 300 萬名研究者在使用，衍生出「二階諾貝爾」的想像。

多數關於 DeepMind 的討論都聚焦在 AlphaFold 得諾貝爾獎這種里程碑。但在這場與 Demis Hassabis 的輕鬆對談裡，更有意思的其實是另一個層次的問題：這些模型在日常裡到底怎麼被用——包括一般人、也包括 Demis 自己。

以下把對談內容整理成幾個重點。

長脈絡模型在醫療影像上的真實案例

對談中一位提問者分享了自己的經歷：母親做完健康掃描後，拿到的是一個很大的影像檔案，而正式評估報告要等好幾週，家人在等待期間非常焦慮。他後來想到 Gemini 的 long context 能力，就把掃描檔丟給它分析，Gemini 判斷「不用擔心，沒問題」，而後來醫師的判讀也證實了這個結果。

Demis 回應說，這類軼事他們聽過很多——人們把 Gemini 用在健康相關的問題上，在某些情況下甚至能救命，他認為這是個很了不起的使用情境。

同一段對談也提到，DeepMind 釋出的 Gemma 4 是免費的本地模型，理論上也能做到類似的事，被形容為「給一般人的禮物」。

需要提醒的是：這是對談中分享的個人經驗，不是醫療建議。模型的判讀不能取代專業醫師的正式評估。

Demis 自己怎麼用 Gemini

提問者引用 Nvidia 的 Jensen Huang——他說自己把 LLM 當成做決策時的 confidant（知己／參謀）——並問 Demis 會不會也這樣用。

Demis 的回答很具體：

他目前還沒把它當成 confidant，但主要拿來做腦力激盪：想專案點子、想專案名字、發想各種創意。他很喜歡把它當成這件事的 sparring partner（對練夥伴）。
另一個主要用途是快速掌握陌生領域：當他想了解一個自己不那麼熟的新研究方向時，用它來彙整、摘要那個領域，快速抓到主要的 key points。

至於「請它批評自己的想法」這件事，Demis 說他確實會用 Deep Think（對談中與數學奧林匹亞等級的推理連在一起提到）來幫他把已經在想的一些步驟從頭想過一遍。不過他傾向用比較協作的框架，而不是叫它「更嚴厲一點、把這個想法的缺陷全找出來」——他自己也承認，或許可以試著讓它更狠一點。但整體來說，他把它當成一種 sparring partner。

這裡有個對工程師實用的觀察：同一個模型，用「協作對練」還是「找碴挑錯」的框架去 prompt，得到的產出會很不一樣。

從諾貝爾獎到「二階諾貝爾」

對談中也聊到 Demis 因 AlphaFold 拿到諾貝爾獎（提問者開玩笑說，這是「主題樂園 AI」終於得到應有的肯定——呼應 Demis 早年做遊戲的背景）。

真正有意思的是 John Jumper 的一句話：他期待有一天，有人用你的 alpha 技術去發明出某個東西，然後那個東西再去拿諾貝爾獎。提問者把這個概念命名為「second order Nobel（二階諾貝爾）」。

Demis 認為這是有可能發生的——他提到目前已經有超過 300 萬名研究者在使用 AlphaFold，這些人都在做非常重要、非常有影響力的工作。以這個規模來看，Jumper 說的那一天總會到來，而那會是很了不起的時刻。

co-scientist：把 Gemini 變成研究助理

對談重點之一是 DeepMind 的 co-scientist 系統。Demis 的說明很清楚：

你可以把 co-scientist 想成是 Gemini 的一個微調版本，在上面加掛了額外的工具與 harness，專門用來協助研究工作。

它的定位是一個很好的研究助理，主要幫忙三件事：

生成假設（hypothesis generation）
分析資料
彙整文獻

換句話說，它不是要取代研究者，而是接手研究流程裡那些耗時、可被輔助的環節。

flowchart LR
    G[Gemini 基礎模型] -->|微調 + 額外工具/harness| C[co-scientist]
    C --> H[生成假設]
    C --> D[分析資料]
    C --> L[彙整文獻]
    H --> R[研究者作為研究助理使用]
    D --> R
    L --> R

假設生成器的實測體感

對談中有人實際用了 co-scientist 的假設生成器，分享了幾個很具體的使用體感：

它會要你把想法收窄：你只是丟出一個籠統的說法，系統會反過來引導你把 idea 講得更明確。
它會花時間跑：這位使用者提到等了大約八小時才拿到結果。
它在冷門領域也管用：他把它用在自己的老本行——ray tracing 的 global illumination，這是一個訓練資料很少、做的人也很少的方向。即便如此，系統跑出來的結果讓他覺得「這太驚人了」，回饋了一些有道理、有幫助的想法，而不只是在熱門主題上表現好。

這一點對評估這類研究型 AI 很關鍵：真正的價值不在於它能在資料充足的熱門題目上答得漂亮，而在於它能不能在資料稀薄、少人涉足的角落給出 sensible 的方向。