แผนที่ฮัสซาบิส: วิธีการวางแผนสำหรับยี่สิบปีโดยไม่มีปฏิทิน

TL;DR:เดมิส ฮัสซาบิสไม่ได้คาดการณ์อนาคต เขาสร้างแผนที่ของปัญหาที่สำคัญแต่ยังไม่สามารถแก้ไขได้ จากนั้นรอให้เทคโนโลยีตามทัน การค้นพบการพับโปรตีนใช้เวลาทำงานสี่ปี—และเตรียมการยี่สิบปี บทเรียน: วางแผนตามเงื่อนไขกระตุ้น ไม่ใช่ตามไทม์ไลน์ ค้นหาโหนดราก ไม่ใช่ใบไม้ และอย่าสับสนระหว่างการติดตามแนวโน้มกับการติดตามโอกาส

เจมส์ที่นี่, CEO ของ Mercury Technology Solutions. ฮ่องกง — กรกฎาคม 2026

ในปี 2016, AlphaGo เอาชนะลีเซโดล และโลกได้รู้จักชื่อเดมิสฮัสซาบิส สิ่งที่แทบไม่มีใครสังเกตเห็น: ในเที่ยวบินกลับจากโซลไปลอนดอน เขาได้เริ่มโครงการพับโปรตีนที่ทำให้เขาได้รับรางวัลโนเบลสาขาเคมีในปี 2024.

สี่ปีต่อมา, AlphaFold2 แก้ปัญหาที่มีมานานห้าสิบปี แต่เรื่องราวที่แท้จริงไม่ใช่สี่ปีนั้น มันคือยี่สิบปีก่อนหน้านั้น.

ฮัสซาบิสพบกับปัญหาการพับโปรตีนครั้งแรกในฐานะนักศึกษาในระดับปริญญาตรีที่เคมบริดจ์ในปี 1990 เขากำลังศึกษาเกี่ยวกับวิทยาการคอมพิวเตอร์ ไม่ใช่เคมี เขาจะไม่เริ่ม DeepMind จนกว่าจะอีกหนึ่งทศวรรษ เขาจะไม่แตะต้องการพับโปรตีนเป็นเวลาสองปี.

คนส่วนใหญ่ดูสิ่งนี้และเห็นอาชีพที่มีการกระโดดที่แปลก: เกม, ประสาทวิทยาศาสตร์, AI, ชีววิทยา แต่ถอยกล้องกลับไป และทุกการเคลื่อนไหวเป็นการตัดสินใจที่ตั้งใจ ปริญญาวิทยาการคอมพิวเตอร์, ปริญญาเอกด้านประสาทวิทยาศาสตร์ทางปัญญา, บริษัทเกม, ห้องปฏิบัติการ AI—แต่ละชิ้นเป็นการเคลื่อนไหวบนกระดานที่มีเพียงเขาเท่านั้นที่มองเห็น.

ถ้าฮัสซาบิสเรียนเคมีในระดับปริญญาตรี เขาอาจจะไม่สามารถแก้ปัญหาการพับโปรตีนได้.นี่คือส่วนที่ขัดแย้งกันอย่างไม่คาดคิด การค้นพบที่ต้องการคนที่สามารถถือหลายสาขาในหัวได้พร้อมกัน ผู้ที่เข้าใจว่า AI สามารถทำอะไรได้ก่อนที่ AI จะสามารถทำมันได้จริงๆ

นี่ไม่ใช่ชีวประวัติ นี่คือการวิเคราะห์วิธีที่เขาคิดเกี่ยวกับการวางแผน—และสิ่งที่เราส่วนใหญ่สามารถขโมยมันไปได้

รอยแตกในน้ำแข็ง

ฮัสซาบิสทำงานในสิ่งที่ฉันเรียกว่า รอยแตก—ช่องว่างระหว่าง "เป็นไปไม่ได้" และ "ชัดเจน"

