诺贝尔奖是 AI 发展的里程碑时刻！DeepMind 联创 Hassabis 获奖后最新专访

今年的诺奖将物理和化学两个领域的奖项都颁给了 AI 成果，这究竟代表着怎样的含义，又会产生怎样的影响？Demis Hassabis 在本次专访中提出了自己的见解。

10 月，DeepMind 联合创始人兼 CEO Demis Hassabis 凭借 AlphaFold 成为了诺贝尔化学奖的三位共同获奖者之一。

作为一种人工智能软件，AlphaFold 解决了一个生物学界 50 年前提出的问题：预测每种已知蛋白质的结构。

事实上，AlphaFold 这个极具开创性的模型，也仅仅是 DeepMind 成果的一部分。成立 15 年来，DeepMind 已经跻身为全球最重要的 AI 实验室之一。

尽管被谷歌收购、与 Google Brain 合并后加入了一些商业考量，但他们目前仍然专注于科学和工程中最复杂和基本的问题，最终设计出能够模仿，甚至取代人类认知能力的强大 AI。

获得诺奖后不到 24 小时，Demis Hassabis 就接受了《金融时报》记者 Madhumita Murgia 的采访，讨论了 DeepMind 下一步将要解决的重大难题、AI 对科学进步的作用，以及他本人对 AGI 之路的前景预测。

Demis Hassabis 在谷歌 DeepMind 伦敦总部

AI 4 Science 的下一个挑战

AlphaFold 3 的相关进展，就一定程度上彰显了 DeepMind 在生物学领域下一步的前进方向 —— 理解生物体内的相互作用，最终对整个通路进行建模，甚至可以构建出一个虚拟细胞。

此外，通过 DeepMind 子公司 Isomorphic 的努力，他们也在进军药物发现领域 —— 设计全新的化合物、找到结合位置，并预测出这些物质的特性、吸收性、毒性等等。

目前，Isomorphic 还与礼来、诺华等公司合作开展了 6 个药物研发计划，有望未来几年内在临床上有所进展，希望能大幅缩减药物发现所需时间，从而帮助治愈一些疾病。

除了生物学领域，Hassabis 也表示对材料设计领域的工作感到十分兴奋。

去年，他们在 Nature 上发表的一篇论文提出了名为 GNoME 的 AI 工具，实现了 AlphaFold 1 级别的材料设计，共发现了 220 万个新晶体；下一步，就需要努力达到 AlphaFold 2 级别。

论文地址：https://www.nature.com/articles/s41586-023-06735-9

数学方面，AlphaProof 和 AlphaGeometry 已经在今年达到了 IMO 银牌的水准，接下来的几年，DeepMind 将尝试借助 AI 的力量真正解决一个重要的数学猜想。

对于能源和气候领域，去年在 Science 上发表的 Graphcast 模型能在 1 分钟内以前所未有的精度预测未来 10 天的天气。

论文地址：https://www.science.org/stoken/author-tokens/ST-1550/full

这其中的技术，或许可以帮助进行气候建模，这对于应对气候变化、优化电网等领域都非常重要。

可以看出，DeepMind 的未来蓝图中，重点更多地放在应用和工程实践层面，旨在将技术进一步转化为能够影响现实世界的工作，而非纯粹的基础研究。

对此，Hassabis 表示，「蛋白质折叠」是一个「可遇不可求」的「挑战」，不能要求每个问题都有如此含金量。

「蛋白质折叠」这个问题如此核心且重要，相当于生物学领域的费马大定理，但可惜的是，没有多少问题足够重要、探索时间足够长，能够被称之为「挑战」。

诺奖将成为 AI 的分水岭

今年的诺贝尔物理和化学奖项接连颁给 AI 学者，这很有趣，但谁也说不清评奖委员会为什么会做出这样的决定。

对此，Hassabis 如何理解？

他表示，这很像是委员会特意发表的一种「声明」，也将成为 AI 的分水岭时刻，标志着它的技术成熟度得到了足够的认可，能够协助科学发现。

AlphaFold 就是最好的例子，而 Hinton 和 Hopfield 的奖项则是针对更基础、更底层的算法工作。

Hassabis 表示，希望 10 年后回顾当下时，AlphaFold 将预示着所有这些不同领域的科学发现的新黄金时代。

这也带来了一个有趣的问题：有了 AlphaFold 这样的工具，科学家们不再需要花费过多的时间和精力来进行预测，这是否意味着我们应当去开拓新的领域？甚至改变学习科学概念的方式？

