DeepMind創始人最新訪談：今年的諾貝爾獎，就像是AI的分水嶺

【編者按】近日，人工智慧（AI）不斷霸屏各大社交媒體：AI 成為諾貝爾兩大獎項最後贏家、通用人工智慧（AGI）最早可能在 2026 年出現、百年難題李雅普諾夫函式謎題被 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。

那麼， 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 執行長 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]委員會在想什麼...... 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。這意味著你必須先製造出 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、基準測試和評估上...... 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。那是一次奇怪的經歷，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：由於你在 AlphaFold 模型方面的工作，蛋白質摺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。你認為 AI 要破解的下一個巨大挑戰是什麼？

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——我們的想法是瞭解[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。

藉助 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 都有很好的合作伙伴……我們與他們合作開展專案，進展非常順利。我想解決一些疾病。我希望我們能幫助治癒一些疾病。

MM： 你們有興趣解決什麼特定的疾病嗎？

DH ：我們有。我們正在開展 6 個藥物專案。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，我們必須經歷整個臨床過程，但至少藥物研發的部分將大大縮減。

MM：生物學之外還有什麼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 上發表了一篇關於一種名為 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。未來幾年裡，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，這對於幫助應對氣候變化以及最佳化電網等都很重要。

MM：看來你的重點更多地放在應用方面——關注那些能轉化為現實影響的工作，而不是純粹的基礎性工作。

DH：這麼說也許沒錯。像蛋白質摺疊這樣的挑戰並不多。我過去稱它為生物學中的費馬最後定理。沒有多少事情像蛋白質摺疊這樣重要且長期存在。

顯然，我非常專注於利用基於智慧體的系統推進 AGI。我們可能想談談 Astra 專案以及數字助理、通用數字助理的未來，我個人也在研究這些，我認為這是通往 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路方面的工作）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]委員會在想什麼。但很難不認為這只是委員會的一個宣告。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 的獎項則是為了更基礎、更底層的演算法工作……有趣的是，他們決定將這些獎項合併在一起，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。我希望我們將為這一成果錦上添花。我認為，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於科學研究，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，尋找大氣訊號等等。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。我認為他們這樣做很酷。

MM：你的 AlphaFold 研究將為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 上關於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，它像大門一樣開啟和關閉，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於植物，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，因為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：我有一個關於科學事業的概念性問題。我們原本認為預測某件事就是最重要的，於是花費了那麼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“為什麼”。這是否意味著作為科學家，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產物，它們不符合物體的常規分類。它們本身具有一些內在能力，這使它們成為一類獨特的新工具。

我的觀點是，如果產出足夠重要，例如蛋白質結構，那麼它本身就是有價值的。如果生物學家正在研究利什曼病，那麼他們從哪裡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，如果你治癒了癌症，你不會說：別給我這個，因為我們不瞭解它。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。它已經存在於科學中。

至於生物學，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。構建程式和網路的人在某種程度上理解這一點，但這種新興屬性就從中產生，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，我認為理解非常重要。尤其是當我們越來越接近 AGI 時。我認為它會比現在好得多。AI 是一門工程科學。這意味著你必須先製造出 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、工程化的人工製品，這並不意味著它的複雜程度會低於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路這樣的人工製品同樣困難。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於利用神經網路繪製果蠅連線組（大腦圖譜）的專案。AI 有助於理解這一自然現象。

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瞭解。所以，是的，這是一個很好的問題，我非常樂觀地認為，在未來幾年裡，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麼。

MM：AI 領域的技術行業競爭態勢已經變得更加激烈。你認為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，人們會更加關注基於 Transformer 的大語言模型？

DH：我認為，實際上許多領先的實驗室正在縮小他們的研究範圍，專注於擴充套件 transformer。顯然，它們非常棒，將成為終極 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，我們擁有迄今為止最廣泛和最深入的研究平臺，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——部分原因是為了看看這能走多遠，這樣你就知道你需要探索什麼。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麼突破。

在長上下文視窗（衡量 LLM 一次可以處理多少文字的指標）中看到了這一點。這是一項很酷的創新，沒有人能夠複製它。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麼樣子的？當我們實現這一目標時會發生什麼？

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、基準測試和評估上。不僅是公司，AI 安全機構也需要投入 10 倍以上的精力。我認為學術界和民間社會也是如此。

我認為我們需要了解系統在做什麼、這些系統的侷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。我認為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。這都是反覆試驗的過程。

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，因為它是一項非常強大的技術，你希望儘可能少犯錯誤。

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。我認為我們需要用 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，而這個問題也可以透過科學方法來解答。我們希望這些系統擁有什麼價值觀？我們希望為它們設定什麼目標？

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麼，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。

我認為第二個問題可能更難回答，比如，目標是什麼、價值觀是什麼等等。我認為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。

我嘗試與所有這些型別的人交流，但在這方面我有點與眾不同。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。

我認為我們應該現在就開始，因為即使 AGI 還需要 10 年時間才能實現，而且有些人認為它可能會更快，時間也不多了。

原文連結：

https://www.ft.com/content/72d2c2b1-493b-4520-ae10-41c1a7f3b7e4