【编者按】近日，人工智能（AI）不断霸屏各大社交媒体：AI 成为诺贝尔两大奖项最后赢家、通用人工智能（AGI）最早可能在 2026 年出现、百年难题李雅普诺夫函数谜题被 AI 攻克、AI 助力医疗取得突破进展......相关新闻引起人们广泛讨论。
那么，AI 在促进科学方面究竟发挥了怎样的作用？我们可以一起来听听新晋诺奖得主、Google DeepMind 首席执行官 Demis Hassabis 的观点。
日前，英国《金融时报》（FT）刊登了 Hassabis 接受科技记者 Madhumita Murgia 的专访。在访谈中，Hassabis 深度探讨了 AI 在生物学、材料设计、气候建模等科学领域的突破性应用及其发展方向，并强调了在推进 AGI 过程中对系统理解、安全性及社会价值观讨论的重要性。
他说道：“AI 已经到达一个分水岭，人们认识到它实际上已经足够成熟，可以帮助科学发现。”
部分核心观点如下：
- 没人知道[诺贝尔]委员会在想什么...... 这感觉像是 AI 的一个分水岭，人们认识到它实际上已经足够成熟，可以帮助科学发现。
- 希望 10 年后回顾 AlphaFold，它将预示着所有这些不同领域的科学发现进入一个新的黄金时代。
- 从某种意义上说，预测是理解的一部分。如果能预测，就能理解。
- AI 是一门工程科学。这意味着你必须先制造出 AI，然后才能研究它。这与自然科学不同，在自然科学中，现象已经存在。
- [实现 AGI 的]科学方法意味着要将更多的时间、精力和思想投入到理解和分析工具、基准测试和评估上...... AI 安全机构也需要投入 10 倍以上的精力。学术界和民间社会也是如此。
- 科学就是在一切发生之前你能理解的东西。
学术头条在不改变原文大意的情况下，对访谈内容做了简单的编译。内容如下：
Madhumita Murgia：你获得诺贝尔奖已经一天了，感觉如何？
Demis Hassabis：说实话，昨天的一切都很模糊，我的脑子完全乱了，这种情况几乎从未发生过。那是一次奇怪的经历，几乎就像灵魂出窍一样。今天仍然感觉很不真实。今天早上醒来时，我心想，这是真的吗？说实话，这仍然感觉像一场梦。
MM：由于你在 AlphaFold 模型方面的工作，蛋白质折叠问题已基本得到解决。AlphaFold 模型是一种可以预测所有已知蛋白质结构的 AI 系统。你认为 AI 要破解的下一个巨大挑战是什么？
DH：有几个。首先，在生物学方面——你可以看到我们在 AlphaFold 3 中的进展——我们的想法是了解[生物]相互作用，并最终模拟整个路径。然后，我可能想在某个时候构建一个虚拟细胞。
借助 Isomorphic（DeepMind 的药物开发子公司），我们正尝试拓展药物研发领域——设计化学化合物，找出它们的结合位置，预测这些化合物的性质、吸收、毒性等等。我们在 Eli Lilly 和 Novartis 都有很好的合作伙伴……我们与他们合作开展项目，进展非常顺利。我想解决一些疾病。我希望我们能帮助治愈一些疾病。
MM：你们有兴趣解决什么特定的疾病吗？
DH：我们有。我们正在开展 6 个药物项目。我不能说是哪些领域，但它们都是健康的重要领域。我希望我们能在未来几年内将一些药物投入临床研究——非常快。然后，显然，我们必须经历整个临床过程，但至少药物研发的部分将大大缩减。
MM：生物学之外还有什么其他领域让你感兴趣吗？
DH：我对我们的材料设计工作感到非常兴奋：去年我们在 Nature 上发表了一篇关于一种名为 GNoME 的工具的论文（一种发现了 220 万个新晶体的 AI 工具）。这是 AlphaFold-1 级材料设计。我们需要达到 AlphaFold-2 级，我们正在努力实现这个目标。
我们将在 AI 的帮助下解决一些重要的数学猜想。今年夏天我们获得了奥林匹克竞赛银牌。这是一场非常艰难的比赛。未来几年里，我们将解决其中一个重要猜想。
然后，在能源/气候方面，我们的 Graphcast 天气建模赢得了 MacRobert 奖，这是工程方面的一项巨大荣誉。我们正在研究是否可以使用这些技术来帮助气候建模，使其更加精确，这对于帮助应对气候变化以及优化电网等都很重要。
MM：看来你的重点更多地放在应用方面——关注那些能转化为现实影响的工作，而不是纯粹的基础性工作。
