Demis Hassabis 為什麼談「激進富足」？AI 競賽真正考驗的，是誰能決定未來如何分配

Demis Hassabis 為什麼談「激進富足」？AI 競賽真正考驗的，是誰能決定未來如何分配

Demis Hassabis 對 AI 的想像，從來不只停在聊天機器人或工作自動化。他在 2026 年達沃斯論壇談到的，是一種由 AGI 推動的新科學能力：系統不只協助人類整理資料，還可能提出新的理論、加速醫療研究，甚至改變資源稀缺的條件。

問題也因此變得更尖銳。當 AI 能力持續集中在少數公司、算力中心與國家手上，技術進步是否能轉化為更普遍的社會利益，取決於制度、分配與治理，而不只取決於模型分數。

實體索引｜Demis Hassabis 為什麼談「激進富足」？AI 競賽真正考驗的，是誰能決定未來如何分配

• 人物與技術實體：Demis Hassabis 為什麼談「激進富足」？AI 競賽真正考驗的，是誰能決定未來如何分配；核對人物、公司、模型、代理、資料、產品、時間線與治理主張。
• 原文錨點：Demis Hassabis 對 AI 的想像，從來不只停在聊天機器人或工作自動化。他在 2026 年達沃斯論壇談到的，是一種由 AGI 推動的新科學能力：系統不只協助人類整理資料，還可能提出新的理論、加速醫療研究，甚至改變資源稀缺的條件。 圖片來源：Wikimedia Commons，Arthur Petron，CC BY-SA 4.0。 問題也因此變得更尖銳。當 AI 能力持續集中在少數公司、算力中心與國家手上，技術進步是否能轉化為更普遍的社會利益，取決於制度、分配與治理
• 關係脈絡：把技術能力、內容或經驗、使用者、決策者、分配機制、風險與驗證方法分開，說明系統如何影響人。
• 編輯界線：區分演示、推測、個人觀點與可重現證據，不把模型輸出或口號直接寫成既定事實。

快速抓住這篇文章

• Hassabis 所談的「激進富足」，是一種以 AGI 推進科學、醫療與能源解決方案的長期願景，並非已經到來的現實。
• Google DeepMind 的重新加速，顯示 AI 競爭的關鍵不只在模型能力，也在組織能否集中人才、算力與產品節奏。
• AI 對工作的影響，現階段更接近職務內容與入門流程的重組，而不是所有職位同時消失。
• 對台灣而言，真正需要處理的問題，是如何讓 AI 提升產業與個人的判斷能力，而不是只把它當成降低人力成本的工具。
• AI 可能創造更高的生產力，也可能加深資源集中；兩種結果都不會自動發生。

背景與核心脈絡

Demis Hassabis 是 Google DeepMind 共同創辦人兼執行長，也是 2024 年諾貝爾化學獎得主之一。他與 John Jumper 因 AlphaFold 的蛋白質結構預測研究獲獎，讓 AI 在科學研究中的角色，從輔助計算走向更具體的知識生產工具。

在 2026 年世界經濟論壇期間，Hassabis 把 AGI 描述為一種可能提出新理論、加速科學與人類健康進展的系統。他所說的未來，並不只是更會回答問題的模型，而是能夠參與研究、形成假說、協助驗證的科學工具。

這種說法值得注意，因為它把 AI 的討論從「誰的聊天模型比較好用」，推向另一個尺度：誰能掌握科學發現的速度、成本與方向。

為什麼這件事重要

AI 產業目前最常見的敘事，是效率提升。寫程式更快、客服更便宜、文件整理更省時間，這些都是真的，但它們只描述了第一層變化。

更深的變化在於，AI 開始進入原本高度依賴專業訓練、實驗反覆與長期累積的領域。藥物研發、材料科學、氣候模擬、蛋白質結構研究，都可能因為模型能力與算力規模而重新安排節奏。

這也意味著，AI 的價值不會只由單一產品決定。掌握資料、運算資源、研究人才、應用場景與商業通路的組織，將更有能力決定技術如何落地。

Google 重新加速，靠的不只是模型

Google 在生成式 AI 浪潮初期一度顯得保守。ChatGPT 的爆發，讓外界開始質疑這家長期主導搜尋、也參與 Transformer 研究的公司，為何沒有率先把技術推向大眾市場。

後來的變化，與 Google DeepMind 的成立有關。Google 將 DeepMind 與 Google Brain 整合後，重新集中人才與運算資源，也讓研究與產品之間的距離縮短。

Hassabis 曾形容，這個過程像是讓大型公司重新以新創團隊的速度運作。他提到現代 AI 的許多重要突破來自 Google Brain、Google Research 與 DeepMind，這更接近一種產業定位，而非能被單一數字完整驗證的歷史結論。

真正值得觀察的是，Google 是否能把研究優勢持續轉化為穩定、可信任且被市場採用的產品。AI 時代的競爭，不會只靠一次模型發布定勝負。

「激進富足」先碰到的，是分配問題

Hassabis 對 AGI 的樂觀，建立在一個前提上：更強的 AI 可以協助解決疾病、能源、氣候與資源問題。這種想像並非毫無根據，AlphaFold 已經證明，模型確實能在特定科學任務上縮短研究時間。

