諾獎得主Demis Hassabis談AI時代的科學終極追問

編輯丨coisini

在科學智能（AI for Science）領域，提到技術領軍人物，你會想起誰？Google DeepMind 創始人兼首席執行官、諾貝爾化學獎得主 Demis Hassabis 無疑是首選之一。

近期，在國際知名學術期刊《D?dalus》上，谷歌母公司 Alphabet 的高級副總裁 James M. Manyika 采訪了數十位人工智能科學家，深入探討了一個問題：「在人工智能的新時代，科學發現的未來是什么？ 」Demis Hassabis 就是其中之一。

在采訪中，Hassabis 圍繞現實的本質、AI 的邊界以及科學的奧秘展開了一場極具前瞻性的觀點分享，包括提出大膽猜想：「信息可能是物理學中最基本的單位，比物質和能量更為根本，是理解宇宙真實本質的最佳途徑」。他還針對「真正的通用人工智能還需跨越哪些關鍵障礙」給出了獨到而具體的見解。

ScienceAI 對《D?dalus》上 Manyika 采訪 Hassabis 的內容進行了不改變原意的編譯、整理，內容如下。

Manyika：科學對你而言為何重要？

Hassabis：我始終被深入理解周遭世界的強烈渴望所驅動。科學方法堪稱人類為推進知識進步所創造的最重要思想。對我而言，置身知識的最前沿，拓展邊界，首次發現全新事物 —— 再無更令人振奮之事，這正是科學的極致魅力。

Manyika：你為何視自己為科學家？你是如何踏上科學家之路的？

Hassabis：如今我認為自己首先是一名科學家。但最初在劍橋大學攻讀計算機科學本科、為游戲編寫 AI 程序時，我曾自視為工程師。后來，隨著我追隨對大腦研究的長期興趣，開始研究認知神經科學，并在博士階段專注于記憶與想象力的研究，我意識到自己最擅長以科學家的方式工作：提出關于世界的假說，并設計實驗加以驗證或證偽。

但我也非常務實，關注現實世界的影響力 —— 這正是我腦中工程師的那一半仍在發揮作用。我不會沉溺于理論爭論，而是傾向于務實的一面 —— 思考如何構建工具或設計實驗來驗證假設。AlphaGo 和 AlphaFold 就是很好的例子。

Manyika：哪些科學成就最令你受啟發？

Hassabis：我非常欽佩文藝復興和古希臘時期的博學家，比如亞里士多德、達?芬奇這樣的巨匠，因為他們不認為學科之間存在界限。我熱愛這一點，因為它讓人能夠發現看似迥異領域之間的聯系。我相信，未來十年到二十年里，最重大的進展將來自這些交叉地帶，而人工智能將通過發現不同領域之間的共性或交匯點來助一臂之力。

同樣啟發我的，還有那些巨大的想象力和直覺飛躍 —— 借由時間的棱鏡回望，它們仿佛是憑空而來。愛因斯坦、牛頓、玻爾、拉馬努金、費曼是我最鐘愛的幾位 —— 這些科學家和數學家的頭腦中融合了各種思想、專長和興趣，然后對世界的運作方式做出直覺性的跨越。

Manyika：在你看來，我們尚未解決的最重要的科學問題有哪些？

Hassabis：我之所以進入科學和人工智能領域，是因為從小我就癡迷于 —— 甚至可以說被那些關于現實本質和意識的終極問題所困擾，這些問題支撐著我們對世界的理解。什么是時間？什么是引力？它如何與量子世界相協調？令人驚訝的是，過去五十多年里，其中一些根本性問題進展甚微，部分原因在于它們過于復雜。

我一直認為，人工智能有潛力成為推動知識前沿的終極工具。無論是通過處理數據，還是協助我們提出新的猜想，我相信 AI 能幫助我們攻克這些根本性問題。

Manyika：你如何將這些關于現實本質的問題，與計算方法的理解方式聯系起來？

Hassabis：我一直對這個問題深感興趣：什么是經典計算機或圖靈機可以建模的，什么是無法建模的，而答案又能告訴我們關于現實本質的什么信息。自然界中的大多數事物都具有穩定的結構，這些結構隨時間演化并存續下來 —— 細胞的行為、山脈的形狀，甚至行星的軌道。這意味著應該存在某種模式或過程，是神經網絡可能學習得到的。像 AlphaFold 這樣的人工智能系統已經向我們展示，我們能用經典計算機建模遠比過去想象的更復雜的系統。

