大家好，欢迎收听 Google DeepMind 播客，我是 Hannah Fry 教授。正在观看节目的观众可能会注意到，我们今天不在演播室里，因为我们正身处 AI 科学论坛的后台。这是一场非常特别的活动，由英国皇家学会和 Google DeepMind 联合举办。作为当天活动的一部分，我有机会在舞台上采访 Demis Hassabis，我们认为你们或许会想听到这场对话，因此将其作为特别节目收录在这里。比这更特别的是，似乎一位诺贝尔奖得主还不够，我们还另外有三位诺贝尔奖得主加入我在舞台上的圆桌讨论，供各位欣赏。好的，接下来的环节对我来说总是一种享受，而且常常是一次令人难以置信的经历——能够采访今天的联合主持人 Demis Hassabis 爵士。Demis 是一位计算机科学家、人工智能研究者，也是一位企业家，他于 2010 年联合创立了 DeepMind，至今仍是首席执行官。我不知道你们对 Demis 的背景了解多少，除了诺贝尔奖、爵士头衔、英国皇家学会院士、AlphaFold、AlphaGo 以及 15 万次引用之外，他此前还曾是一位非常成功的神经科学家、国际象棋冠军和电子游戏设计师。我得说，我有一个理论，其实 Demis 早就破解了 AGI 的秘密，一直藏在他家地下室里，然后就像挤牙膏一样，一点一点地把这些重大突破性成果泄露给我们其他人。但有一件事是肯定的，我们的对话总是非常引人入胜。所以，让我们欢迎 Demis Hassabis。谢谢，谢谢你，Demis，非常感谢。好的，我听说你事先并不知道诺贝尔奖会颁给你们，是真的吗？不，是真的，没有。真的吗？你是怎么知道的？其实说起来挺有意思的。我们曾听到一些传闻，说 AlphaFold 被提名了，但你永远不会真的期待这种事。那天早上，我像往常一样正常工作，我妻子也在家办公。到了大约 10 点半，我们想，看来今年没戏了，因为我们一直没收到消息。然后突然，我妻子的电脑上 Skype 响了，我想是 Skype，我当时还想，这烦人的声音是什么。结果是从瑞典打来的电话，他们拼命想找到我的号码，而且也没有 John 的号码，所以所有人都处于一种慌乱之中。但这反而增添了那一刻的戏剧性。就在公布前 10 分钟？对，就在宣布之前。太不可思议了。我还看到，你们通过举办一个扑克之夜来庆祝，邀请了一些国际象棋冠军，包括 Magnus Carlsen 和 Hikaru。我想知道谁赢了，你的诈唬策略是什么？结果是的，我想那是在周三，当时伦敦正在举办一场大型国际象棋锦标赛，我小时候的一位象棋老朋友在第二天晚上主办了一个扑克和象棋之夜，我觉得这是庆祝的完美方式。不过，如果你想赢钱的话，我不推荐在家里和几位世界扑克冠军以及几位前国际象棋世界冠军打扑克。但这就是我的乐趣所在，那其实是一个美妙的夜晚。我知道这听起来很宅，但那简直就是我心目中庆祝的天堂。我不能告诉你诈唬策略，否则我就再也赢不了 Magnus 了。这是真的，这是真的。好吧，除了诺贝尔奖之外——这话大概从来没人说过——但在那之前，你还被授予了引用桂冠奖，因为 AlphaFold 的成果已被引用超过 2.8 万次，这太不可思议了。要知道这项成果问世其实还没多久。有哪些特别突出的应用让你印象深刻的吗？这真的令人难以置信，这正是我们希望通过发布 AlphaFold、将其开源并与社区分享所实现的一切。我们还有优秀的合作伙伴，比如 EMBL-EBI 的 Janet 以及在场各位，希望把它推向所有人。应用实在太多了，但我想也许可以提两三个我最喜欢的。首先是确定核孔复合体的结构，这是人体内最重要、最大的蛋白质之一，非常关键，因为它控制着分子和营养物质进出细胞核。实际上，几个团队使用了 AlphaFold 的预测结果以及他们自己的实验数据，最终拼凑出了这个极其复杂的蛋白质结构，这太了不起了。另一个我非常喜欢的研究是张锋在 Broad 研究所的工作，他开发了一种分子注射器，可以将药物载荷递送到身体中难以到达的部位，他也使用 AlphaFold 来帮助修改分子注射器的设计。最后一个我喜欢的项目来自朴茨茅斯大学 John McGeehan 的团队，他们利用 AlphaFold 设计了分解塑料的酶。但这只是研究人员用它做出的所有惊人工作中的一小部分。