YouTube 頻道「獨特見解」分析了 Demis Hassabis 接受 Cleo Abram 的專訪，整理出 DeepMind 從創立到未來 50 年的完整故事線。以下是影片涵蓋的核心內容：
Demis Hassabis 的人生軌跡本身就是一部傳奇：13 歲成為西洋棋大師（Elo 2300+），是當時英國同齡段第二名；17 歲進入 Bullfrog Productions 參與開發經典遊戲《Theme Park》（賣出數百萬套）；之後進入劍橋大學攻讀電腦科學；再到 UCL 取得認知神經科學博士學位，研究記憶與想像力的神經機制，發表了兩篇被引用超過一萬次的論文。
2010 年，他把這一切整合起來，創辦了 DeepMind，目標只有一個：「Solve intelligence, then use it to solve everything else.」（先解決智能問題，再用它解決其他一切問題。）
蛋白質折疊問題困擾了生物學家 50 年。一條蛋白質鏈可以折疊成天文數字般的構型（Levinthal 悖論：10300 種可能），傳統方法需要花費數十萬美元和數年時間才能解出一個蛋白質的結構。AlphaFold 用 AI 把這個過程縮短到幾秒鐘，並且一口氣預測了地球上所有已知的 2.14 億個蛋白質結構，免費開放給全世界的科學家使用。
2016 年，AlphaGo 在與李世石的圍棋對決中下出了傳奇的「第 37 手」— 一步落在第五線的棋子，人類圍棋手幾乎不會這麼走。李世石看到這手棋後離席，據說去洗了把臉。AlphaZero 更進一步：從零開始，不用任何人類棋譜，在幾小時內自學成超越所有人類和 AI 的圍棋、西洋棋、將棋選手。
影片介紹了 DeepMind 的一系列「Alpha」系統：AlphaTensor（發現新的矩陣乘法算法）、AlphaChip（設計 Google 晶片佈局）、AlphaStar（擊敗星際爭霸職業選手）、以及 Isomorphic Labs（AI 藥物研發公司）。
哈薩比斯在訪談中提出了兩大 AI 風險警告：善意技術被反向利用（如 AlphaFold 用於生物武器）和 AI Agent 失控。他同時描繪了一幅宏大的 50 年藍圖：用 AI 攻克核聚變、實現無限能源、治癒所有疾病，最終建造戴森球、進行星際殖民。
我們對影片中的 14 個核心論點，逐一對照學術論文、官方數據和可靠來源進行事實查核。
| # | 論點 | 影片說法 | 事實查核 | 判定 |
|---|---|---|---|---|
| 1 | AlphaFold 原子級精度 + 2 億蛋白質 | AlphaFold 達到原子級精度，預測了地球上所有 2 億個蛋白質結構 | CASP14 競賽中 GDT_TS 中位數達 92.4（接近實驗精度）。AlphaFold DB 收錄 2.14 億個蛋白質結構。Nature 2021 論文確認。 | ✓ 證實 |
| 2 | AlphaGo 第 37 手 | 第 37 手落在第五線，李世石看到後離席「洗臉」 | 第 37 手確實在第五線，AlphaGo 團隊估計人類走出此手的機率約 1/10,000。李世石確實離席，但「洗臉」這個細節無法從官方影像確認。 | △ 部分正確 |
| 3 | AlphaZero 一天學會超越所有人類 | AlphaZero 一天之內從零開始學會並超越所有人類棋手 | Science 2018 論文：西洋棋 4 小時、將棋 2 小時、圍棋 8 小時即超越最強 AI。確實擊敗 Stockfish 28:0（72 和棋）。「一天」是粗略說法，實際是 4-9 小時。 | △ 部分正確 |
| 4 | Deep Blue 不能玩井字棋 | IBM Deep Blue 只會下西洋棋，連井字棋都不能玩 | Deep Blue 是專為西洋棋設計的硬體系統（480 個專用晶片），確實零泛化能力，無法玩任何其他遊戲。 | ✓ 證實 |
| 5 | Levinthal 悖論 10300 | 蛋白質折疊的可能性達 10 的 300 次方 | Cyrus Levinthal 1969 年提出此悖論。具體數字因蛋白質大小而異，但 10300 是文獻中常見的量級估計，用於說明暴力搜索不可行。 | ✓ 證實 |