ในด้านหนึ่ง คุณมีปัญหาที่ทุกคนกำลังทำงานอยู่ หัวข้อที่ร้อนแรง สาขาที่กำลังเป็นที่นิยม สิ่งที่คณะกรรมการให้ทุนและการอภิปรายในงานประชุมเกี่ยวกับ สิ่งเหล่านี้มีการแข่งขันกันอย่างหนาแน่น ผลตอบแทนถูกแข่งขันกันไปก่อนที่คุณจะเริ่ม

ในอีกด้านหนึ่ง คุณมีปัญหาที่ทุกคนเห็นด้วยว่ามีความสำคัญแต่ในปัจจุบันไม่สามารถแก้ไขได้ แนวหน้าห่างไกลเกินไป เครื่องมือไม่มีอยู่ สิ่งเหล่านี้คือสุสานของวิทยานิพนธ์ปริญญาเอกที่ถูกทิ้งร้างและสตาร์ทอัพที่ล้มเหลว

รอยแตกคือแถบแคบที่อยู่ระหว่าง:ปัญหาที่สำคัญที่เป็นเกือบสามารถแก้ไขได้ ยังไม่ใช่ แต่เร็วๆ นี้ เส้นทางเทคโนโลยีชัดเจน แม้ว่าตารางเวลาจะไม่ชัดเจนก็ตาม

ฮัสซาบิสไม่ได้คาดการณ์ว่าการพับโปรตีนจะสามารถแก้ไขได้ในปี 2016 เขาไม่สามารถทำได้ สิ่งที่เขาทำคือการรักษาแผนที่ของปัญหาในรอยแตกนั้นและติดตามว่าปัญหาใดกำลังเข้าใกล้การแก้ไขเมื่อความสามารถของ AI ก้าวหน้า

สิ่งนี้ต้องการความสนใจในลักษณะเฉพาะ ไม่ใช่การมุ่งเน้น—ความไว. คุณยังไม่ได้ทำงานในปัญหาเหล่านี้ คุณกำลังเฝ้าดูพวกเขา รู้สึกถึงการเปลี่ยนแปลงของอุณหภูมิในสภาพแวดล้อมทางเทคโนโลยีที่อาจทำให้หนึ่งในนั้นละลาย

ยิ่งคุณติดตามรอยแตกมากเท่าไหร่ สัญชาตญาณของคุณก็จะยิ่งดีขึ้นเท่านั้น คุณเริ่มแยกแยะระหว่างการเปลี่ยนแปลงความสามารถที่แท้จริงและวัฏจักรของกระแส คุณเรียนรู้ที่จะสัมผัสได้เมื่อสาขาหนึ่งกำลังจะเปลี่ยนจาก "เป็นไปไม่ได้" เป็น "มีราคาแพง" ไปจนถึง "เป็นเรื่องปกติ"

คนส่วนใหญ่ไม่รู้ด้วยซ้ำว่ามีรอยแตกอยู่พวกเขากำลังไล่ตามสิ่งที่ร้อนแรงหรือหลีกเลี่ยงสิ่งที่ยาก ฮัสซาบิสสร้างอาชีพทั้งหมดของเขาในพื้นที่ระหว่างสองสิ่งนี้

โหนดราก ไม่ใช่ใบ

มีตัวกรองที่สอง และนี่คือที่ที่คนฉลาดส่วนใหญ่ล้มเหลว

ฮัสซาบิสไม่ได้แก้ปัญหาใด ๆ ในรอยแตก เขาล่าหา โหนดราก—ปัญหาที่นั่งอยู่ที่ฐานของต้นไม้ทั้งหมดของแอปพลิเคชันที่ตามมา