DH：这么说也许没错。像蛋白质折叠这样的挑战并不多。我过去称它为生物学中的费马最后定理。没有多少事情像蛋白质折叠这样重要且长期存在。
显然，我非常专注于利用基于智能体的系统推进 AGI。我们可能想谈谈 Astra 项目以及数字助理、通用数字助理的未来，我个人也在研究这些，我认为这是通往 AGI 的道路。
MM：AI 领域同时获得诺贝尔化学奖和诺贝尔物理学奖（今年的物理学奖授予了 Geoffrey Hinton 和 John Hopfield，以表彰他们在现代 AI 系统的基础技术神经网络方面的工作）如何看待这项技术在科学中的作用和影响？
DH：这很有趣。显然，没人知道[诺贝尔]委员会在想什么。但很难不认为这只是委员会的一个声明。这感觉像是 AI 的一个分水岭，人们认识到它实际上已经足够成熟，可以帮助科学发现。
AlphaFold 就是最好的例子。而 Geoff 和 Hopfield 的奖项则是为了更基础、更底层的算法工作……有趣的是，他们决定将这些奖项合并在一起，几乎是双重相关的奖项。
对我来说，我希望 10 年后回顾 AlphaFold，它将预示着所有这些不同领域的科学发现进入一个新的黄金时代。我希望我们将为这一成果锦上添花。我认为，我们是世界上非常独特的大型实验室之一，实际上我们不仅谈论将其用于科学研究，而且正在付诸实践。
学术界也有很多很酷的事情发生。我曾和天体物理学领域的一位诺贝尔奖获得者聊过，他正在用它扫描天空，寻找大气信号等等。这很完美。它正在欧洲核子研究中心使用。所以也许委员会想承认这一时刻。我认为他们这样做很酷。
MM：你的 AlphaFold 研究将为我们带来哪些新发现？你是否在其他实验室看到过让你兴奋的有趣突破？
DH：Nature上关于核孔复合体的特刊给我留下了深刻的印象，核孔复合体是人体最大的蛋白质之一，它像大门一样打开和关闭，让营养物质进出细胞核。四项研究同时发现了这种结构。四篇论文中有三篇发现 AlphaFold 预测是他们能够解决整体结构的关键部分。这是基本的生物学理解。这是让我印象深刻的事情。
酶设计确实很有趣。像 Francis Arnold（美国生物化学家、诺贝尔奖获得者）等人研究了将 AI 与定向 [蛋白质] 进化相结合。有很多有趣的组合。许多顶级实验室已经将其用于植物，研究能否让植物更好地抵抗气候变化。小麦有数万种蛋白质。没有人研究过这一点，因为这样做的实验成本太高。它对各个领域都有帮助，很高兴看到这一点。
MM：我有一个关于科学事业的概念性问题。我们原本认为预测某件事就是最重要的，于是花费了那么多时间和精力去预测，比如蛋白质的结构。但现在我们可以利用机器学习快速做到这一点，而无需理解“为什么”。这是否意味着作为科学家，我们应该努力推动自己去寻找更多的东西？这是否会改变我们学习科学概念的方式？
DH：这个问题很有趣。从某种意义上说，预测是理解的一部分。如果能预测，就能理解。现在，有了这些新的 [AI] 系统，它们就成了世界上的新产物，它们不符合物体的常规分类。它们本身具有一些内在能力，这使它们成为一类独特的新工具。
我的观点是，如果产出足够重要，例如蛋白质结构，那么它本身就是有价值的。如果生物学家正在研究利什曼病，那么他们从哪里获得蛋白质结构并不重要，只要它们是正确的，他们就可以在此基础上进行科学研究。或者，如果你治愈了癌症，你不会说：别给我这个，因为我们不了解它。在没有完全理解的情况下，这将是一件了不起的事情。
科学有很多抽象概念。整个化学都是这样，对吧？它建立在物理学的基础上，然后生物学从中衍生出来。但它可以在其自己的抽象层面上被理解，而不必理解其下面的所有物理学。你可以谈论原子、化学物质和化合物，而不必完全理解量子力学的一切——我们还没有完全理解量子力学。这是一个抽象层。它已经存在于科学中。
至于生物学，我们可以研究生命，但仍然不知道生命是如何进化或出现的。我们甚至无法正确定义它。但这些都是庞大的领域：生物学、化学和物理学。所以从某种意义上说，这并不罕见——AI 就像一个抽象层。构建程序和网络的人在某种程度上理解这一点，但这种新兴属性就从中产生，在这种情况下就是预测。但你可以在科学层面上分析这些预测本身。
