在十年前，围棋界的震动犹在耳边，AlphaGo的精妙走法令李世石等棋手哑口无言。如今，DeepMind的创始人Demis Hassabis回忆起这一历史时刻时，满怀感慨：“那一刻，我们知道人工智能已准备好攻克更为重大和复杂的科学挑战。”这项由AlphaGo启发的技术进步，正在改变整个科学研究的格局。
时间定格于2016年3月的首尔，围棋世界冠军李世石对阵一台计算机程序。在第二局的第37手，AlphaGo下出了一个出乎所有人意料的棋招，连解说员都认为那是一次意外失误。可在经过一百多手的交锋后，AlphaGo以胜利告终，现场观众对于这场对弈的沉默延续了近一分钟。十年后，Hassabis再次提及这场比赛时，感慨万千，称那一走是技术的转折点。
围棋棋盘上有着10的170次方种局面，这个数字远超过宇宙中所有原子的总和。面对如此复杂的局面，传统的穷举和剪枝方法根本无法胜任。而AlphaGo的成功在于其创新性地结合了深度神经网络、强化学习和蒙特卡洛树搜索等先进技术。首先，它从人类棋谱中学习合理的落子，然后通过自我对弈不断优化策略，最终在实战中高效搜索最有价值的分支。
而AlphaGo的成就并未止步于此，DeepMind进一步推进了这一理念。AlphaGo Zero以完全自学的方式脱离了人类棋谱，通过随机落子开始学习，最终成为有史以来最强的围棋选手。紧接着，AlphaZero在短短数小时内学会国际象棋并战胜了当时最强的专用引擎，这种能力超越了人类的想象。
Hassabis总结道：“这证明了我们的方法是正确的，时机已成熟，可以为现实世界所用。”AlphaGo所展现的学习与搜索的能力，正在为自然科学的研究带来新的思路。
蛋白质折叠这一人类攻克了近半个世纪的难题，如今在2020年通过AlphaFold 2得以解决。其核心在于氨基酸序列的折叠形式直接关系到其功能，理解蛋白质的结构对于研发新药至关重要。DeepMind在短时间内预测出超过2亿种蛋白质的结构，并将其放入开源数据库，惠及全球科研人员。
在数学推理领域，AlphaProof的诞生标志着AlphaGo思路的延续，借助语言模型和强化学习技术，AlphaProof能够自动学习和证明数学命题。2025年，AlphaProof在国际数学奥林匹克中首次取得银牌，而后Gemini Deep Think更进一步，获得金牌的殊荣。
此外，AlphaEvolve在算法发现上开辟了新天地，它通过模仿AlphaGo寻找最佳落子，实际是在搜索更高效的新算法，成功发现人类未曾想到的新的矩阵乘法方法，为现代神经网络的构建提供了基础。
科学的未来，需要人类与机器的合作。AI协作科学家系统（AI co-scientist）通过一种“辩论式”搜索把AI智能体的优势融入科研流程，实现了科学假设的有效筛选与验证，这一理念已经在帝国理工学院的相关研究中得到了实践。
展望未来，Hassabis提到，像Gemini这样的多模态系统，结合了AlphaGo式的高级搜索、强大的世界模型和专用工具的协作，目标是实现真正的通用人工智能（AGI）。他认为AGI不仅要在棋类游戏中胜出，更要能够创造出像围棋一样深邃且值得长久研究的新游戏。
在过去的十年里，从蛋白质折叠到数学金牌，从算法优化到AI协作科研，AlphaGo的技术遗产已经不仅限于棋盘，而是渗透进科学研究的核心。未来的“第37手”会在哪个领域产生？尽管Hassabis没有给出具体答案，但他指出，目标的光芒已然显现于地平线之上。
