问题：通用技术突破之后，下一步走向何处 近年来，随着面向复杂任务的智能体应用不断涌现，业界关于“模型能力”与“系统能力”的讨论再度升温。
回到这一轮热潮的源头之一，DeepMind早在多年前便以“智能体”思路推进研究，并在2016年凭借AlphaGo在围棋人机大战中取得标志性胜利。
值得关注的是，胜利并未成为终点。
马拉比在采访中回忆，当天哈萨比斯离开赛场后随即与核心研究人员交流，提出将重大科学难题作为下一阶段攻关方向，并将蛋白质结构预测列为优先目标。
由此，围棋赛场的技术积累被迅速转化为生命科学领域的攻坚路线。
原因：科研直觉与组织能力叠加，推动跨学科跃迁 马拉比认为，哈萨比斯的关键特质在于“方向选择”与“资源配置”的组合能力：一方面能较早识别短期难以攻克、但在集中投入后可能在两三年内出现突破的课题；另一方面能够围绕目标快速组建团队、调整分工，形成可持续的研究节奏。
以蛋白质结构预测为例，项目初期并非一路顺遂。
马拉比透露，团队在早期探索阶段曾一度难以形成决定性进展。
面对瓶颈，哈萨比斯选择亲自介入，密集与研究人员沟通讨论，最终将项目负责人交由更具创造力的年轻科学家约翰·江珀承担。
这一组织调整带来研究范式的重构，并推动成果走向成熟。
马拉比据此指出，这类决策更像科学共同体内部的“学术路线再组织”，而非单纯的效率管理。
影响：从围棋到蛋白质，示范“方法迁移”与“科学增益” AlphaGo证明了强化学习等方法在复杂决策问题上的潜力，而AlphaFold则进一步展示了计算方法在基础科学中的现实增益：一是推动蛋白质结构预测向更高精度、更高效率演进，为生物医药、基础研究提供重要工具；二是强化了“通用算法能力可迁移至科学难题”的产业与学术共识，带动更多机构将算力、数据与实验验证体系联动布局。
更深层的影响在于，围绕“智能体”与“大模型”的路线选择开始从技术圈讨论延伸至产业组织层面。
马拉比在采访中提到，DeepMind在发展过程中与母公司在路径上出现过分歧：一方更强调构建能够规划、执行、反馈闭环的系统能力，另一方则更倾向于优先做大基础模型能力。
这种分歧反映出技术演进的现实张力：基础模型需要规模化投入与工程化推进，智能体则更依赖任务闭环、环境交互与安全治理的系统集成。
对策：在产业合作中守住科研目标，在路线分歧中寻找耦合点 面对科研与产业的双重压力，DeepMind采取的策略之一，是在确保基础研究连续性的同时，借助更强的工程化平台实现成果落地与扩散。
马拉比指出，哈萨比斯对科研目标的坚持，核心并不在于追逐短期商业收益，而是更重视对科学问题本质的理解与验证。
其对未来研究的设想也不仅限于应用侧，更包括借助计算方法推动理论物理等基础领域的验证工作。
与此同时，路线之争并非“非此即彼”。
从全球技术发展看，大模型为智能体提供语言、知识与推理基础，智能体则通过交互与反馈将模型能力转化为可控、可用、可评估的系统能力。
如何在研发体系中实现二者耦合，既考验企业对算力、数据、工具链的统筹能力，也考验对安全边界、责任机制与应用场景的制度化建设。
前景：从单点突破走向体系竞争，科学与产业将更深度互塑 可以预见，下一阶段竞争将不再局限于单项指标的领先，而是转向“科学问题牵引—算法与系统协同—工程平台支撑—安全治理配套”的体系化能力。
随着生命科学、材料科学、能源与气候等领域对计算工具依赖度提升，能够跨学科组织人才、跨领域迁移方法、并在长期投入中保持方向稳定的研究机构，将更具持续影响力。
从AlphaGo到AlphaFold所呈现的路径表明，重大突破往往发生在“把通用计算能力转化为可验证的科学进展”这一节点上。
未来，谁能在科学目标、产业资源与技术路线之间建立更稳健的平衡，谁就更可能在新一轮科技竞争中取得先机。
哈萨比斯的科研生涯诠释了“从0到1”创新的真谛：在胜利时转身，在争议中坚守。
当技术发展日益受商业利益驱动，他的选择提醒我们，科学的本质仍是对未知的探索与对人类认知边界的突破。
正如马拉比所言：“他渴望的不是奖项，而是答案。
”这种纯粹的科学精神，或许正是推动时代前行的核心动力。