| 6 | AlphaTensor 發現新矩陣乘法算法 | AlphaTensor 找到了比人類已知更高效的矩陣乘法算法 | Nature 2022 論文確認。AlphaTensor 發現了新的矩陣乘法分解方式，是 50 年來首次改進 Strassen 1969 年的算法（針對特定矩陣大小）。 | ✓ 證實 |
| 7 | AlphaChip 設計 Google 晶片 | AlphaChip 用強化學習設計 Google TPU 晶片佈局，比人類工程師更快更好 | Nature 2021 發表，但 2023 年加上編輯註（editorial note），因部分學者質疑其方法學和可重複性。Google 確實在 TPU 中使用了此技術，但學術界對其效果存在爭議。 | ★ 有爭議 |
| 8 | DeepMind 幫 Google 省 30% 冷卻費 | DeepMind AI 幫 Google 資料中心省了 30% 冷卻電費 | DeepMind 2016 年官方部落格聲稱峰值節省 40%，持續平均約 30%。後續未有獨立第三方驗證的公開報告，但 Google 確認已部署此系統。 | △ 部分正確 |
| 9 | 核孔複合體一年內被破解 | 困擾科學家數十年的核孔複合體結構，用 AlphaFold 在一年內被破解 | 核孔複合體（Nuclear Pore Complex）的近原子解析度結構確實借助 AlphaFold 預測獲得重大突破。實際時間約 8 個月，接近但不到一年。Science 2022 發表。 | △ 部分正確 |
| 10 | 哈薩比斯個人背景 | 13 歲西洋棋大師、17 歲參與開發 Theme Park、劍橋電腦科學、UCL 神經科學博士 | 全部可由公開資料驗證。13 歲 Elo 2300+（英國同齡段第二）、Bullfrog Productions 的 Theme Park（1994 年）、劍橋 Queens' College、UCL 神經科學博士（2009 年）。 | ✓ 證實 |
| 11 | SynthID 數位浮水印 | Google DeepMind 的 SynthID 已為超過 100 億個 AI 生成內容打上不可見的數位浮水印 | Google 2024 年官方聲明確認 SynthID 已應用於文字、圖像、音訊和影片，累計超過 100 億筆內容。技術論文已發表。 | ✓ 證實 |
| 12 | AlphaStar 打敗星際爭霸職業選手 | AlphaStar 擊敗了星際爭霸 II 的職業選手 | Nature 2019 論文確認。AlphaStar 擊敗職業選手 TLO（10:1）和 MaNa（5:0 線上直播），達到 Grandmaster 等級（前 0.2%）。 | ✓ 證實 |
| 13 | Isomorphic Labs 藥物研發 | Isomorphic Labs 與大藥廠合作，用 AI 加速藥物研發 | 2024 年宣布與 Eli Lilly（合作金額最高 $17 億）和 Novartis（最高 $12 億）合作，總計約 $30 億。預計 2026 年底進入人體臨床試驗。 | ✓ 證實 |
| 14 | 彭羅斯量子意識理論 | 哈薩比斯提到彭羅斯的量子意識理論，暗示意識可能需要量子效應 | Roger Penrose 確實提出「Orchestrated Objective Reduction（Orch OR）」理論。此理論真實存在，但被主流神經科學界和物理學界普遍認為「高度不可信」（highly implausible）。MIT 物理學家 Max Tegmark 等人已發表反駁論文。 | △ 理論存在但不被接受 |
8 / 14
完全證實的論點
5 / 14
部分正確的論點
0 / 14
完全錯誤的論點
1 / 14
有爭議的論點
整體評價：獨特見解這支影片的事實準確度相當高 — 14 個論點中零個完全錯誤。部分正確的 5 個主要是時間或細節上的小偏差（如「一天」vs「4-9 小時」），不影響核心結論。唯一需要警惕的是 AlphaChip 論點，因為學術界確實存在方法學爭議。
