【編者按】近日，人工智能（AI）不斷霸屏各大社交媒體：AI 成爲諾貝爾兩大獎項最後贏家、通用人工智能（AGI）最早可能在 2026 年出現、百年難題李雅普諾夫函數謎題被 AI 攻克、AI 助力醫療取得突破進展......相關新聞引起人們廣泛討論。
那麽，AI 在促進科學方面究竟發揮了怎樣的作用？我們可以一起來聽聽新晉諾獎得主、Google DeepMind 首席執行官 Demis Hassabis 的觀點。
日前，英國《金融時報》（FT）刊登了 Hassabis 接受科技記者 Madhumita Murgia 的專訪。在訪談中，Hassabis 深度探討了AI 在生物學、材料設計、氣候建模等科學領域的突破性應用及其發展方向，並強調了在推進 AGI 過程中對系統理解、安全性及社會價值觀討論的重要性。
他說道：“AI 已經到達一個分水嶺，人們認識到它實際上已經足夠成熟，可以幫助科學發現。”
部分核心觀點如下：
. 沒人知道[諾貝爾]委員會在想什麽...... 這感覺像是 AI 的一個分水嶺，人們認識到它實際上已經足夠成熟，可以幫助科學發現。
. 希望 10 年後回顧 AlphaFold，它將預示著所有這些不同領域的科學發現進入一個新的黃金時代。
. 從某種意義上說，預測是理解的一部分。如果能預測，就能理解。
. AI 是一門工程科學。這意味著你必須先制造出 AI，然後才能研究它。這與自然科學不同，在自然科學中，現象已經存在。
. [實現 AGI 的]科學方法意味著要將更多的時間、精力和思想投入到理解和分析工具、基准測試和評估上...... AI 安全機構也需要投入 10 倍以上的精力。學術界和民間社會也是如此。
. 科學就是在一切發生之前你能理解的東西。
學術頭條在不改變原文大意的情況下，對訪談內容做了簡單的編譯。內容如下：
Madhumita Murgia：你獲得諾貝爾獎已經一天了，感覺如何？
Demis Hassabis：說實話，昨天的一切都很模糊，我的腦子完全亂了，這種情況幾乎從未發生過。那是一次奇怪的經曆，幾乎就像靈魂出竅一樣。今天仍然感覺很不真實。今天早上醒來時，我心想，這是真的嗎？說實話，這仍然感覺像一場夢。
MM：由于你在 AlphaFold 模型方面的工作，蛋白質折疊問題已基本得到解決。AlphaFold 模型是一種可以預測所有已知蛋白質結構的 AI 系統。你認爲 AI 要破解的下一個巨大挑戰是什麽？
DH：有幾個。首先，在生物學方面——你可以看到我們在 AlphaFold 3 中的進展——我們的想法是了解[生物]相互作用，並最終模擬整個路徑。然後，我可能想在某個時候構建一個虛擬細胞。
借助 Isomorphic（DeepMind 的藥物開發子公司），我們正嘗試拓展藥物研發領域——設計化學化合物，找出它們的結合位置，預測這些化合物的性質、吸收、毒性等等。我們在 Eli Lilly 和 Novartis 都有很好的合作夥伴……我們與他們合作開展項目，進展非常順利。我想解決一些疾病。我希望我們能幫助治愈一些疾病。
MM：你們有興趣解決什麽特定的疾病嗎？
DH：我們有。我們正在開展 6 個藥物項目。我不能說是哪些領域，但它們都是健康的重要領域。我希望我們能在未來幾年內將一些藥物投入臨床研究——非常快。然後，顯然，我們必須經曆整個臨床過程，但至少藥物研發的部分將大大縮減。
MM：生物學之外還有什麽其他領域讓你感興趣嗎？
DH：我對我們的材料設計工作感到非常興奮：去年我們在Nature上發表了一篇關于一種名爲 GNoME 的工具的論文（一種發現了 220 萬個新晶體的 AI 工具）。這是 AlphaFold-1 級材料設計。我們需要達到 AlphaFold-2 級，我們正在努力實現這個目標。
我們將在 AI 的幫助下解決一些重要的數學猜想。今年夏天我們獲得了奧林匹克競賽銀牌。這是一場非常艱難的比賽。未來幾年裏，我們將解決其中一個重要猜想。
然後，在能源/氣候方面，我們的 Graphcast 天氣建模贏得了 MacRobert 獎，這是工程方面的一項巨大榮譽。我們正在研究是否可以使用這些技術來幫助氣候建模，使其更加精確，這對于幫助應對氣候變化以及優化電網等都很重要。
MM：看來你的重點更多地放在應用方面——關注那些能轉化爲現實影響的工作，而不是純粹的基礎性工作。