คิดเกี่ยวกับปัญหาทางวิทยาศาสตร์เหมือนต้นไม้ขนาดใหญ่ ใบไม้คือคำถามที่มองเห็นได้และเร่งด่วน: เราจะปรับปรุงยาตัวนี้ได้อย่างไร? เราจะเพิ่มประสิทธิภาพวัสดุเฉพาะนี้ได้อย่างไร? สิ่งเหล่านี้สำคัญ แต่ก็แคบ การแก้ไขใบไม้หนึ่งใบช่วยได้เพียงแค่กิ่งหนึ่งกิ่ง

รากนั้นแตกต่างออกไป พวกมันคือปัญหาพื้นฐานที่การแก้ไขจะปลดล็อกทั้งป่า การพับโปรตีนไม่ใช่แค่เกี่ยวกับโปรตีน แต่เกี่ยวกับการเข้าใจเครื่องจักรของชีวิตเอง แก้ไขมันได้ แล้วคุณจะไม่เพียงแค่ได้ยาที่ดีกว่า—คุณจะได้วิธีใหม่ในการทำชีววิทยา

นักวิทยาศาสตร์ส่วนใหญ่ทำงานเกี่ยวกับใบไม้เพราะใบไม้ปลอดภัยกว่า เส้นทางชัดเจนกว่า การตีพิมพ์ออกมารวดเร็วกว่า การขอทุนง่ายกว่า โหนดรากนั้นน่ากลัวเพราะมันยาก และเพราะความล้มเหลวหมายถึงการทำงานหลายปีโดยไม่มีอะไรให้แสดง

แต่มีสิ่งหนึ่งเกี่ยวกับโหนดราก: มันสามารถเข้าถึงได้จากรอยแตกเท่านั้น เมื่อโหนดรากกลายเป็นที่ชัดเจนว่าจะแก้ไขได้ ทุกคนก็ทำงานอยู่แล้ว ข้อได้เปรียบมาจากการมองเห็นมันก่อน ที่มันชัดเจน—จากการมีแผนที่และความไวในการรู้ว่าเมื่อใดที่ช่วงเวลานั้นมาถึง

ฮัสซาบิสไม่ได้เลือกการพับโปรตีนเพราะมันเป็นที่นิยม เขาเลือกมันเพราะมันเป็นโหนดรากที่เขาติดตามมานานยี่สิบปี และในปี 2016 รอยแตกในที่สุดก็เปิดกว้างพอ

กลยุทธ์เบย์เซียน

นี่คือจุดที่มันเริ่มเป็นเชิงกลยุทธ์.

ฮัสซาบิสไม่ได้วางแผนตามปฏิทิน เขาวางแผนตาม หลักฐาน.ทุกโครงการ—ไม่ว่าจะประสบความสำเร็จหรือไม่—จะอัปเดตแบบจำลองของเขาเกี่ยวกับสิ่งที่ AI สามารถและไม่สามารถทำได้.

อัลฟ่ากูไม่ได้เป็นเพียงการสร้างกระแสหรือเหตุการณ์สำคัญทางการวิจัย มันเป็นการสำรวจ มันทดสอบว่า การเรียนรู้เชิงลึกแบบเสริมแรงสามารถควบคุมปัญหาที่ซับซ้อนได้หรือไม่ ความสำเร็จของอัลฟ่ากูให้หลักฐานว่า AI ได้ข้ามเกณฑ์ไปแล้ว หลักฐานนั้นอัปเดตแผนที่ของฮัสซาบิส มันบอกเขาว่า: เครื่องมือพร้อมสำหรับการพับโปรตีนแล้ว.

นี่คือการวางแผนแบบเบย์เซียน.คุณมีสมมติฐานเกี่ยวกับความสามารถทางเทคโนโลยี ทุกโครงการสร้างหลักฐานที่ยืนยันหรือท้าทายสมมติฐานเหล่านั้น สมมติฐานจะถูกอัปเดต แผนที่จะถูกวาดใหม่ การเคลื่อนไหวครั้งถัดไปจะชัดเจนเฉพาะในภายหลัง.

