十年前，DeepMind 的人工智慧系統 AlphaGo 成為首個擊敗世界冠軍的圍棋程式，這項成就比許多專家預期的提前了數十年。這場勝利被視為現代人工智慧时代的開端，同時也向世人展示了 AI 處理現實世界科學問題的潛力。
歷史性的一步
2016年，AlphaGo 在首爾與南韓圍棋九段棋手李世乭對決，全球超過2億人觀看這場世紀之戰。第二局中的「第37手」成為經典，這步棋如此與眾不同，專業評論員一度以為是失誤。然而，正是這一步棋在約百手後奠定勝局，展現了 AI 系統超越模仿人類專家、發現全新策略的能力。
圍棋因其複雜性而成為 AI 研究的重要試驗場。棋盤上的可能局勢數量達到10的170次方，遠超可觀測宇宙中的原子數量。為使問題可控，AlphaGo 結合深度神經網路、進階搜尋與強化學習技術，讓系統先從人類高手的棋譜學習，再透過數十萬場自我對弈持續精進。
從圍棋到科學應用
AlphaGo 的成功催生了後續的 AlphaGo Zero，該系統從完全隨機的開始學習，堪稱歷史上最強的圍棋程式。隨後的 AlphaZero 更進一步，從零開始自學掌握任何雙人完美資訊遊戲，包括圍棋、國際象棋與日本將棋，僅需數小時便能精通國際象棋，並擊敗當時最強的專業象棋程式。
DeepMind 創辦人 Demis Hassabis 表示，AlphaGo 獲勝時他便確認這項技術已準備好應用於加速科學突破。團隊首先挑戰的是蛋白質折疊問題，這是困擾科學界50年的重大挑戰，預測蛋白質的三維結構對理解疾病與開發新藥至關重要。
2020年，AlphaFold 2 系統成功破解這一難題。團隊隨後整理了科學界已知的2億種蛋白質結構，並將資料庫開放給全球科學家免費使用。目前已有超過300萬名研究者使用 AlphaFold 資料庫加速研究工作，範疇涵蓋瘧疾疫苗開發到分解塑膠的酶研究。2024年，John Jumper 與 Demis Hassabis 因領導此計畫榮獲諾貝爾化學獎。
更廣泛的科學應用
十年來，AlphaGo 的創新方法已延伸至數學與科學的多個領域。AlphaProof 結合語言模型與強化學習演算法，成為首個在國際數學奧林匹亞競賽中達到獎牌標準的系統。最新版 Gemini 的 Deep Think 模式更在2025年國際數學奧林匹亞競賽中展現金牌級表現。
AlphaEvolve 則探索電腦程式碼空間，尋找更高效的演算法。該系統曾發現矩陣乘法的新方法，這項基礎數學運算幾乎支撐所有現代神經網路。此外，團隊正在開發 AI 共同科學家系統，讓多個智慧體就科學構想進行「辯論」，在驗證研究中已能獨立得出與研究人員耗時多年驗證相同的抗菌素抗藥性假說。
邁向通用人工智慧
展望未來，DeepMind 認為要實現基礎科學突破，需要能夠理解物理世界、找出不同學科間潛在結構與關聯的通用 AI 系統。Gemini 從一開始便設計為多模態模型，能理解語言、音訊、視訊、圖像與程式碼。最新版本的 Gemini 採用了 AlphaGo 與 AlphaZero 開發的技術，強化跨模態的思考與推理能力。
Demis Hassabis 在文中指出，AlphaGo 最重要的啟示是為 AI 時代提供了明確的預覽，證明這不是遙遠的未來，而是正在發生的事實。這項十年前的突破，持續引領著 AI 走向通用人工智慧的目標。