这些项目是你的最爱，对吧？不仅仅是因为技术构思本身，而是因为它们未来可能产生的潜在影响。没错。这就是为什么我一直对蛋白质折叠问题，或者说蛋白质结构预测问题如此着迷。因为在 DeepMind 我们有时称之为“根节点问题”，意思是如果你把知识想象成一棵大树，有些问题就是根节点问题，一旦你破解了它们，一旦找到了解决方案，就会解锁全新的分支或发现路径。我始终觉得，用这种方式确定蛋白质结构就能做到这一点，能够推动疾病理解、药物设计等等，而现在看来这正是正在发生的事。好吧，这么说可能有点贪心，但接下来是什么？会有下一个 AlphaFold 吗？我是说，GNoME 是我个人最喜欢的项目之一，也许可以给我们讲讲？是的，GNoME。你看，涉及的领域太多了，其实 James 今早提到了，Pushmeet 也谈到过，我们几乎触及了科学的每一个领域。GNoME 是我最喜欢的项目之一，关于材料设计。我认为材料设计具备我们在寻找适合 AI 解决的问题时所看重的某些相同特征：巨大的组合空间，你需要构建一个理解自然现象背后物理学和化学规律的模型。如果你有了这样的模型，就可以用它在这个搜索空间、组合空间中进行非常高效的搜索，找到最优解。在材料领域，我认为这同样具有开创性。你可以想象设计新型电池，或者也许有一天发现室温超导体——这一直是我的梦想之一。显然我们正处于早期阶段，我想它大概处于 AlphaFold 第一版的水平，我们需要达到 AlphaFold 2 的预测水平，但我们已经看到了清晰的路径。GNoME 就是那项工作的开端，我们去年在《科学》杂志上发表了成果，发现了 20 万种前所未有的新晶体。所以我认为这展示了 AI 在材料设计等领域的潜力。另外让我兴奋的是 AI 在数学中的应用，也许能解决某个伟大的猜想，也许是千禧年大奖难题之一，让 AI 成为解决方案的重要组成部分。那么，关于 GNoME 以及 AlphaFold 的理念，你们某种程度上是在走捷径，或者说让虚拟世界真正为你们所用，这样就不必将所有事情都通过实验来完成。我知道你和 Paul Nurse 长期以来一直在讨论虚拟细胞的问题，给我们讲讲吧。
Paul 一直是我的导师之一，非常慷慨地在生命科学领域指导了我大概 25 年甚至更久。能经常和 Paul 讨论这些话题，实在是令人难以置信地受到启发。我认为很不寻常的是，Paul 作为一位生命科学家、生物学家，他对生物学作为信息系统思考了很多，并就此发表了许多有趣的研究论文。所以我们一直在背后进行这样的讨论。我总是每隔五年左右就会想，我们是否拥有了足够的技术和知识来真正尝试这座珠穆朗玛峰般的问题——构建一个虚拟细胞，一个细胞的模拟，能够预测真正将要发生的事情。而每隔五年，我都觉得我们还没有足够的技术。但终于，现在我觉得答案是肯定的，我们可能已经掌握了足够的知识和技术，可以认真尝试这件事了。也许在未来 5 到 10 年里，我们最终能够构建出一幅虚拟细胞的图景，也许先从酵母细胞开始，正如 Paul 一直以来用作模式生物的那样。我的思考方式是，你可以把 AlphaFold 2 看作本质上是解决了一张静态图像，展示蛋白质长什么样。但我们知道生物学是一个动态系统，生物学中所有有趣的事情都发生在动态过程中。AlphaFold 3 是我们尝试建模这些相互作用的第一步。AlphaFold 3 可以建模蛋白质与蛋白质、蛋白质与 RNA、蛋白质与 DNA 之间的成对相互作用。再下一步也许就是建模整个通路，最终也许我们能够达到整个细胞的水平。太不可思议了。我想量子计算的出现会对此产生影响，能够在分子层面进行模拟。是的，你看，量子计算非常令人兴奋，它本身正在加速发展。James 今早也提到了 AI 与量子计算之间正在发生的有趣的交叉融合。实际上，我们与 Google 的量子计算团队有很多合作，这是世界上最好的量子计算团队之一，我们在纠错码等方面展开合作。当然，量子计算机的用途之一就是模拟量子系统，比如分子、原子、化合物，然后可能产生大量合成数据。但有趣的是，我还有一个略带争议的观点。我与世界上一些顶尖的量子计算机科学家讨论过这一点：实际上我相信经典图灵机、经典计算机的能力远超我们之前的设想。