文章轉載于新智元

就在最近，諾獎得主、谷歌DeepMind CEO Demis Hassabis又曝出了一段驚人言論。

「通過AI，我們在一年內完成了10億年的博士研究時間。」

完成這個不可思議壓縮壯舉的，就是DeepMind的AlphaFold-2。

它預測了地球上已知的2億個蛋白質結構，而按照以前的方法，這本要花費十億年的博士時間。

LinkedIn聯創、致力于用AI治療癌癥的ReidHoffman轉發了Hassabis講話的這段視頻，引起了網友們的熱烈反響。

PhD Time（博士時間）這個概念，可謂十分新奇。

顯然，DeepMind團隊關于蛋白質的研究令人印象極其深刻，但要說真正有價值的，還不只是純粹的計算本身，而是如何大規模地綜合這些結果，以及它們所體現的價值。

同時，AI使信息和知識民主化的程度，也是前所未有。

而最令人震驚的是，我們目前甚至還沒有到達AGI。

1

當AI被用在更崇高的地方

對于這個「10億年」的概念，不少網友表示震驚。

一位金融科技從業者評論道，Demis Hassabis和他的AlphaFold團隊所取得的這個成就，堪稱為革命性的。

10億年的科學探索被壓縮到了一年之內，代表了技術的最高使命。

當其他人還在利用AI來獲取注意力、獲利時，Hassabis卻走了更崇高的一條道路：運用AI來解鎖生物學的最深刻奧秘，應對人類面臨的最大挑戰。

在AlphaFold，我們看到了當卓越的頭腦追求服務于全人類的知識，而非服務于少數人的財富時，可能實現怎樣的成就。

這個深刻的提醒告訴我們：最大的創新應該用來擴展人類潛能，而非利用人類弱點。

1

諾獎得主，榮歸劍橋

3月24日，在母校劍橋大學，Demis Hassabis給出了長達一個多小時的演講，分享了AI是如何驅動科學發現的。

他認為，人類正在進入「數字生物學」時代，利用人工智能人類可以以「數字速度」，重新構想藥物發現的原理。

他還表示，盡管量子計算不斷興起，經典計算機系統仍然有潛力通過AI推進知識，并可能幫助我們揭示現實的本質。

在劍橋大學巴貝奇講堂的演講中，他告訴聽眾，差不多30年前，作為學生他就在這里聽了第一場講座。

Hassabis回顧了他迄今為止的AI職業生涯和研究，并且還提供了關于AI未來發展的迷人見解，包括AGI的開發。

Demis Hassabis，因為蛋白質結構預測，榮獲2024年諾貝爾化學獎

在劍橋大學畢業后，他于2010年與人共同創立了DeepMind。

上世紀90年代，他在劍橋皇后學院攻讀本科時的專業是計算機科學。

DeepMind開發了精通流行游戲的AI模型。

DeepMind公司于2014年被谷歌收購，兩年后，當DeepMind拿下了「AI圣杯」，引起了全球關注：擊敗了圍棋世界冠軍。

之后，Demis Hassabis將注意力轉向了科學。

「我覺得我們準備好了，我們掌握了足夠成熟的技術，能夠將其應用到游戲之外，嘗試解決真正有意義的問題。」

蛋白質折疊——即從氨基酸序列預測蛋白質的三維結構——就是一個典型的例子。

蛋白質是生命的構建塊，蛋白質的功能被認為與其結構有關。

因此，了解蛋白質的結構可以幫助藥物發現和疾病理解。

科學家們已經為此工作了至少50年，直到2020年11月，DeepMind的AlphaFold-2解決了這一問題。

隨后，DeepMind使用AlphaFold-2預測了所有2億已知的蛋白質結構，并將系統和這些結構公開免費提供，供任何人使用。

Demis說道：「這就像是把十億年的博士時間壓縮到了一年。想想看，科學進展可以被加速到什么程度。這項技術現在已經被來自世界各地的200萬研究人員使用，已經被引用超過3萬次，成為生物學研究中的標準工具。」

論文鏈接：https://www.nature.com/articles/s41586-021-03819-2

蛋白質結構數據庫：https://alphafold.ebi.ac.uk/

DeepMind的目標是用AI造福人類，并將目標分解為兩步驟：第一步解決人工智能，第二步用它解決其他所有問題。

他認為AI幾乎可以應用于所有領域，而且在未來會帶來非常多的突破。

在談到通用人工智能（AGI）的發展路徑時，Demis表示在理解現實世界物理規律的各方面，谷歌DeepMind正在推動AI取得進展。

1

10億年PHD時間

LinkedIn、Manas AI和Inflection AI聯合創始人ReidHoffman，和Hassabis一起討論了AI。

在交流中， Hassabis解釋了為什么他認為DeepMind將10億年的博士研究時間壓縮到一年:

在科學領域，已知存在2億蛋白質，而我們在一年內完成了它們的全部折疊。

所以我們在一年內完成了10億年的博士研究時間。

這要從Hassabis對AI，以及他個人使命說起。

Demis Hassabis認為最重要的AI應用有兩個：

第一是人類健康——這是最重要的——努力解決和治愈可怕的疾病。

第二是幫助實現能源可持續性和氣候——地球的健康，

蛋白質折疊，對Hassabis來說是一個典型的例子。

30年前，他在劍橋大學讀本科時就接觸到了它。

從那時起，它就一直在他心中，那是一個能解鎖無數可能性的難題。

生命中的一切都依賴于蛋白質，人類需要了解蛋白質的結構，這樣才能知道它們的功能。

如果知道它的功能，那么就能理解疾病出了什么問題。

而如果知道蛋白質的3D結構，可以設計藥物和分子，與蛋白質表面的正確部分結合。

這就涉及到復雜的計算問題。

一個普通的蛋白質可以有10到300種可能的折疊方式。

而已知的蛋白質種類有2億，全部蛋白質可能的折疊方式是20億到600億！

這是天文數字，所以根本不可能用蠻力枚舉出全部蛋白質的折疊方式。

然而，憑借AI，這是可能的。

這就是DeepMind通過AlphaFold所做的事情。

根據經驗，過去發現蛋白質結構，需要四五年時間，幾乎需要博士生的整個求學生涯。

科學界已知的蛋白質有2億種，DeepMind在一年內就完成了它們的折疊。

可以這么理解：DeepMind在一年內完成了10億年的博士研究時間。

更關鍵的是，全世界現在可以免費使用這些結果。

Hassabis等還成立了新公司Isomorphic，現在試圖繼續深入下游，開發所需的藥物。

1

為什么要強調深度學習

在對話中，Hassabis強調，在當時的「深藍」和AI專家系統方法中，缺少了一些非常基本的東西。

盡管「深藍」在當時是人工智能的巔峰，但它看起來并不智能。這是因為，它缺乏學習新事物的能力。

它雖然能在下棋上達到世界冠軍水平，卻并不能玩井字棋，我們還需要重新編程。而且，它也不像人的思維那樣，具備普遍性。

而這些，都是智能的標志，如果想要破解人工智能，它們都是必需的。

在2010年，Hassabis等人成立了DeepMind，之所以這樣取名，部分原因就是下注深度學習和神經網絡這些剛被發明出來的技術。

他們結合了「深度學習」和「強化學習」兩件事。

其中，深度學習是用來構建環境或模型，在當時就是游戲；而強化學習是用來進行規劃、行動，完成目標，也就在在游戲中取得最大化分數，最終取勝。

很多人認為，計算機無法下圍棋。但它不僅能下圍棋，還在經典的「第37步」中，展示出了原創性和創造力。

而圍棋比國際象棋難得多，所以花了20年才有了AlphaGo。

圍棋有10的170次方種局面，比宇宙中的原子還多，根本無法用窮舉法找到圍棋的解法。

而且，也很難把人類天才棋手的走法，封裝成一套啟發式方法和規則，來指導機器下圍棋。

而DeepMind團隊，則讓系統自己來學習：什么是好的模式，好多走法，以及有價值的高概率獲勝位置。

就這樣，2016年，AlphaGo在和李世石的對決中，走出了經典的「第37步」。

人類已經玩了數千年的圍棋，由所有接觸的人類棋手探索過之后，這個37步仍然是從未見過的新穎走法。

當時，所有專業解說員都驚得險些從椅子上摔下來，他們以為是電腦操作員誤觸了電腦。

然而，在一百步后，第37步的作用開始顯現出來——它正好處于決定整個游戲的關鍵位置。

從此，這成為圍棋史上的經典一幕。

而在Hassabis看來，人類致力的每一個領域，都會有大量「第37步」的情況，而他希望把這些AI技術應用在科學大領域的「根節點問題」上。

就好比宇宙中所有知識的樹，如果能解鎖一些根節點，就能打通整個分支。

而蛋白質折疊和AlphaFold，就是其中之一。

最后，Hassabis表示，如果你們正在進行一項20年的使命，并且一直在按計劃進行，這就太不可思議了。（如今，他們已經進行了15年）

在他看來，硅谷有一個問題：這里有驚人的資金、支持系統和人才數量，但卻很分散自己的注意力。

如果一個人想要長期致力于自己認為是重要的事情，這些都會帶來很多噪音。

比如，「如果我跳出來，快速開發個游戲應用，也許就能賺上億美元」。

但是，AI已經成為迄今最具變革性的技術，會像電力、火一樣，那么，它就絕不應該僅限于一個位于加州的一百平方英里的地方。

參考資料：

https://www.possible.fm/podcasts/demis/

https://www.cst.cam.ac.uk/nobel-laureate-and-cambridge-university-alumnus-sir-demis-hassabis-heralds-new-era-ai-drug-discovery

點個 “愛心”，再走吧