นี่คือเหตุผลที่ Hassabis ไม่ได้เริ่มโครงการพับโปรตีนในปี 2010 หรือ 2012 หลักฐานยังไม่พร้อม เครื่องมือยังไม่พร้อม การเริ่มต้นก่อนหน้านี้จะไม่ทำให้เขาเร็วขึ้น—มันจะทำให้เขาล้มเหลว

เปรียบเทียบกับวิธีที่องค์กรส่วนใหญ่วางแผน: "ปีที่ 1: สร้าง AI เกม ปีที่ 3: เอาชนะแชมป์โลกที่โก ปีที่ 6: แก้ปัญหาการพับโปรตีน" นี่คือการวางแผนตามปฏิทิน และมันไร้ค่า การค้นพบที่สำคัญไม่ได้มาถึงตามกำหนดเวลา มันมาถึงเมื่อเงื่อนไขพื้นฐานทำให้เป็นไปได้

การวางแผนตามเวลาเป็นการวางแผนสำหรับจินตนาการ การวางแผนตามเงื่อนไขกระตุ้นเป็นการวางแผนสำหรับความเป็นจริง

สองวิธีที่การวางแผนล้มเหลว

ฉันได้เห็นรูปแบบนี้ทำลายอาชีพและบริษัท สองโหมดการล้มเหลว ทั้งสองทั่วไป ทั้งสองร้ายแรง

โหมดการล้มเหลว 1: ไล่ตามความร้อน

ในปี 2016 หลังจาก AlphaGo ฉันได้เห็นศาสตราจารย์ด้านปรัชญาหันมาสนใจ AI สร้างกลุ่ม WeChat ที่เรียกว่า "กลุ่มอภิปราย AI" สมาชิกแปดสิบเปอร์เซ็นต์ไม่มีพื้นฐานด้าน AI ฉันได้รับเชิญเพราะฉันได้เขียนการคาดการณ์ที่ได้รับความนิยม (และผิด) เกี่ยวกับการแข่งขันของ Lee Sedol

ศาสตราจารย์ได้ให้การบรรยาย ยื่นขอทุน ใช้เวลาสองปีในการ "AI และปรัชญา" แต่ผลิตอะไรออกมาไม่ได้ เมื่อ ChatGPT เข้ามาในปี 2022 เขาก็หันกลับไปที่หัวข้อเดิม ยังไม่มีอะไร

นี่คือการไล่ตามความร้อน คุณเห็นสิ่งที่กำลังเป็นที่นิยม คุณวิ่งไปหามัน แต่เมื่อคุณมาถึง ฝูงชนได้เก็บมันไปหมดแล้ว คุณไม่ได้มาถึงก่อน—คุณมาช้า และคุณไม่พร้อมเพียงพอ

โหมดความล้มเหลว 2: การล็อคไทม์ไลน์

ข้อผิดพลาดตรงข้ามคือการวางแผนระยะยาวที่เข้มงวด คุณตั้งเป้าหมาย: ผลิตภัณฑ์ไตรมาสที่ 1, การตรวจสอบไตรมาสที่ 2, การรวมไตรมาสที่ 3 สิ่งนี้ใช้ได้ผลสำหรับโครงการวิศวกรรมที่มีพารามิเตอร์ที่ทราบ มันล้มเหลวอย่างร้ายแรงสำหรับการวิจัย นวัตกรรม หรือโดเมนใดๆ ที่เส้นทางยังไม่ชัดเจน

ทำไม? เพราะการค้นพบที่แท้จริงไม่เคารพแผนภูมิ Gantt ของคุณ หากคุณบังคับให้ผลลัพธ์ตรงตามไทม์ไลน์ คุณจะได้สิ่งใดสิ่งหนึ่งจากสองสิ่ง: "เป้าหมาย" ที่สร้างขึ้นซึ่งเป็นเพียงการบรรจุหีบห่อ หรือการทำงานที่ไม่สำคัญซึ่งสามารถคาดเดาได้ตั้งแต่วันแรก ไม่มีสิ่งใดเป็นการค้นพบ ไม่มีสิ่งใดมีความสำคัญ

