DeepMind创始人最新访谈：今年的诺贝尔奖，就像是AI的分水岭

【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。

原文链接：

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