DH：這麽說也許沒錯。像蛋白質折疊這樣的挑戰並不多。我過去稱它爲生物學中的費馬最後定理。沒有多少事情像蛋白質折疊這樣重要且長期存在。
顯然，我非常專注于利用基于智能體的系統推進 AGI。我們可能想談談 Astra 項目以及數字助理、通用數字助理的未來，我個人也在研究這些，我認爲這是通往 AGI 的道路。
MM：AI 領域同時獲得諾貝爾化學獎和諾貝爾物理學獎（今年的物理學獎授予了 Geoffrey Hinton 和 John Hopfield，以表彰他們在現代 AI 系統的基礎技術神經網絡方面的工作）如何看待這項技術在科學中的作用和影響？
DH：這很有趣。顯然，沒人知道[諾貝爾]委員會在想什麽。但很難不認爲這只是委員會的一個聲明。這感覺像是 AI 的一個分水嶺，人們認識到它實際上已經足夠成熟，可以幫助科學發現。
AlphaFold 就是最好的例子。而 Geoff 和 Hopfield 的獎項則是爲了更基礎、更底層的算法工作……有趣的是，他們決定將這些獎項合並在一起，幾乎是雙重相關的獎項。
對我來說，我希望 10 年後回顧 AlphaFold，它將預示著所有這些不同領域的科學發現進入一個新的黃金時代。我希望我們將爲這一成果錦上添花。我認爲，我們是世界上非常獨特的大型實驗室之一，實際上我們不僅談論將其用于科學研究，而且正在付諸實踐。
學術界也有很多很酷的事情發生。我曾和天體物理學領域的一位諾貝爾獎獲得者聊過，他正在用它掃描天空，尋找大氣信號等等。這很完美。它正在歐洲核子研究中心使用。所以也許委員會想承認這一時刻。我認爲他們這樣做很酷。
MM：你的 AlphaFold 研究將爲我們帶來哪些新發現？你是否在其他實驗室看到過讓你興奮的有趣突破？
DH：Nature上關于核孔複合體的特刊給我留下了深刻的印象，核孔複合體是人體最大的蛋白質之一，它像大門一樣打開和關閉，讓營養物質進出細胞核。四項研究同時發現了這種結構。四篇論文中有三篇發現 AlphaFold 預測是他們能夠解決整體結構的關鍵部分。這是基本的生物學理解。這是讓我印象深刻的事情。
酶設計確實很有趣。像 Francis Arnold（美國生物化學家、諾貝爾獎獲得者）等人研究了將 AI 與定向 [蛋白質] 進化相結合。有很多有趣的組合。許多頂級實驗室已經將其用于植物，研究能否讓植物更好地抵抗氣候變化。小麥有數萬種蛋白質。沒有人研究過這一點，因爲這樣做的實驗成本太高。它對各個領域都有幫助，很高興看到這一點。
MM：我有一個關于科學事業的概念性問題。我們原本認爲預測某件事就是最重要的，于是花費了那麽多時間和精力去預測，比如蛋白質的結構。但現在我們可以利用機器學習快速做到這一點，而無需理解“爲什麽”。這是否意味著作爲科學家，我們應該努力推動自己去尋找更多的東西？這是否會改變我們學習科學概念的方式？
DH：這個問題很有趣。從某種意義上說，預測是理解的一部分。如果能預測，就能理解。現在，有了這些新的 [AI] 系統，它們就成了世界上的新産物，它們不符合物體的常規分類。它們本身具有一些內在能力，這使它們成爲一類獨特的新工具。
我的觀點是，如果産出足夠重要，例如蛋白質結構，那麽它本身就是有價值的。如果生物學家正在研究利什曼病，那麽他們從哪裏獲得蛋白質結構並不重要，只要它們是正確的，他們就可以在此基礎上進行科學研究。或者，如果你治愈了癌症，你不會說：別給我這個，因爲我們不了解它。在沒有完全理解的情況下，這將是一件了不起的事情。
科學有很多抽象概念。整個化學都是這樣，對吧？它建立在物理學的基礎上，然後生物學從中衍生出來。但它可以在其自己的抽象層面上被理解，而不必理解其下面的所有物理學。你可以談論原子、化學物質和化合物，而不必完全理解量子力學的一切——我們還沒有完全理解量子力學。這是一個抽象層。它已經存在于科學中。
至于生物學，我們可以研究生命，但仍然不知道生命是如何進化或出現的。我們甚至無法正確定義它。但這些都是龐大的領域：生物學、化學和物理學。
所以從某種意義上說，這並不罕見——AI 就像一個抽象層。構建程序和網絡的人在某種程度上理解這一點，但這種新興屬性就從中産生，在這種情況下就是預測。但你可以在科學層面上分析這些預測本身。