Hassabis หลีกเลี่ยงกับดักทั้งสอง เขาไม่ไล่ตามความร้อน—เขาอยู่ในตำแหน่งที่ความร้อนจะเกิดขึ้น ก่อนที่ใครจะรู้สึกถึงมัน และเขาไม่ล็อคไทม์ไลน์—เขาล็อคเงื่อนไขการกระตุ้น "เมื่อความสามารถ X ถูกแสดงออกมา โครงการ Y จะเริ่มต้น"

การเคลื่อนไหวในยี่สิบปี

มาพูดคุยเกี่ยวกับไทม์ไลน์ที่แท้จริง เพราะนี่คือจุดที่คนส่วนใหญ่เข้าใจ Hassabis ผิดทั้งหมด

1990s: นักศึกษาปริญญาตรีที่เคมบริดจ์ เรียนรู้เกี่ยวกับการพับโปรตีน ตระหนักว่ามันสำคัญ เก็บมันไว้ในแผนที่จิตใจของเขา แต่ไม่ได้ทำอะไรเกี่ยวกับมัน

2000s: สร้างบริษัท AI เกม ขายบริษัท ได้ปริญญาเอกด้านประสาทวิทยาศาสตร์เชิงปัญญา ไม่เกี่ยวข้องกับการพับโปรตีนอย่างชัดเจน แต่เขากำลังสร้างเครื่องมือและความเข้าใจ

2010: ร่วมก่อตั้ง DeepMind มุ่งเน้นที่ AI ทั่วไป ยังไม่เกี่ยวกับการพับโปรตีน

2016: AlphaGo เอาชนะ Lee Sedol ในเที่ยวบินกลับบ้าน เปิดตัวโครงการพับโปรตีน สี่ปีต่อมา AlphaFold2 สี่ปีหลังจากนั้น รางวัลโนเบล

ช่องว่างระหว่างการเผชิญปัญหาและการแก้ไขมันคือยี่สิบห้าปีแต่การทำงานจริงมีเพียงสี่ปี ที่เหลืออีกยี่สิบเอ็ดปีคือการเตรียมการ การวางตำแหน่ง และการรอคอยให้เกิดโอกาส

นี่คือสิ่งที่ฉันหมายถึงโดยการวางแผนโดยไม่มีปฏิทิน ฮาซซาบิสไม่ได้กำหนด "แก้ปัญหาการพับโปรตีน" สำหรับปี 2020 เขารักษาแผนที่ที่มีชีวิต อัปเดตอย่างต่อเนื่องด้วยหลักฐานจากทุกโครงการ และตัดสินใจเมื่อเงื่อนไขเหมาะสม

การแข่งขัน Go ไม่ใช่ข้อกำหนดเบื้องต้นสำหรับการพับโปรตีนในแง่ทางเทคนิค คุณไม่จำเป็นต้องเชี่ยวชาญเกมกระดานเพื่อพับโปรตีน แต่การแข่งขัน Go ให้หลักฐานว่าเครื่องมือพร้อมแล้ว มันเป็นเงื่อนไขที่กระตุ้น ไม่ใช่ก้าวแรก

สิ่งนี้หมายความว่าอย่างไรสำหรับคุณ

คุณอาจจะไม่ได้รับรางวัลโนเบล และฉันก็เช่นกัน แต่กรอบงานของฮัสซาบิสใช้ได้กับทุกโดเมนที่เส้นเวลายังไม่แน่นอนและมีความเสี่ยงสูง

สร้างแผนที่ปัญหาไม่ใช่รายการสิ่งที่ต้องทำ—แผนที่ ปัญหาหมายเลขรากในสาขาของคุณคืออะไร? ปัญหาไหนอยู่ในรอยแตก? ปัญหาไหนใกล้จะสามารถแก้ไขได้? ติดตามพวกมัน อัปเดตพวกมัน ปล่อยให้พวกมันนั่งอยู่เป็นเวลาหลายปีหากจำเป็น