1969 年，分子生物學家 Cyrus Levinthal 提出了一個令人絕望的計算：一條由 100 個氨基酸組成的蛋白質鏈，如果每個氨基酸有 3 種可能的構型，那麼總共有 3100 ≈ 5 × 1047 種可能的折疊方式。如果每秒嘗試一種，需要的時間遠遠超過宇宙的年齡。
但真實的蛋白質在毫秒到秒級就能折疊完成。這就是 Levinthal 悖論：大自然顯然不是用暴力搜索的方式折疊蛋白質的，它一定有某種「捷徑」。
「蛋白質折疊問題是生物學的大挑戰之一。如果你知道一個蛋白質的結構，你就能理解它的功能。如果你能理解它的功能，你就能設計藥物來改變它。」
— Demis Hassabis，Cleo Abram 專訪
CASP（Critical Assessment of protein Structure Prediction）是蛋白質結構預測領域的「奧運會」，每兩年舉辦一次。2020 年的 CASP14 中，AlphaFold 2 的表現震驚了整個科學界：
92.4
GDT_TS 中位數（90 以上被認為接近實驗精度）
0.96 Å
主鏈原子位置的中位誤差（接近原子直徑）
幾十萬美元 → 免費
傳統方法 vs AlphaFold 的成本
數年 → 10 秒
傳統方法 vs AlphaFold 的速度
CASP14 的組織者 John Moult 教授在宣布結果時說：「這個問題在很大程度上已經被解決了。」這句話在生物學界引發了巨大的迴響 — 一個困擾了半個世紀的問題，被一個 AI 系統在一夜之間突破了。
2022 年 7 月，DeepMind 與 EMBL-EBI（歐洲分子生物學實驗室-歐洲生物資訊學研究所）合作，發布了 AlphaFold 蛋白質結構數據庫，一口氣公開了 2.14 億個蛋白質的預測結構 — 幾乎涵蓋了所有已知生物體的蛋白質組。
這不是一個商業產品。DeepMind 選擇把它完全免費開放。截至 2024 年，該數據庫已被全球超過 200 萬名研究人員使用，被引用超過 20,000 次。
核孔複合體（Nuclear Pore Complex, NPC）是真核細胞中最大、最複雜的蛋白質組合體之一，由約 1,000 個蛋白質分子組成，控制著所有物質進出細胞核的通道。科學家花了數十年試圖解析它的完整結構，進展緩慢。
2022 年，多個研究團隊利用 AlphaFold 的預測結構，結合冷凍電子顯微鏡（cryo-EM）數據，在約8 個月內就獲得了人類核孔複合體的近原子解析度結構。這項成果發表在 Science 期刊上。
2024 年 10 月，Demis Hassabis 和 John Jumper 因 AlphaFold 的工作獲得了諾貝爾化學獎（與 David Baker 分享）。這是 AI 研究首次獲得諾貝爾自然科學獎，標誌著人工智能已經從「工具」升級為「科學發現的推動者」。
為什麼 AlphaFold 是革命性的？不只是因為它解決了一個 50 年的難題，而是因為它改變了科學研究的範式：從「一次解一個蛋白質」到「一次解全部」。這就像從手抄書到印刷術 — 不是速度變快了，是整個遊戲規則變了。
2016 年 3 月 9 日，AlphaGo 對陣李世石的第二局，第 37 手棋。
AlphaGo 把棋子下在了第五線。在圍棋中，初期布局通常在第三線（實地）或第四線（外勢）。第五線被認為太高、太浮，幾乎沒有人類職業棋手會在布局階段走這一步。AlphaGo 的開發團隊事後計算，人類走出這手棋的機率大約是萬分之一。
當時的現場解說員都一臉困惑。李世石看到這手棋後，站起來離開了對局室大約 15 分鐘。影片中說他去「洗臉」，這個細節雖然無法從官方影像確認，但他確實離席了一段時間。而這手棋後來被證明是致勝的關鍵手。
「Move 37 不是在已知的棋譜中搜索出來的。它是 AlphaGo 通過自我對弈數百萬盤棋後，自己『發明』的走法。這不是記憶，這是創造。」
— 紀錄片《AlphaGo》，2017
- 480 個專用晶片