话虽如此，我认为理解非常重要。尤其是当我们越来越接近 AGI 时。我认为它会比现在好得多。AI 是一门工程科学。这意味着你必须先制造出 AI，然后才能研究它。这与自然科学不同，在自然科学中，现象已经存在。
而且，AI 是一种人造的、工程化的人工制品，这并不意味着它的复杂程度会低于我们想要研究的自然现象。所以你应该预料到，理解、解构和解构一个像神经网络这样的人工制品同样困难。这种情况现在正在发生，我们正在取得一些进展。有一整个领域叫做“机理可解释性”（mechanistic interpretation），就是使用神经科学的工具和理念来分析这些虚拟大脑。我热爱这个领域，并在 DeepMind 鼓励这方面的工作。
MM：我查阅了你之前提到的一个关于利用神经网络绘制果蝇连接组（大脑图谱）的项目。AI 有助于理解这一自然现象。
DH：没错。这是一个完美的例子，说明这些东西是如何结合起来的，然后我们慢慢地对这些系统有了越来越多的了解。所以，是的，这是一个很好的问题，我非常乐观地认为，在未来几年里，我们将在理解 AI 系统方面取得很大进展。当然，也许它们也可以自我解释。想象一下将 AlphaFold 与语言能力系统结合起来，也许它可以解释一下它在做什么。
MM：AI 领域的技术行业竞争态势已经变得更加激烈。你认为这会如何影响和塑造这一领域的进步？你是否担心创意会越来越少，人们会更加关注基于 Transformer 的大语言模型？
DH：我认为，实际上许多领先的实验室正在缩小他们的研究范围，专注于扩展 transformer。显然，它们非常棒，将成为终极 AGI 系统的关键组成部分。但我们一直坚信探索和创新研究。我们一直保持着这样做的能力——在发明下一代 transformer 方面，我们拥有迄今为止最广泛和最深入的研究平台，如果需要的话。这是我们科学传统的一部分，不仅在 DeepMind，在 Google Brain 也是如此。我们正在加倍努力，同时在工程和规模化方面与其他人保持同步。
我们必须这样做——部分原因是为了看看这能走多远，这样你就知道你需要探索什么。我一直相信，在探索新想法的同时，也要将令人兴奋的想法发挥到极致。除非你知道当前想法的绝对极限，否则你不知道你需要什么突破。
在长上下文窗口（衡量 LLM 一次可以处理多少文本的指标）中看到了这一点。这是一项很酷的创新，没有人能够复制它。这只是其中一件事——我们的主流工作中还将出现更多突破。
MM：你和其他人都说过 AGI 距离实现还有 5 到 20 年的时间：实现这一目标的科学方法是什么样子的？当我们实现这一目标时会发生什么？
DH：科学方法意味着要将更多的时间、精力和思想投入到理解和分析工具、基准测试和评估上。不仅是公司，AI 安全机构也需要投入 10 倍以上的精力。我认为学术界和民间社会也是如此。
我认为我们需要了解系统在做什么、这些系统的局限性以及如何控制和保护这些系统。理解是科学方法的重要组成部分。我认为纯工程学缺少这一点。工程学只是观察——它是否有效？如果不行，就再试一次。这都是反复试验的过程。
科学就是在一切发生之前你能理解的东西。理想情况下，这种理解意味着你会犯更少的错误。这对 AGI 和 AI 很重要，因为它是一项非常强大的技术，你希望尽可能少犯错误。
当然，你希望能够做到完美，但它太新了，发展太快了。但我们肯定可以做得比过去的技术更好。我认为我们需要用 AI 做到这一点。这就是我所提倡的。
当我们距离 AGI 更近时，也许还需要几年时间，就会出现一个社会问题，而这个问题也可以通过科学方法来解答。我们希望这些系统拥有什么价值观？我们希望为它们设定什么目标？
因此，这两个问题是分开的。技术上的问题是，如何让事情朝着你设定的目标前进？但这并不能帮助你决定这个目标应该是什么，对吧？但你需要这两件事都正确才能建立一个安全的 AGI 系统。
我认为第二个问题可能更难回答，比如，目标是什么、价值观是什么等等。我认为我们需要就此展开广泛讨论，与政府、民间社会、学术界、社会各界——甚至包括社会科学和哲学界展开讨论。
我尝试与所有这些类型的人交流，但在这方面我有点与众不同。我试图鼓励更多的人这样做，或者至少充当榜样，充当将这些声音带到谈判桌上的渠道。
我认为我们应该现在就开始，因为即使 AGI 还需要 10 年时间才能实现，而且有些人认为它可能会更快，时间也不多了。