也許在極限情況下，大多數自然系統都可以被經典系統模擬或學習 —— 某種程度上是逆向工程。這將支持我的一個猜想：信息是物理學中最基本的單位，比物質和能量更為根本，是理解宇宙真實本質的最佳途徑。

Manyika：你認為信息為何可能是理解現實的最基礎層面？如果是這樣，計算性的信息理解方法如何幫助我們回答那些根本性問題？

Hassabis：傳統上，物理學中能量和物質被視為第一性。我們可以觀察和測量它們。隨后克勞德?香農、艾倫?圖靈、約翰?馮?諾依曼 —— 計算機科學的奠基者們 —— 引入了信息熵、信息的度量、互信息以及其他重要的相關概念。但他們的工作晚于物理學家，因此他們試圖將信息論納入物理學的現有框架。也許順序應該反過來，物理學應該以信息為框架來構建。

這個概念當然也與圖靈機相關，即什么樣的問題可以在經典系統上可計算。物理學家假設宇宙是一個量子系統，而經典系統由于量子系統的巨大復雜性而無法對其建模。但如果事實證明，自然界中更多的物理過程實際上能夠被經典系統精確建模，那對我們理解物理學可能會產生重要的啟示。

歸根結底，我對現實的本質最感興趣，并且質疑我們目前對量子系統的理解是否就是全部。我懷疑我們最終可能會為所見的現象找到一個更簡單的底層描述，而該描述更易于被經典系統建模。如果我們把世界看作一個可計算的宇宙，就更有可能發現這一點。

Manyika：再進一步說。如果采用信息或可計算性的視角看世界，我們是否會遇到一些難題，比如柯爾莫哥洛夫復雜性、P 是否等于 NP（即問題是否能在可行時間內求解）、或者圖靈機中的停機問題？這些是否會潛在上限制我們在計算方法上能走多遠？

Hassabis：確實會，而我認為這些正是值得檢驗和理解的有趣邊界。P 是否等于 NP—— 它試圖通過求解和驗證一個解分別需要多少計算量來對問題的難度進行分類 —— 是科學中最重要的問題之一。我猜測 P 不等于 NP，有些問題如果不借助比如量子計算機的幫助，實際上無法在可行的時間內求解。但我們需要更深入地理解這一點，因為它可能比我們過去意識到的更加微妙。在 AlphaGo 和 AlphaFold 的工作中，我們證明了如果進行大量的預計算，你似乎可以在多項式時間內以近似最優的方式回答一些極其復雜的問題。神經網絡實質上是在利用海量的預計算，將知識壓縮成某種高效的工件。這個計算得出的工件在測試時可用，對于許多自然系統而言，你可以用它來縮小搜索空間，從而不必考慮所有可能的構型，而只需關注那些實際可行的遠小子集。

以蛋白質為例，一個普通蛋白質大約有 10^300 種可能的構象。如果窮舉所有可能來找出它實際折疊成的特定形狀，所需時間比宇宙的年齡還要長。因此你必須采取更巧妙的方法 —— 你需要學習氨基酸序列存在哪些模式，然后只搜索極小一部分可能性，以找到近似正確的解。這似乎正是我們在 AlphaFold 中所做到的。也許并非完美，但至少達到了足以用于實際目的的近似精度。

類似地，圍棋棋局中大約有 10^170 種可能的局面；僅憑簡單的啟發式搜索和純粹的蠻力計算，根本無法找到某一局面的最優落子。而 AlphaGo 的做法是：學習一個關于合理圍棋落子的優秀模型，從而只需考慮最有價值的那幾條行棋路徑，然后從這個大大縮減的選項集合中，找出最可能導向勝局的最佳落子。

在成功駕馭這些巨大搜索空間的過程中，有一些非常有趣的現象正在發生。我的直覺是，其意義相當深遠。由于我們在人工智能領域所看到的進展，我們得以近距離觀察這些根本性問題 —— 不僅來自 AlphaGo、AlphaFold 以及我們的科學項目，也來自像 Veo 3 這樣的視頻模型。它們僅僅通過觀看幾十億個視頻，就能對現實的某些方面進行建模。它們能夠逆向推導出某種直覺物理學的規律：液體如何流動、玻璃中的反射、物體投射的陰影 —— 這看起來相當驚人。

所有這些都在告訴我們關于物理學底層本質的某些信息，包括圖靈機的極限在哪里，在哪些情況下又需要借助量子系統，進而也告訴我們關于現實本質本身的一些東西。人工智能對所有這些問題的研究都具有深遠意義。

Manyika：AlphaFold 似乎很好地印證了你所說的 —— 自然界具有能夠被神經網絡建?；驅W習的結構。請談談在 AlphaFold 這個案例中你們是如何做到的。