- 每秒評估 2 億個棋步
- 純暴力搜索 + 人工評估函數
- 只會西洋棋，不能下井字棋
- 沒有「學習」能力
- 棋力來自硬體速度
- 深度神經網路
- 每秒評估數萬個棋步（遠少於 Deep Blue）
- 直覺（策略網路）+ 想像（價值網路）
- AlphaZero 可玩圍棋、西洋棋、將棋
- 通過自我對弈不斷進化
- 棋力來自「理解」而非速度
Deep Blue 的方法就像一個背了所有字典的人 — 他知道每個字的意思，但不會寫詩。AlphaGo 的方法更像一個讀了大量詩歌然後開始自己創作的人 — 它不需要搜索所有可能性，因為它有了「直覺」。
如果 AlphaGo 還使用了人類棋譜作為訓練數據，那 AlphaZero 就是完全「白手起家」。它只被告知遊戲規則，然後開始自己和自己下棋。
4 小時
超越 Stockfish（最強西洋棋 AI）
2 小時
超越 Elmo（最強將棋 AI）
8 小時
超越 AlphaGo Lee（擊敗李世石的版本）
28 : 0
對 Stockfish 的戰績（72 和棋）
Science 2018 年論文的結論很直接：AlphaZero 用不到一天的時間，從完全不懂規則到擊敗所有人類和 AI 冠軍。影片說「一天」是略有誇大的 — 實際是 4 到 9 小時 — 但核心結論是準確的。
泛化能力為什麼重要？Deep Blue 花了 IBM 數年時間、數百萬美元，只解決了「一個遊戲」。AlphaZero 用同一個算法，在幾小時內解決了三個不同遊戲。這就是「通用智能」和「專用工具」的差距。哈薩比斯的終極目標 — AGI（通用人工智能）— 就是把這種泛化能力推到極致。
矩陣乘法是現代計算的基石 — 從圖形渲染到機器學習，幾乎所有計算任務都涉及矩陣乘法。1969 年，Volker Strassen 發現了一個比標準算法更高效的矩陣乘法方法，震驚了數學界。此後 50 年，沒有人能在這個基礎上進一步改進。
2022 年，AlphaTensor 做到了。它將矩陣乘法的優化問題轉化為一個類似遊戲的搜索問題，然後用強化學習找到了比 Strassen 算法更高效的分解方式（針對特定矩陣大小）。這項成果發表在 Nature 2022 年上。
AlphaChip 用強化學習來設計晶片佈局（floorplanning），聲稱能在幾小時內完成人類工程師需要數週的工作，且品質相當或更優。論文 2021 年發表在 Nature 上，Google 也聲稱已在 TPU 設計中使用了此技術。
然而，這篇論文受到了不小的爭議。2023 年，Nature 為這篇論文添加了編輯註（editorial note），指出有讀者對論文的方法學和基準比較提出了質疑。具體來說：
1. 部分學者（包括 Google 內部的研究員）質疑論文中的基準比較不公平 — 人類工程師的方案可能被不當弱化了。
2. 有研究者嘗試重複實驗，得到的結果不如論文聲稱的那麼好。
3. 儘管如此，論文本身並未被撤回，且 Google 確認該技術已在生產中使用。
AlphaChip 的爭議提醒我們：即使發表在 Nature 上的論文，也不代表所有結論都板上釘釘。科學的自我修正機制正在運作 — 這恰恰是健康的科學生態。
星際爭霸 II 被認為是 AI 最難征服的遊戲之一：不完全資訊、即時決策、長期規劃、多兵種協調。2019 年，AlphaStar 在 Nature 上發表，展示了它擊敗職業選手 TLO（10:1）和 MaNa（5:0）的成績，並在歐洲天梯上達到 Grandmaster 等級（前 0.2%）。
2021 年，哈薩比斯創辦了 Isomorphic Labs，目標是用 AI 徹底革新藥物研發。傳統藥物研發需要 10-15 年、花費 10-20 億美元，且成功率只有約 10%。Isomorphic Labs 的願景是大幅壓縮這個過程。
2024 年 1 月，Isomorphic Labs 同時宣布與兩大藥廠的合作：Eli Lilly（最高 $17 億）和 Novartis（最高 $12 億），總計約 $30 億。公司預計在 2026 年底將首批 AI 設計的藥物推進到人體臨床試驗階段。
