《The Thinking Game》心得：一場永無止境的思考遊戲

最近（2025/11/25）在 Youtube 上，為了慶祝 AlphaFold 誕生五週年，Google 在 Youtube 上免費公開了紀錄片《The Thinking Game》。這部 1.5 小時的電影帶領觀眾走深入了解 DeepMind 團隊，觀看他們這些年如何一步步推進人工通用智慧（AGI）的研究，並展示其背後複雜而艱鉅的科學挑戰。

如果你對科技、人工智慧，或利用 AI 進行蛋白質結構研究有興趣，我會非常推薦你抽時間看完這部紀錄片。

你會看見，在今日激烈的 AI 競賽背後，其實是一群研究者持續投入一場永無止境的「思考遊戲」，不斷挑戰人類智慧的邊界。

內容目錄

《The Thinking Game》的核心人物： Demis Hassabis

這部紀錄片以 DeepMind 共同創辦人 Demis Hassabis 的視角作為主軸，記錄了他與他的團隊開發 AlphaGo 和 AlphaFold 的過程。他同時也是 2024 年諾貝爾化學獎得主之一

Demis 從小就展現出過人天賦，四歲開始下西洋棋，被譽為西洋棋神童。

六歲時，主持人採訪他：「你喜歡這遊戲的哪一點？」

他回答：「它是一個很棒的思考遊戲。」（It’s a good thinking game.）

從這句話便能看出他與眾不同的思維方式。他更在意透過遊戲鍛煉思考，而不是單純追求勝負。

十二歲時，他在列支敦斯登參加一場國際西洋棋錦標賽，與前丹麥冠軍纏鬥超過十個小時。因疲憊，他錯過了和棋機會，甚至被對手嘲笑並示範應該如何走。

那一刻成為他人生中的一個轉折。突然意識到，自己是否正在把腦力浪費在錯誤的地方。於是，他開始思考：如果能把這棟大樓裡 300 個人的大腦連成一個系統，或許能用來解決癌症這類真正重要的問題。

這種思考方式，正是他日後創立 DeepMind 的萌芽。

從遊戲設計師到開發人工智慧

當 Demis 17 歲時，由於年齡太小的關係，劍橋大學建議他休學一年。

這一年他加入了遊戲公司 Bullfrog Productions。這家公司當時以《上帝也瘋狂》（Populous）這款遊戲大受好評而聞名，而他在公司參與了《主題公園》（Theme Park）的開發，這款遊戲模擬了人類的行為，例如你擺放店鋪的位置離刺激的遊樂設施太近，遊客吃完東西去玩刺激的遊樂設施後會嘔吐，而地上的嘔吐物又會引發連鎖反應，影響其他遊客的心情。

當他準備要去劍橋就讀時，Bullfrog 創辦人 Peter Molyneux 為了留下他，甚至開出一百萬英鎊的報酬，希望他留下來一起做遊戲。

在 90 年代，一百萬英鎊是不小的財富，如果有人跟我開出這樣的價錢，我肯定二話不說直接簽下去。

但 Demis 拒絕了這誘人的邀請，因為他想要搞清楚人類的大腦是如何運作的。

這個選擇再次展現他的思考方式。他不是只思考眼前的利益，而是綜觀全局的走向。他想解決的不是遊戲裡的難題，而是世界上真正的難題。

拒絕財富的誘惑，這項決定為他接下來的人生埋下了伏筆。

時間來到 2010 年，Demis 與 Shane Legg、Mustafa Suleyman 三人共同創辦了DeepMind。

紀錄片一開始回顧了 DeepMind 團隊最初發展歷程，他們不是直接去挑戰癌症、氣候變遷這些困難的問題。

DeepMind 選擇從簡單、可提供 AI 大量數據訓練的打電動開始。他們先從教導 AI 如何玩 Atari 遊戲，像是《Pong》（一款乒乓球遊戲）、《Breakout》（打磚塊）等經典遊戲。

有一幕，他們團隊展示深度強化學習（Deep Reinforcement Learning）的人工智慧如何玩《 Pong》，一開始 AI 表現非常遭，因為他不懂任何規則，所以一直輸。