Hassabis：AlphaFold 是我們針對蛋白質折疊（即蛋白質結構預測）問題提出的解決方案。從一個氨基酸序列出發 —— 可以粗略地將其理解為蛋白質的基因序列，也就是一維的字母串。在體內或自然界中，這串字母會折疊成一個三維結構，而該結構在很大程度上決定了該蛋白質的功能，這對于藥物研發和疾病理解至關重要。

預測這些結構是生物學領域一個長達五十年的重大挑戰。我們最終用 AlphaFold 解決了它 —— 至少達到了原子級別的精度，這也是實驗人員認為有用的精度水平。

我們的做法是：過去三十到四十年間，結構生物學家們利用電子顯微鏡等非常昂貴的設備，辛勤地解析出了大約 15 萬個已知結構。這些數據恰好足以為我們的人工智能系統提供關于蛋白質拓撲結構的線索。當然，蛋白質并非隨機折疊，而是存在某些約束條件，AI 系統學習到了這些規律。最終它能夠在幾秒鐘內，針對一個從未見過的蛋白質給出一個合理的預測結構。隨后，在一年時間里，我們折疊了科學界已知的所有兩億個蛋白質，并與我們在歐洲生物信息學研究所的同事合作，將它們免費開放在一個龐大的數據庫中，供全球研究人員使用。

Manyika：當然，你們已經將其擴展到了 AlphaFold 3，并涉及實際的蛋白質相互作用。下一個目標會是細胞嗎？

Hassabis：AlphaFold 2 本質上預測的是蛋白質的靜態快照結構。但我們知道生物學是一個動態系統，我們需要理解蛋白質之間的相互作用，以及它們如何改變自身的形態和行為。

AlphaFold 3 是我們邁出的下一步。我們現在可以預測蛋白質與蛋白質、蛋白質與配體、蛋白質與 RNA、蛋白質與 DNA 之間的所有成對相互作用?；旧?，所有生命分子及其成對相互作用都可以用 AlphaFold 3 來建模。

但要擴展到整個細胞，我們還需要做得更好。因為存在級聯的相互作用，涉及不止兩個生物分子，顯然極其復雜。下一階段可能是對一個通路進行建模，然后可能是一個簡單的細胞，比如酵母細胞 —— 它本身就是一個完整的生物體。如果成功了，也許我們可以模擬來自更復雜生物體的某個細胞器，最終模擬整個生物體。

這個夢想我已經懷揣了二十多年。其構想是：建立一個足夠真實的細胞模擬系統，使得在計算機上進行的實驗（in silico）可能比濕實驗室快若干個數量級。這樣，實驗室就留給驗證步驟和結果的確證，而不是用于探索階段。一個虛擬細胞不僅對基礎生物學，對藥物研發也是難以置信的巨大福音。

Manyika：你也涉足了科學中的其他領域 —— 物理、化學、天氣、氣候系統等。這些領域的共同特征是否在于它們都是自然系統，因此天然適合被學習？

Hassabis：在判斷一個問題是否適合用我們當前的人工智能技術來解決時，我們會考察三個方面。第一，該問題能否被描述或轉化為一個巨大的組合空間的描述？可能這個空間大得難以處理，常規的蠻力方法行不通。第二，如果確實如此，你是否有足夠的數據來學習該空間拓撲結構的某種模型？或者是否存在或可學習一個模擬器，能夠生成一些額外的合成數據？理想情況下，兩者兼備。第三，你需要一個明確的目標 —— 最小化或最大化某個量。在游戲中，那就是贏棋或最大化得分。在自然系統中，可能是最小化該系統的自由能。如果你能量化這個目標，就可以利用模型在目標函數的引導下搜索最優解。事實證明，很多問題都符合這一描述。

除此之外，我們還會尋找那些一旦解決就能產生巨大影響的問題。如果把整個知識體系想象成一棵樹，那么存在一些根節點式的問題 —— 一旦解決了它們，就會解鎖全新的研究分支。蛋白質折疊無疑是其中之一，它為藥物研發和疾病理解開啟了新的機遇。無論是聚變能源、天氣系統、材料設計，還是基礎數學 —— 我們嘗試解決的所有問題都具備這些特征。

Manyika：再多談談數學。并非直觀上就能認為所有數學都具有結構 —— 至少不是我們能理解的那種結構。素數的分布或許是一個很好的例子。

Hassabis：關于數字中到底存在多少結構，這仍然是一個懸而未決的問題。我猜結構相當豐富，因為數學正是為了描述現實世界而發展起來的，而現實世界確實具有結構，數學似乎也能非常好地完成這一任務。

