加速科学发现：Demis Hassabis谈AI的突破之路

摘要

本文记录了Google DeepMind联合创始人兼CEO、2024年诺贝尔化学奖得主Demis Hassabis在剑桥大学的演讲。他回顾了从国际象棋神童到AI研究先驱的个人历程，阐述了DeepMind"解决智能，再用智能解决一切"的使命。演讲核心聚焦于AlphaFold如何破解困扰生物学界50年的蛋白质折叠难题，实现原子级精度预测，并开放2亿蛋白质结构数据库供全球使用，相当于节省"十亿年博士生时间"。Hassabis展望了AI在药物发现、材料科学等领域的应用前景，强调"数字生物学"时代的到来，并探讨了结合搜索规划与大型模型通向AGI的路径，同时呼吁审慎、负责任地发展AI。

内容框架与概述

讲座开篇由剑桥计算机实验室主任Alistair Barisford主持，介绍Demis Hassabis作为剑桥校友的背景：国际象棋大师、游戏开发者、认知神经科学博士，以及因AlphaFold获得2024年诺贝尔化学奖的成就。Hassabis随即展开个人叙事，讲述在剑桥受到科学先驱如Crick、Watson、图灵的启发，这些激励他创立DeepMind并以AGI为目标。他详细论述了早期的方法论选择：为何放弃僵化的专家系统而选择学习系统路径，为后续突破奠定基础。

主体部分首先展示游戏AI作为理想试验场的价值。AlphaGo击败李世石不仅是技术胜利，更因第37手等创新棋步证明AI具备发现新知识的能力。AlphaGo/AlphaZero通过自对弈、迭代优化和神经网络引导搜索，在巨大组合空间中高效找到优解，这种能力可迁移至科学问题。Hassabis提出适用AI的科学问题三大标准：巨大搜索空间、明确优化目标、充足数据或精确模拟器。

演讲高潮聚焦AlphaFold项目。蛋白质折叠问题涉及10^300种可能构象却能在毫秒内完成折叠，被称为"列文塔尔悖论"。AlphaFold 1(2018)引入深度学习取得显著进步，AlphaFold 2(2020)通过重新架构达到原子级精度，在CASP竞赛中被认为"解决"了该问题。其关键机制是将折叠问题转化为搜索问题，用神经网络引导搜索。影响方面，DeepMind与EMBL-EBI合作开放2亿蛋白质结构数据库，被广泛应用于塑料降解、抗生素耐药性、药物发现等领域，相当于为全球生物学研究节省了"十亿年博士生时间"。

核心概念及解读

学习系统 vs 专家系统：早期AI方法的关键分野。专家系统(如深蓝)依赖人工编码规则，僵化且无法处理未知情境；学习系统受神经科学启发，能从数据中自主学习、泛化并超越已知知识。DeepMind创立时坚定选择学习系统路径，这成为后续所有突破的基础。

自对弈：AlphaGo/AlphaZero的核心训练机制。系统通过自我对弈生成数据，用这些数据训练新模型，再通过对弈验证并替换旧模型，形成不断进化的闭环。这种方法无需人类知识即可发现新策略，如AlphaGo著名的第37手棋。

列文塔尔悖论：蛋白质折叠问题的核心挑战。理论上有10^300种可能构象，但蛋白质能在毫秒内完成折叠。这个悖论困扰了生物学界50年，直到AlphaFold通过将问题转化为搜索空间并用神经网络引导搜索，实现了原子级精度的预测。

数字生物学：Hassabis提出的概念，认为AI可能成为理解复杂生物系统的"完美描述语言"。这一范式正开启生物学新时代，Isomorphic Labs等公司致力于用AI重构药物发现流程，大幅缩短研发周期、降低成本。

通向AGI的路径：当前方向是结合两类系统的优势——AlphaGo式的搜索规划能力(系统2思维)与Gemini式的大型通用模型(系统1思维)。这种结合可能是实现通用人工智能的关键，同时需要审慎考虑安全、伦理和社会影响。

原文信息

此摘要卡片由 AI 自动生成