因此，他們一度感到十分沮喪時，但在某個時刻，它突然學會得分方法，開始一路得分。

在《Breakout》遊戲中，AI 在未經指導下，自行發現高效的「挖地道」策略。

透過遊戲訓練 AI，他們展示出 AI 強大的自我學習與創造能力。

2014 年 DeepMind 被 Google 收購，團隊的計算資源因此大幅擴張，能夠加速人工智慧的研究。他們的目光開始從電玩換到圍棋上，因為圍棋是人類設計出世界上最複雜的棋盤遊戲，其變化多達 10 的 171 次方。

2016 年，DeepMind 開發的 AlphaGo 對戰李世乭，當時 AlphaGo 在第二局下出令人不解的第 37 手，突破人們的想像，也顯示出人類思考的盲點。根據 AlphaGo 的數據顯示，人類下這一步棋的機率大概只有萬分之一。

我們常認為「玩樂」是無用的，但是玩樂常常帶給人們靈感與創造力。如同 Demis 就是從西洋棋，以及《主題公園》的模擬行為中獲得靈感，認識到模擬和通用學習的巨大潛力。

AlphaFold 的誕生，成功解決預測蛋白結構的難題

對於 Demis 來說，開發 AI 從來不是為了贏得比賽，而是解決真正複雜的問題。AlphaGo 只是其中一個過程，而不是終點。

他在紀錄片中就說了：「運用 AI 作為終極工具，是用來解決世界上複雜的科學問題。」（Use AI as the ultimate tool to solve all the world most complex scientific problems.）

無論是用 AI 玩遊戲，或是 AlphaGo 擊敗了圍棋高手，Demis 始終將眼光放在解決問題上。因此，整部片後半部聚焦在 AlphaFold 的開發。

這個想法源自於他的大學同學兼好友 Tim Stevens，向他不斷強調蛋白質摺疊這個生物難題。

在生物學界中，這 50 多年來蛋白質摺疊（Protein Folding）多年來一直是難題。蛋白質是由胺基酸鏈所組成，如何預測氨基酸序列如何從線狀摺疊成 3D 結構，一直是科學家想要攻克的難題。

過去，科學家為了解出一個蛋白質的結構，需要先純化出大量且高純度的蛋白，接著將蛋白質結晶後，透過 X-Ray 來解出蛋白質的結構，這個過程費時且昂貴，甚至有些蛋白質完全解不出來。

DeepMind 團隊想要挑戰這個難題：利用 AI 來預測蛋白質結構。

在影片中，DeepMind 團隊參與 CASP （Critical Assessment of protein Structure Prediction），這是一個預測蛋白質結構的競賽。

第一次參賽時他們沒有獲得優勝，在第二次碰到疫情的期間，他們發明出的 AlphaFold 2 終於成功解決了這項難題，並獲得了競賽優勝。

這項技術突破，完全改變了生物學界，這使得 Demiss Hassabis 在 2024 年與 John Jumper 和 David Baker 一同獲得諾貝爾化學獎。

更令人敬佩的是，他們釋出了2 億個蛋白質結構預測，並將 AlphaFold 2 開源且開放給全球的科學家們使用，幫助全世界的科學家們加速他們的研究發展。（現在已推出到 AlphaFold 3）

這是一個很重大的決定，多數人可能是計算這項技術的商業價值，但他們反而是開放給全部人，讓所有人都能夠過簡單的方式，提交氨基酸序列來取得預測的蛋白結構。

看完以上敘述，一般人可能不覺得 AlphaFold 有什麼用。

你要知道，蛋白質是構成人類重要的組成之一，生物體內有著各種蛋白參與反應的，可以說蛋白質建構了一切，控制著一切生物反應，這就是為何生物能夠運作。

透過 AI 來從氨基酸序列預測蛋白質結構，能解決過去那些無法解析結構的蛋白，並以此結構來開發藥物。例如在 COVID-19 期間，AlphaFold 用來預測 COVID-19 的棘蛋白（ Spike protein），以此來預測其機制與開發治療方式；開發一種新蛋白來治療癌症；研發一種能分解塑膠的酵素來解決塑膠汙染的問題。

目前，我們得以透過 AI 從無到有設計出全新的蛋白。 David Baker 與他的研究團隊近期研究就設計出全新的抗蛇毒血清蛋白，或許能夠用來解決血清蛋白的製造問題。