需要注意的是，AI 系统是一类独特的新工具，它们具有一些内在的功能，因而不适用于传统意义上对工具的分类。

虽然 AlphaFold 等工具目前只能做到预测，但从某种意义上说，预测也是「理解」的一部分。如果你能预测，那就可以带来理解。

甚至，如果预测的输出足够重要，比如蛋白质的结构，那么它本身就是有价值的。

从更宏大的视角来看，科学中包含了很多层次的「抽象」。

比如，整个化学领域就是建立在物理学的基础上。你不需要理解量子力学等全部的物理原理，也可以谈论原子化合物，在化学自身的抽象层去理解它。

对生物学领域而言，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，甚至无法正确定义「生命」这个概念。

类似的，人工智能也像一个抽象层，构建程序和网络的人们在一定的物理层面上理解这一点，但随后产生的预测结果就像一种突然涌现的属性，我们可以在科学的层面上自行分析这些预测。

AGI 迫近，理解很重要

无论是自然科学，还是人工智能系统，「理解」都很重要。

人工智能是一门工程学科，这意味着你必须先建造出一个系统，之后才能研究、理解这个对象；而自然科学中的现象不需要制造，是天然存在的。

虽然 AI 系统是工程化的人造物，但这并不意味着比自然现象更容易研究，甚至可以预期到的是，它会像生物神经网络一样难以理解、分拆和解构。

现在这种情况正在发生，但我们已经取得了一些进展，比如有一个专门的领域叫作「机械解释」（mechanistic interpretation），就是使用神经科学的观念和工具来分析 AI 系统这个「虚拟大脑 」。

对于 AI 的可解释性，Hassabis 非常乐观，认为未来几年就会在理解 AI 系统这方面取得很大进展。

当然，AI 也可以学着解释自己。想象一下将 AlphaFold 与语言能力系统结合起来，它就可以一边预测，一边解释自己在做什么。

目前，很多领先的实验室正在缩小他们的探索范围，专注于对 Transformers 进行扩展。不可否认，这是一个很好的方向，也将成为最终 AGI 系统的关键组成部分，但 DeepMind 会继续坚持探索和创新研究。

事实上，对于发明下一代 Transformer 而言，DeepMind 拥有迄今为止最广泛、最深入的研究平台，这是他们科学遗产的一部分。

这些探索都是必要的，一部分原因是为了看看我们能走多远，这样就知道需要探索什么。

探索新想法，以及将令人兴奋的想法发挥到极致，这两条路都很重要。如果你不了解当前想法的绝对局限，也不会知道需要哪些突破。

LLM 的长上下文窗口就是一个很好的例子。谷歌 Gemini 1.5 Pro 做出的 2M token 上下文就是一个很酷的创新，目前没有其他人能够复制。

谷歌 DeepMind 伦敦办公室

理解 AI，才会有安全的 AGI

Hassabis 和很多科技领袖都曾预测，实现 AGI 还需要 5～20 年的时间。

如果要用科学方法实现这一目标，就意味着更多的时间、精力和思考，集中在 AI 的理解和分析工具、基准测试和评估上，需要目前投入的 10 倍。

这些投入不仅来自科技公司，还应包括 AI 安全机构，也来自学术界和民间社会。我们需要了解 AI 系统正在做什么、它们的局限性，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，却是纯工程中所缺少的。工程只是旁观 —— 这个方法有效吗？如果不起作用就再试一次，充满了试验和误差。

科学则是在一切发生之前就能理解的东西。理想情况下，这种理解意味着更少的错误。这对于 AI 和 AGI 来说很重要，因为在运用一项如此强大的技术时，你希望尽可能少地犯错误。

也许几年后，当我们接近 AGI 时，就会出现一个社会问题 —— 我们希望这些系统具有什么价值？我们要为它们设定什么样的目标？

这与技术问题不同。技术层面关注的是如何让系统走上正轨，朝着设定的目标前进，但并不能帮助我们决定目标应该是什么。

为了安全的 AGI 系统，技术问题和社会问题，这两件事都需要正确，但 Hassabis 认为，后者可能更难实现。

目标和价值观等一系列问题，会更多地涉及 UN 和地缘政治，甚至社会科学和哲学，需要与政府、学术界和民间社会各阶层进行广泛的讨论。

即使 AGI 还需要 10 年才能实现，我们解决这些问题的时间也并不是很多，因此这方面的讨论应该从现在开始，让各种来源、各种观点的声音呈现在桌面上。

参考资料：

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

本文来自微信公众号：微信公众号（ID：null），作者：新智元

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，所有文章均包含本声明。