我认为我们的工作已经证明了这一点，无论是 AlphaFold，还是之前的 AlphaGo——我们那个击败围棋世界冠军的程序。要知道，围棋的复杂度远超国际象棋，可能的棋盘局面比宇宙中的原子还多，达到 10 的 170 次方。这意味着你不可能用暴力搜索找到特定局面下的下一步棋，你必须采用聪明得多的方法。蛋白质折叠也是如此，如果你用朴素的方式，尝试每一种组合，那可能性是巨大的。然而，如果你先做大量的预计算，在提问之前先构建系统的模型，比如在这个围棋局面下应该下哪一步，或者这个新蛋白质如何折叠，结果证明你可以在几秒钟内给出一个接近最优的围棋落子，或者在几分钟内完成蛋白质折叠。你原本可能以为至少在蛋白质空间中，你需要一台量子计算机或量子算法，但事实证明并不需要。所以我认为我们应该认真对待这一点：经典系统如果使用得当，也许能够建模复杂得多的系统，甚至可能反直觉地建模量子系统。因为通常人们会说需要量子计算机来建模各种系统，但也许经典系统也能建模量子系统。我曾与一些人验证过这个观点，比如 Anton Zeilinger 教授，他最近凭借开创性的量子计算工作获得了诺贝尔物理学奖，他觉得这非常有趣。还有 David Deutsch，他是我的科学英雄之一，基本上发明了量子计算，他说这个想法很疯狂，但是“正确的那种疯狂”。这话出自他之口，我将其视为一种赞美，也是一个值得继续探索的信号。那么让我确认一下我理解了。我猜经典计算机通常被视为确定性机器，而你这里谈论的是概率性问题，但你可以用确定性机器来处理。这个观点是，对于量子系统，任何你试图建模的自然现象，如果你尝试通过枚举它可能采取的每一种可能性来建模，那么经典系统很快就会耗尽计算能力，你需要太多的比特来建模。但用经典系统处理问题时，你根本不会尝试那种方式。你会先构建一个能够学习的模型。我的猜想是，任何自然现象往往都具有结构，如果它有结构，你就有可能用经典的机器学习系统学会它，学到一种高效的模型，然后用它来高效地搜索各种可能性。所以我认为这可能会绕开朴素方法带来的一些低效性。这是一个相当大的主张，虽然是以一种温和的方式提出的，但你知道，研究这个领域算是我的一个业余爱好，我认为这可能非常有前景。你的另一个业余爱好现在已经分拆成了独立的公司——Isomorphic Labs。因为你们在用 AlphaFold 的成果应用于药物研发，现在也有一些非常显赫的合作伙伴。你能告诉我们 Isomorphic 目前专注于什么吗？是的，Isomorphic 是我们的衍生公司，试图利用 AI 从根本上革新药物研发，从零开始重新构想药物研发流程。其实我们在做 AlphaFold 时就已经有这个想法了。我认为 AI 最明显的好用途之一就是治愈疾病，还有什么更好的 AI 用途呢？所以一旦 AI 足够成熟，这始终是我最想做的事情之一。当然，AlphaFold 是基础研究和基础生物学研究的绝佳工具，全球有超过 200 万研究人员使用过 AlphaFold 和我们发布的结构。但它也有实际用途，可以帮助药物研发。当然，知道蛋白质结构只是整个药物研发过程中的一小部分。所以我们在完成 AlphaFold 2 之后分拆出了 Isomorphic，以此为基础，向相邻领域扩展，构建新的机器学习系统，比如设计化学化合物和药物化合物、测试毒性、预测 ADME 性质——这些药物在体内起效和减少副作用所需的重要性质。你可以理解为，我们正在这些相邻领域构建更多类似 AlphaFold 的模型，最终将它们整合在一起。我们希望，也许在不久的将来的某一天，我们能将药物设计的时间从数年甚至数十年缩短到数月，也许甚至数周。我认为这将彻底改变药物研发流程。这似乎真的是那种不必在造福人类和盈利可持续发展之间做选择的事业之一。你会主动去寻找这类项目，还是说你更多是进行 Blue Sky 研究，然后希望最终能变成那样？我认为我们两者都做。你知道，我们本质上是一个研究导向的群体，一直以来都是如此。所以我们尝试在研究上迈出正确的下一步，无论是 AGI（通用人工智能），还是像 AlphaFold 这样的项目，你真正想要解决的是科学挑战。但另一方面，我脑子里也相当务实。我希望解决的事情也能对世界产生非常直接的实际积极影响。