有些卓越的數學家，比如斯里尼瓦瑟?拉馬努金（Srinivasa Ramanujan），他極具直覺，常常不經過所有中間步驟就直接得出驚人的結論，以至于他覺得這些想象力的飛躍是受到了神啟。我們稱之為隱性知識或直覺，因為我們無法有意識地獲取它，也無法用結構化的方式明確解釋它。

但直覺并非魔法 —— 它只是我們用來描述大腦通過經驗獲得的隱性知識的詞語。在某些領域非常擅長的人，比如音樂家，擁有極其高效且高度抽象的隱性知識版本。即便如此，背后依然存在一個過程，我認為在極限情況下，這個過程是可以被人工智能系統建模的。

我們正在將人工智能應用于數學，并且已經初步看到了可被建模的跡象。我們最新的 Gemini 模型 Deep Think 在國際數學奧林匹克競賽中達到了金牌級別的水平 —— 這是面向全球頂尖高中生的一項極具難度的數學挑戰。該模型接收一個自然語言描述的問題，將其轉換為形式化的數學語言，然后通過迭代方式求解：執行一系列數學運算，直到得出一個可驗證的正確證明。

但這與理解數字中是否存在模式或數學中是否存在結構是截然不同的。后者需要另一種類型的系統。我認為兩者都很有趣 —— 人工智能既能解決數學猜想，也能發現數學中更深層的模式 —— 而且兩者可能都是可行的。

Manyika：在你看來，當前的人工智能系統在從事科學研究方面存在哪些空白和局限？你認為需要哪些新的突破？

Hassabis：缺失的一點 —— 也是我認為當今系統尚未接近通用人工智能的原因之一 —— 是它們不具備真正的創造力。我所說的創造力是指：一個人工智能系統不僅能解決一個難題，而且能真正提出一個優美且有意義的猜想，比如千禧年大獎難題或黎曼猜想。我認為這要困難得多。提出正確的問題是科學中最難的部分。哪個假設值得探索、值得為此做科學研究？我們尚未完全理解這種層次的創造力在人類專家中是如何運作的，而我們的人工智能系統當然也還不具備這種能力。

當前人工智能系統缺失的另一個特征是一致性。一方面，這些系統能解決非常復雜的奧數難題；另一方面，如果你把問題的表述方式稍作改變，系統就可能在初等數學上犯錯。人類數學家不會這樣 —— 他們會在整個領域內保持能力的一致性。

Manyika：通用人工智能這個概念對你來說意味著什么？

Hassabis：我一直將通用人工智能定義為一個能夠展現人類心智所具備的所有認知能力的系統。這是一個關鍵的參照點，因為人腦是目前已知唯一一個證明通用智能確實存在的實例。人腦具有極強的通用性和適應性 —— 令人驚嘆的是，我們的大腦是為狩獵采集而進化出來的，但我們卻能發明科學方法，建造出從望遠鏡、噴氣機到計算機的現代文明奇跡。歷史上偉大的藝術家、科學家和哲學家的才智，都源于這個同樣非凡的大腦結構。在我看來，直到我們能夠完全匹配大腦結構所能做到的一切，我們才能真正確信自己構建了一個完全的通用系統。

從理論角度看，這個定義與圖靈機的概念密切相關。艾倫?圖靈曾提出著名猜想：給定無限的時間和內存，圖靈機可以計算任何算法。人腦可以被視為圖靈機的一種生物學近似，這意味著從理論上講，它可以學習任何可計算的東西。然而，與任何有限系統一樣，由于時間、內存和信息總是有限的，必然存在一定程度的專門化。沒有哪個實用系統能同時針對所有可能的任務進行優化 —— 我們無法規避「沒有免費午餐」定理。但關鍵在于，人腦具有學習幾乎任何事物的潛能，尤其是當我們能夠設計和建造工具與機器來幫助我們獲取知識時。

任何候選的通用人工智能系統都應該具備全面的一致性，能夠覆蓋人類能力的驚人廣度 —— 包括能夠實現真正直覺性的發現飛躍，提出有價值的新穎假說或猜想。這可以通過以下方式測試：訓練一個知識截止于 1910 年的人工智能系統，看看它是否能像愛因斯坦在 1915 年那樣提出廣義相對論。就目前而言，答案顯然是不能。

基礎模型如今能做到的事情已經極其令人印象深刻，而且在我看來，毫無疑問它們最終將成為任何未來通用人工智能系統的骨干。僅靠進一步擴展現有模型是否就足以達到通用人工智能，這是一個有待實證檢驗的開放性問題。如果我們仍然需要少量類似于 Transformer 或深度強化學習級別的突破，我也不會感到驚訝。因此，在 Google DeepMind，我們繼續不懈地同時推進規模擴展與創新前沿。