隨著 AI 生成內容的爆炸式增長，如何辨別真假成為迫切問題。DeepMind 開發的 SynthID 技術可以在 AI 生成的文字、圖像、音訊和影片中嵌入不可見的數位浮水印，且不影響內容品質。截至 2024 年，已有超過 100 億個 AI 生成內容被打上了 SynthID 標記。
在 Cleo Abram 的專訪中，哈薩比斯罕見地對 AI 風險發出了明確警告。作為世界上最先進 AI 實驗室的負責人，他的擔憂值得認真對待。
AlphaFold 可以幫助設計救命藥物，但同樣的技術反過來也可以被用來設計生物武器。任何能預測蛋白質結構的工具，理論上也能預測毒素的結構。
哈薩比斯承認：「這是我最擔心的近期風險。」
隨著 AI 系統被賦予越來越多的自主行動能力（Agent），一旦它們的目標函數出現偏差，可能會做出人類無法預測和控制的事情。
哈薩比斯用了「gone rogue」這個詞 — 字面意思是「變成流氓」。
哈薩比斯提出的解決方案不是「放慢腳步」，而是全球頂尖實驗室的跨國合作。他認為：
1. AI 安全研究的速度必須至少跟上 AI 能力研究的速度。
2. 需要類似國際原子能機構（IAEA）的全球性 AI 監管框架。
3. 前沿實驗室之間應該共享安全研究成果，即使它們在商業上是競爭對手。
「我認為風險是真實的，但我也認為不開發 AI 的風險同樣巨大。想像一下有一種能治癒所有癌症的技術，你不去開發它？關鍵不是要不要做，而是怎麼負責任地做。」
— Demis Hassabis，Cleo Abram 專訪
哈薩比斯在專訪中描繪了一幅宏大的未來圖景。我們逐一評估這些預測的可信度：
| 預測 | 時間表 | 當前進展 | 可信度 |
|---|---|---|---|
| 攻克根節點難題（超導體、新電池、核聚變材料） | 10-20 年 | GNoME 已發現 38 萬種新穩定材料（Nature 2023）。部分已在實驗室合成驗證。 | 中等 |
| 治愈所有絕症 | 20-30 年 | Isomorphic Labs 推進中，$30 億合作已簽。AlphaFold 3 可預測蛋白質與藥物分子的交互作用。但從預測到臨床成功仍有巨大鴻溝。 | 中等 |
| 無限能源（核聚變商業化） | 20-40 年 | 2022 年 NIF 首次實現淨能量增益，但距離商業化仍有巨大工程挑戰。核聚變「永遠還要 30 年」是老笑話，但 AI 可能加速材料和工程問題的解決。 | 中低 |
| 戴森球 | 50+ 年 | 純理論。目前人類甚至無法在太空中建造大型結構。從物理原理上可行，但工程挑戰是天文級的。 | 極低 |
| 星際殖民 | 50+ 年 | 最近的恆星系（半人馬座 Alpha）距離 4.37 光年。以目前的推進技術，需要數萬年。即使有突破性技術，50 年內實現的可能性極低。 | 極低 |
整體評估：哈薩比斯的藍圖可以分為兩部分。近期目標（蛋白質、藥物、材料發現）有堅實的科學基礎和真實的進展，可信度中等偏高。遠期願景（戴森球、星際殖民）目前更接近科幻而非科學規劃，可信度很低。但話說回來，如果 AGI 真的實現了，它能帶來什麼突破，目前的我們可能根本無法預測。
公元 207 年，27 歲的諸葛亮在隆中的茅廬裡，向劉備描述了「三分天下」的完整戰略：先取荊州、再取益州、聯吳抗曹、待天下有變則北伐中原。
哈薩比斯的 50 年藍圖與隆中對有驚人的相似之處：都是在事業起步時就規劃好了終局策略。
隆中對的實現程度：取荊州（成功）、取益州（成功）、聯吳抗曹（成功）— 但最終目標「統一中原」失敗了。三分天下實現了，但最終的統一由司馬家完成，不是蜀漢。
啟示：哈薩比斯的藍圖可能面臨同樣的命運 — 近期目標會成功，但遠期目標可能永遠停留在藍圖上。蛋白質折疊解決了，藥物研發在推進中，但戴森球和星際殖民？就像諸葛亮的「北伐中原」，可能是一個永遠在路上的夢想。
1485 年左右，Leonardo da Vinci 在他的筆記本上畫下了飛行器、直升機、坦克、潛水艇的設計圖。在 15 世紀，這些設計被視為天才的幻想 — 或者，瘋子的塗鴉。