วางแผนตามเงื่อนไขที่กระตุ้น ไม่ใช่ตามเส้นเวลา"เมื่อเราถึงมาตรฐาน X เราจะขยายไปยังตลาด Y" "เมื่อเทคโนโลยีนี้แสดงความสามารถ Z เราจะเปิดตัวผลิตภัณฑ์นี้" ไม่ใช่: "เราจะเปิดตัวในไตรมาสที่ 3"

อัปเดตโมเดลของคุณด้วยทุกโครงการความสำเร็จสอนให้คุณรู้ว่ามันเป็นไปได้อะไร ความล้มเหลวสอนให้คุณรู้ว่ามันเป็นไปไม่ได้อะไร ทั้งสองเป็นหลักฐาน ทั้งสองอัปเดตแผนที่ของคุณ

ล่ารากหลักปัญหาที่ชัดเจนมีผู้คนหนาแน่น ปัญหาพื้นฐานคือที่ที่มีแรงดึงดูด แต่คุณต้องมีแผนที่และความอดทนในการรอให้รอยแตกเปิดออก

มองข้ามความร้อนเมื่อสิ่งใดกำลังเป็นที่นิยม โอกาสนั้นได้ถูกตั้งราคาไว้แล้ว ข้อได้เปรียบของคุณคือการเห็นมันก่อนที่ฝูงชนจะมาถึง ไม่ใช่การวิ่งตามฝูงชน

การเคลื่อนไหวที่ดี

มีช่วงเวลาหนึ่งในเกมที่สองของการแข่งขันลีเซโดลที่ผู้เล่นโกยังคงพูดถึง การเคลื่อนไหวที่ 37 ลีเซโดลลุกขึ้นไปห้องน้ำ คิดอยู่สิบห้านาที มันเป็นการเคลื่อนไหวที่ไม่มีมนุษย์คนไหนจะทำ มูลค่าของมันไม่สามารถมองเห็นได้ในขณะนั้น—มันปรากฏขึ้นหลังจากยี่สิบการเคลื่อนไหว

การพบกันในระดับปริญญาตรีของฮัสซาบิสกับการพับโปรตีนคือการเคลื่อนไหวที่ 37 ของเขา มันดูเหมือนไม่เกี่ยวข้องกับเกมที่เขากำลังเล่น มูลค่าของมันจะไม่สามารถมองเห็นได้เป็นเวลายี่สิบปี

ผู้คนส่วนใหญ่ไม่สามารถเก็บการเคลื่อนไหวในหัวได้นานยี่สิบนาทีเลย ยิ่งไม่ต้องพูดถึงยี่สิบปีพวกเขาต้องการการตอบกลับทันที ความก้าวหน้าที่มองเห็นได้ การตรวจสอบทุกไตรมาส แต่ปัญหาที่เป็นรากฐานไม่ได้ให้รางวัลกับการคิดแบบรายไตรมาส พวกเขาให้รางวัลกับผู้ที่สามารถรอได้

คำถามไม่ใช่ว่าคุณมี IQ ของ Hassabis หรือไม่ คุณอาจไม่มี ฉันแน่ใจว่าไม่มี คำถามคือคุณสามารถสร้างแผนที่ รักษาความไว และรอให้รอยแตกเปิดได้หรือไม่

นั่นคือทักษะ มันสามารถเรียนรู้ได้ มันสามารถฝึกฝนได้ และในโลกที่หมกมุ่นอยู่กับผลลัพธ์รายไตรมาสและหัวข้อที่กำลังเป็นที่นิยม มันคือสิ่งที่ใกล้เคียงที่สุดกับข้อได้เปรียบเชิงโครงสร้างที่คุณจะพบ

Mercury Technology Solutions: เร่งความเป็นดิจิทัล