但技術能力與社會結果之間，還隔著很長一段路。

一項技術即使能提高生產力，也不代表收益會自然流向更多人。它可能讓藥物研發更快，也可能讓研發能力更集中；它可能降低知識工作的門檻，也可能壓縮新手累積經驗的入口。

因此，「後稀缺」不是單純的科技問題。誰擁有基礎模型、誰支付算力成本、誰能使用最強的科研工具、誰在變動中失去工作與談判權，這些問題會決定富足是否真的能被多數人感受到。

中國 AI 的追趕，不能只用模仿或超車來判斷

Hassabis 在達沃斯談到中國 AI 發展時，承認中國團隊與資金投入已快速縮短差距，同時也把原創突破視為另一個層級的競爭。

這個判斷容易被簡化成「誰領先、誰落後」，但 AI 競爭沒有這麼直線。開源模型、工程效率、晶片供應、資料品質、產品滲透率與人才流動，都可能改變競爭位置。

DeepSeek 所帶來的討論，也讓產業重新看見另一件事：模型能力不只取決於投入多少資本，也取決於訓練、推論與部署效率能否被重新設計。

對使用者而言，這場競爭最直接的結果，會是工具變得更便宜、更快，也更難以用單一品牌或國家來劃分能力高低。

AI 會先改變入門工作，而不是一次取代所有人

AI 對就業的衝擊，最容易被寫成末日預言。Anthropic 執行長 Dario Amodei 曾警告，AI 可能在數年內衝擊大量入門白領工作；NVIDIA 執行長 Jensen Huang 則公開反對這種推論，認為新技術也會創造新職務與新需求。

這種分歧本身，比任何單一預測更值得重視。

許多入門工作原本承擔兩種功能：完成重複性任務，以及讓新人透過任務累積判斷力。當摘要、簡報、基礎程式、資料整理與客服回覆都能被 AI 快速完成，企業必須重新設計新人如何學習、如何犯錯、如何被培養。

未來幾年，真正被重寫的很可能是職涯起點。工作不會只剩下「保留」或「消失」兩種結果，而是會出現更多需要人類審核、決策、整合與負責的角色。

對台灣讀者來說，問題在於能否保住學習路徑

台灣站在 AI 供應鏈、硬體製造、軟體服務與內容產業交會的位置。AI 對台灣的影響，既來自全球科技公司的資本支出，也來自本地企業如何重新安排工作流程。

對學生與剛進職場的人來說，最危險的情況不是 AI 工具變強，而是只剩下交付結果，卻失去理解問題、拆解任務與建立專業判斷的機會。

對企業來說，導入 AI 也不該只以裁減工時為目標。真正有競爭力的組織，會把 AI 用在提高決策速度、減少重複勞動、保留關鍵知識，並讓新人仍有能力進入核心工作。

AI 可以替人完成第一稿，但很難替人承擔判斷錯誤後的責任。這也是人類專業仍然有價值的地方。

對讀者的實際意義

面對 AI 的快速更新，最有效的準備不是追逐每一個新模型，而是建立三種能力。

第一，理解問題。知道自己真正要解的是什麼，比能否寫出漂亮提示詞更重要。

第二，判斷來源。AI 可以快速整理大量資訊，但它不會自動分辨脈絡、利益關係與錯誤前提。

第三，建立可被驗證的作品。無論是研究、程式、內容、設計或商業提案，能夠說明自己的判斷過程，會比只交出一個看似完整的答案更有價值。

讀者常問

Demis Hassabis 對 AGI 的定義是什麼？

Hassabis 對 AGI 的期待，比一般的自動化工具更高。他認為真正的 AGI 應該能提出新的科學解釋、形成假說，並協助人類理解原本無法解決的問題，而不只是執行既有任務。

「激進富足」代表 AI 很快會讓所有人變富嗎？

不代表。這是一種對科技潛力的長期想像，指 AI 可能協助改善能源、醫療與生產效率。技術能否轉化為普遍福祉，仍取決於政策、企業治理與資源分配。

AI 會先取代哪些工作？

目前更容易受影響的，是資訊整理、基礎文案、初步分析、簡單程式撰寫與標準化客服等任務。多數職位短期內更可能先改變工作內容，而不是整個職稱立刻消失。

台灣職場應該如何面對 AI？

企業需要重新設計培訓與審核流程，讓 AI 處理重複工作，人類保留判斷、協作與責任。個人則應強化問題定義、資料核實與跨領域整合能力，避免只成為工具的操作員。

Google DeepMind 的優勢在哪裡？

Google DeepMind 的優勢來自長期研究累積、Google 的算力與基礎設施，以及模型能否進入實際產品。研究成果很重要，但能否穩定落地、被使用者信任，才會決定競爭是否能延續。

AI 的未來不會由單一模型宣布，也不會由某位執行長的預測決定。真正決定方向的，是技術能力如何被部署、收益如何被分配，以及人類是否還能在更快的系統裡保有判斷與選擇。