所以如果你能找到两者兼顾的项目，那简直就是圣杯，真正值得投入大量时间和精力。AlphaFold 正是如此。我对这个问题本身很着迷，正如 Janet 今早提到的，你越深入了解蛋白质，就越会发现它们是精妙的生物纳米机器，美得不可思议。我完全同意 Janet 的说法，当你开始研究它们时，你会爱上它们。大自然的工程设计简直令人难以置信。但我心里一直记着，这会带来社会公益。而 Isomorphic 可以同时做到这两点，对吧？我认为我们可以借助 AI 治愈许多疾病，同时它也应该成为一家极具价值的公司。如果事实果真如此，那就会给我们更多的钱投入基础研究。所以这是一个良性循环。有这么多不同的基础研究项目正在进行，你认为我们是否正处于一个即将迎来垂直起飞式进步的时刻？我认为我们正处于那个临界点。我真的觉得我们正处在一个新发现黄金时代的边缘，就像今天整个研讨会的主题所表达的那样。我认为我们需要的是更多跨学科的科学，以正确的方式使用 AI，与领域专家一起提出正确的问题。我认为它的应用几乎是无限的。当然，AI 本身作为一门科学学科也在不断进步。所以一方面是将今天的技术直接应用于其他领域，另一方面是继续改进 AI 本身，这同样是一种指数级的进步。所以我认为仅仅在未来几年里就会有很多进展。跨学科肯定是今天的一大主题，但我认为另一个主题是关于未来的科学会是什么样子。在 AI 时代做科学意味着什么？我知道你非常推崇科学方法，能跟我多聊聊这个吗？展望未来，这会是什么样子？我认为科学方法可以说是人类有史以来最伟大的想法，它显然是所有科学的基础，也因此是科学技术、现代文明的基础。我认为在当今世界，我们比以往任何时候都更需要以这一方法为锚点。我认为，尤其是对于像 AI 这样强大且可能带来变革的技术，我们应该更多地运用科学方法，而不是像通常新技术那样，依赖在真实环境中进行的 A/B 测试。我觉得我们应该尽可能地将其视为一项科学事业，尽管它显然具有突破性技术通常具备的所有影响，包括采用速度和变革速度。所以我们所处的情境很有趣。我认为我们需要用科学方法来更好地理解这些系统在做什么，建立基准和严格的评估，以理解其能力边界、可解释性。实际上，我认为我们应该运用神经科学的技术——这些技术显然是为了理解真正的大脑而建立的——来建模虚拟大脑。我有时称之为虚拟大脑分析，比如这些神经网络的 fMRI 等价物是什么？我认为我们可以从自然科学中学到很多，并将其转化迁移到这门基本上属于工程科学的领域。我称之为工程科学，是因为与自然科学不同，你必须先构建出研究对象，然后才能用科学方法将其拆解，理解其组成部分。所以这肯定是一个艰巨的挑战。在我看来，这些系统与我们通常想要研究的自然现象一样复杂。所以没有人会认为理解这些人工系统会比理解自然系统更容易，它们在很多时候同样复杂。因此我们面前还有很多工作要做。我认为这是产业界、学术界和公民社会需要共同努力去更好理解的事情，包括如何部署这些技术。科学家的直觉在其中扮演什么角色？我认为科学家的直觉和创造力至关重要。我认为目前 AI 系统只是工具，它们非常擅长在数据中寻找相关性、模式和结构，但目前它们还无法提出自己的假设或问题。我认为在座的所有科学家都知道，科学中最难的事情就是提出正确的问题。而这仍然必须来自人类科学家，在可预见的未来，我认为情况仍将如此。所以我认为——这也是为什么我对将这些 AI 系统用作帮助我们加速科学发现的终极工具感到非常兴奋。说到人类，最近有一些研究称，近年来科学发现的进展有所放缓。你怎么看？可以做些什么来改变这一状况？我也看到过这类研究，我认为关于原因有一些有趣的猜想。你知道，科学已经变成了一项更大的事业，你需要更大的团队、更昂贵的设备等等，这会导致一些放缓。而且也许我们现在处理的问题越来越复杂，这也增加了难度。我认为我的建议是，未来 10 年的许多进展将来自跨学科工作，将两个或多个领域的专家聚集在一起，在交叉领域取得重大突破。其实 DeepMind 的故事就是如此，我认为它最初是神经科学思想与机器学习思想的结合。AlphaFold 也是如此，它结合了我们团队中的生物学家、化学家，以及机器学习专家和工程师。所以我始终发现，这是最快取得最多进展的地方。实际上，我们今天宣布了一项来自 Google 的 2000 万美元基金。