500 年後，這些設計全部實現了。飛機、直升機、坦克、潛水艇，全都成為了現實。
但有一個關鍵差異：達文西只有想法，沒有工具。他的飛行器設計之所以沒有在他的時代實現，不是因為設計有問題，而是因為 15 世紀沒有引擎。
哈薩比斯的情況不同。他不只有想法，他還有 AI 這個超級工具。如果 AI 真的能加速科學發現 10 倍、100 倍，那麼那些看起來需要 500 年的目標，也許真的能在 50 年內部分實現。
當然，「部分實現」和「完全實現」之間的鴻溝，可能跟達文西的手稿到萊特兄弟的飛機之間的 400 年一樣大。
哈薩比斯的核心邏輯異常清晰：不要一個一個解決問題，先造出一個能解決所有問題的工具。
這就像一個企業家不去做具體的生意，而是先建造一台「萬能工廠」。聽起來瘋狂？Google 在 2014 年花了 5 億英鎊收購 DeepMind，說明至少有人相信這個邏輯。十年後的諾貝爾獎證明了這個賭注的回報。
商業啟示：在你的行業裡，有沒有一個「元問題」— 解決了它，其他問題就會連鎖解決？投資在這個元問題上，而不是逐一滅火。
傳統的蛋白質結構服務模式是：科學家提交需求 → 實驗室排隊 → 花幾年解出一個。DeepMind 的做法是：不接受訂單，直接把地球上所有蛋白質全部折完，免費給你。
這不是「做得更快」，這是改變遊戲規則。就像 Google 不是「更好的圖書館」，而是「把所有書都搜索完了給你結果」。
商業啟示：有沒有可能在你的行業裡，不是「接更多訂單」，而是「一次解決所有人的需求」？這就是平台思維和產品思維的差別。
DeepMind、OpenAI、Anthropic 這些前沿實驗室正在瘋狂地建造 AI 基礎設施。但它們的問題是：產能過剩，應用不足。它們造了超級引擎，但缺的是把引擎裝到各種車上開的人。
你不需要發明 AlphaFold，你需要的是：把 AlphaFold 的成果用到你的行業裡。農業、法律、教育、建築、物流 — 每一個行業都有尚未被 AI 觸及的問題。
商業啟示：前沿實驗室拼的是「造火箭」，普通人的機會在「開卡車」。火箭建好了，總需要有人把貨物送到千家萬戶。
AlphaGo 的第 37 手不是「比人類下得更好」，而是走出了人類從未想到過的棋路。AlphaFold 不是「比人類算得更快」，而是解決了人類根本算不了的問題。AlphaTensor 不是「比數學家更聰明」，而是發現了數學家 50 年沒發現的算法。
AI 的最大價值不在於自動化（把人類能做的事做得更快更便宜），而在於突破（做到人類根本做不到的事）。
商業啟示：不要用 AI 來做你已經會做的事（省成本），要用它來做你從來做不到的事（創造新價值）。前者是效率提升，後者是範式轉移。
獨特見解這支影片的核心功績，在於把 Demis Hassabis 的專訪內容整理成了一條清晰的敘事線：從棋童到 AI 教父、從蛋白質到星際殖民。經過我們的逐一驗證，14 個論點中 8 個完全證實、5 個部分正確、1 個有爭議、0 個錯誤 — 這在 YouTube 科普內容中屬於相當高的準確度。
但影片也有一個隱含的偏見：它在敘事上傾向於「英雄史詩」的框架，把哈薩比斯描繪成一個從小就注定改變世界的天才。現實中，DeepMind 的成功是數千名研究員的集體成果，Google 的天量算力和資金支持也是不可或缺的條件。個人英雄敘事雖然吸引人，但不應該遮蓋制度和團隊的力量。
「我們不是在建造一個產品。我們是在嘗試理解智能的本質。如果我們成功了，它將是人類歷史上最有用的技術。如果我們失敗了，我們至少會更加理解人類大腦是如何工作的。無論哪種結果，這都是值得做的事。」
— Demis Hassabis
最終判斷：哈薩比斯是一個非常少見的人物 — 既有深厚的科學底蘊（神經科學博士、Nature/Science 論文、諾貝爾獎），又有商業直覺（Theme Park、DeepMind、Isomorphic Labs），還有長期願景（50 年藍圖）。他的近期目標（蛋白質、藥物、材料）正在一個接一個地實現。他的遠期願景（戴森球、星際殖民）可能要留給下一代人去驗證。但有一點是確定的：AlphaFold 已經永久地改變了生物學，而這只是開始。