Manyika：在評估我們是否實現了通用人工智能時，一方面可以使用一系列測試，另一方面也許會出現某種直覺性的飛躍或火花 —— 就像第 37 手那樣（AlphaGo 那次走出了超越人類策略和直覺、極不可能的一手，最終戰勝了世界圍棋冠軍李世石）—— 然后我們會說：「啊，我覺得我們做到了！」是需要兩者兼備，還是其中之一即可？

Hassabis：我認為兩者都需要。這是人類歷史上極其重要的時刻，我們應該以真正科學和審慎的態度來確認。應該出現相當多顯而易見的發明或創造實例 —— 比如有新的物理學被發明出來，或者提出了被數學家們認為極具意義的猜想。不僅僅是像 AlphaGo 那樣在圍棋中想出一個出色的新策略，而是能否發明出像圍棋一樣精妙的游戲？我希望至少看到多個這樣的實例，才能讓它成為一個候選者。

然后，我認為我們應該采用窮盡式的科學方法，確保系統不存在任何缺陷或漏洞。當今的大語言模型就是一個例子。普通人很容易就能找出它們做不到的事情。例如，它們甚至無法達到業余水平的國際象棋對弈，也無法學習新游戲，而且它們不具備持續學習的能力。在推理、記憶和一致性方面也都有問題。要能通過我剛才提議的那種測試，所有這些都需要被解決。

Manyika：在科學發現方面，科學家應該如何看待人工智能？人工智能是一種工具、一個合作者，還是完全不同的某種存在？當未來我們擁有這些能力更強的系統時，你如何想象科學家的角色？

Hassabis：在未來十年左右的時間里，我們應該將人工智能視為一種幫助科學家的神奇工具 —— 無論是數值計算、模式匹配，還是某種低層次的編碼或工程工作。以這些方式使用，我認為它將成為推動科學和醫學進步的終極工具，并將引領一個新的科學發現黃金時代。猜想和假設將來自人類專家，然后專家使用這些工具，使工作效率大大提高 —— 可能提高十倍甚至一百倍。在那之后的時間框架內，也許這些系統會變得更像合作者。

Manyika：對你而言，負責任地在科學中使用人工智能意味著什么？

Hassabis：意味著遵循科學方法，對測試和系統相關的主張極其嚴謹和審慎。這也意味著對你部署和使用系統的目的深思熟慮，并努力思考其二階效應。你永遠無法做到完美，因為這是一項如此新的技術，前沿發展如此之快，但應該盡一切可能的努力。

與此相關的是，這意味著利用科學方法本身來幫助理解人工智能：它的局限性、它的能力以及它的風險。然后應該利用這種理解來為人工智能設置恰當的護欄，并對這些護欄本身進行監測和研究。

我認為，隨著人工智能變得日益普及和強大，科學方法是應對其挑戰的最佳途徑，而不是那種先構建、后提問的黑客心態。當然，后者也有其用武之地，并且對推動進步非常有益。但對于像人工智能這樣具有變革性和重大影響的事物，我們需要使用我們擁有的最佳工具 —— 在我看來就是科學方法 —— 來盡可能多地獲得對這些技術的遠見和理解。

Manyika：你最希望看到自己的工作為人類帶來哪些益處？

Hassabis：首要的是改善人類健康、治愈疾病，尤其是那些對世界較貧困地區影響尤為嚴重的疾病。我認為我們能做得比現在好得多。

其次是助力能源、氣候和環境 —— 通過更快地開發新材料和新技術，優化現有基礎設施和電網，對全球正在發生的變化以及我們對生態系統的影響進行建模。在我看來，這些是我們近期內利用人工智能所能做的最重要的事情。

Manyika：如果我們這場對話發生在 2050 年，那時我們會談論什么？

Hassabis：考慮到事物發展的速度 —— 幾乎每周都在推進 —— 我們唯一能確定的是，到 2050 年，情況很可能會與現在截然不同。希望到那時，領域已經以安全的方式將通用人工智能帶入世界，造福全人類，而我們正在討論如何駕馭一個極度豐裕的后通用人工智能世界，并生活在一個充滿科學發現與奇跡的新黃金時代！

https://www.amacad.org/daedalus/ai-science-what-is-the-future-of-discovery

https://www.amacad.org/sites/default/files/publication/downloads/daedalus_wi-sp26_ai-science-what-is-future-of-discovery_0.pdf