話雖如此，我認爲理解非常重要。尤其是當我們越來越接近 AGI 時。我認爲它會比現在好得多。AI 是一門工程科學。這意味著你必須先制造出 AI，然後才能研究它。這與自然科學不同，在自然科學中，現象已經存在。
而且，AI 是一種人造的、工程化的人工制品，這並不意味著它的複雜程度會低于我們想要研究的自然現象。所以你應該預料到，理解、解構和解構一個像神經網絡這樣的人工制品同樣困難。這種情況現在正在發生，我們正在取得一些進展。
有一整個領域叫做“機理可解釋性”（mechanistic interpretation），就是使用神經科學的工具和理念來分析這些虛擬大腦。我熱愛這個領域，並在 DeepMind 鼓勵這方面的工作。
MM：我查閱了你之前提到的一個關于利用神經網絡繪制果蠅連接組（大腦圖譜）的項目。AI 有助于理解這一自然現象。
DH：沒錯。這是一個完美的例子，說明這些東西是如何結合起來的，然後我們慢慢地對這些系統有了越來越多的了解。所以，是的，這是一個很好的問題，我非常樂觀地認爲，在未來幾年裏，我們將在理解 AI 系統方面取得很大進展。
當然，也許它們也可以自我解釋。想象一下將 AlphaFold 與語言能力系統結合起來，也許它可以解釋一下它在做什麽。
MM：AI 領域的技術行業競爭態勢已經變得更加激烈。你認爲這會如何影響和塑造這一領域的進步？你是否擔心創意會越來越少，人們會更加關注基于 Transformer 的大語言模型？
DH：我認爲，實際上許多領先的實驗室正在縮小他們的研究範圍，專注于擴展 transformer。顯然，它們非常棒，將成爲終極 AGI 系統的關鍵組成部分。
但我們一直堅信探索和創新研究。我們一直保持著這樣做的能力——在發明下一代 transformer 方面，我們擁有迄今爲止最廣泛和最深入的研究平台，如果需要的話。
這是我們科學傳統的一部分，不僅在 DeepMind，在 Google Brain 也是如此。我們正在加倍努力，同時在工程和規模化方面與其他人保持同步。
我們必須這樣做——部分原因是爲了看看這能走多遠，這樣你就知道你需要探索什麽。我一直相信，在探索新想法的同時，也要將令人興奮的想法發揮到極致。除非你知道當前想法的絕對極限，否則你不知道你需要什麽突破。
在長上下文窗口（衡量 LLM 一次可以處理多少文本的指標）中看到了這一點。這是一項很酷的創新，沒有人能夠複制它。這只是其中一件事——我們的主流工作中還將出現更多突破。
MM：你和其他人都說過 AGI 距離實現還有 5 到 20 年的時間：實現這一目標的科學方法是什麽樣子的？當我們實現這一目標時會發生什麽？
DH：科學方法意味著要將更多的時間、精力和思想投入到理解和分析工具、基准測試和評估上。不僅是公司，AI 安全機構也需要投入 10 倍以上的精力。我認爲學術界和民間社會也是如此。
我認爲我們需要了解系統在做什麽、這些系統的局限性以及如何控制和保護這些系統。理解是科學方法的重要組成部分。我認爲純工程學缺少這一點。工程學只是觀察——它是否有效？如果不行，就再試一次。這都是反複試驗的過程。
科學就是在一切發生之前你能理解的東西。理想情況下，這種理解意味著你會犯更少的錯誤。這對 AGI 和 AI 很重要，因爲它是一項非常強大的技術，你希望盡可能少犯錯誤。
當然，你希望能夠做到完美，但它太新了，發展太快了。但我們肯定可以做得比過去的技術更好。我認爲我們需要用 AI 做到這一點。這就是我所提倡的。
當我們距離 AGI 更近時，也許還需要幾年時間，就會出現一個社會問題，而這個問題也可以通過科學方法來解答。我們希望這些系統擁有什麽價值觀？我們希望爲它們設定什麽目標？
因此，這兩個問題是分開的。技術上的問題是，如何讓事情朝著你設定的目標前進？但這並不能幫助你決定這個目標應該是什麽，對吧？但你需要這兩件事都正確才能建立一個安全的 AGI 系統。
我認爲第二個問題可能更難回答，比如，目標是什麽、價值觀是什麽等等。我認爲我們需要就此展開廣泛討論，與政府、民間社會、學術界、社會各界——甚至包括社會科學和哲學界展開討論。
我嘗試與所有這些類型的人交流，但在這方面我有點與衆不同。我試圖鼓勵更多的人這樣做，或者至少充當榜樣，充當將這些聲音帶到談判桌上的渠道。
我認爲我們應該現在就開始，因爲即使 AGI 還需要 10 年時間才能實現，而且有些人認爲它可能會更快，時間也不多了。---來源 : 學術頭條-
