👇关注公众号后设🌟标，掌握第一手AI新动态
本文访谈内容整理自Sir Paul Nurse, Demis Hassabis, Jennifer Doudna, John Jumper接受Google DeepMind Youtube频道专访，公开发表于2024年11月21日。原始内容参考：https://www.youtube.com/watch?v=nQKmVhLIGcs
四位诺贝尔奖得主接受Google DeepMind的AI专题专访
★内容导读：
此次访谈主要围绕DeepMind的创始人德米斯·哈萨比斯及其团队在AI领域取得的突破性成就，以及AI对科学研究的未来影响展开。主要观点如下：
AlphaFold的成功与影响: AlphaFold准确预测蛋白质结构的能力，已被广泛应用于各个科学领域，包括疾病研究、药物设计、材料科学等，并产生了巨大的影响力，这被认为是“根节点问题”的解决，开启了新的研究方向。 AI在科学研究中的作用: AI不再仅仅是辅助工具，而是成为推动科学发现的强大引擎。它能够处理海量数据，发现人类难以察觉的模式，从而加速科学研究进程，并帮助解决复杂科学问题，如蛋白质折叠、材料设计等。 经典计算与量子计算的结合: 哈萨比斯认为，经典计算的能力被低估了，通过巧妙的建模和算法，经典计算机可以有效解决许多复杂问题，甚至可以模拟量子系统。量子计算则可以为AI提供更多数据和计算能力，两者结合将极大促进科学发展。 Isomorphic公司的目标: Isomorphic公司致力于利用AI技术从第一性原理出发，彻底革新药物研发过程，目标是将药物研发时间大幅缩短。 基础研究与应用的平衡: 哈萨比斯强调，DeepMind在进行前沿基础研究的同时，也致力于将研究成果应用于解决实际问题，例如利用AlphaFold开发药物。 科学方法的重要性: 在AI时代，科学方法仍然至关重要。需要运用科学方法来理解AI系统，评估其能力和局限性，并确保其安全可靠地应用于科学研究和社会发展。 跨学科合作的重要性: 未来科学的突破将更多地依赖于跨学科合作。AI技术需要与其他学科的专家结合，才能充分发挥其潜力，解决复杂问题。 科学发现的加速与挑战: 哈萨比斯认为，目前正处于科学发现的黄金时代，AI将成为加速科学进步的关键因素。然而，也需要关注科学发现可能面临的挑战，例如资金投入、人才培养以及公众对科技的接受程度等。 对未来科学家的建议: 鼓励团队合作、跨学科研究，培养年轻一代科学家的创造力和批判性思维能力，并注重将科学发现应用于解决实际问题，造福人类。 AI对社会的影响及公众参与: 需要重视AI对社会的影响，并积极与公众沟通，确保AI技术以负责任的方式发展和应用，避免公众的误解和抵制。
四位参会的诺贝尔奖得主简介
保罗·纳斯（Sir Paul Nurse）：英国遗传学家和细胞生物学家，曾任皇家学会会长和弗朗西斯·克里克研究所首任所长兼首席执行官。他的研究重点在于调节细胞周期的关键蛋白质，于2001年与利兰·哈特韦尔和蒂姆·亨特共同获得诺贝尔生理学或医学奖。纳斯在科学界享有高誉，并获得多个奖项，包括皇家奖章、拉斯克基础医学研究奖和科普利奖章。
德米斯·哈萨比斯（Demis Hassabis）：英国人工智能研究员、神经科学家、电子游戏设计师和企业家，DeepMind的联合创始人兼首席执行官。他的工作主要集中在人工智能领域，特别是在深度学习和强化学习方面。他与谷歌合并后，继续推动AI技术的发展，取得了多项突破性的成果。2024年与约翰·詹珀共同获得诺贝尔化学奖。
珍妮弗·多德纳（Jennifer Doudna）：美国生物化学家，2012年与埃马纽埃尔·沙尔庞捷共同发现CRISPR-Cas9基因编辑技术。她的工作对基因编辑领域产生了重大影响，开启了新的生物技术时代。她与埃马纽埃尔·沙尔庞捷共同获得了2020年诺贝尔化学奖。
约翰·詹珀（John Jumper）：美国计算机科学家，DeepMind公司的研究员。他的研究重点在于人工智能和机器学习，特别是蛋白质结构预测方面。他领导了AlphaFold的开发。2024年与德米斯·哈萨比斯共同获得诺贝尔化学奖。
访谈全文
主持人汉娜·弗莱： 您好，正在观看节目的各位会注意到，我们今天不在演播室，因为我们正在“AI助力科学”论坛的后台，这是一个由皇家学会和谷歌DeepMind联合主办的非常特别的活动。作为活动的一部分，我有机会在台上采访了德米斯·哈萨比斯，我们认为您可能想听听那次谈话，所以我们将其作为特别节目收录在这里。更特别的是，仿佛一位诺贝尔奖获得者还不够，我们还有三位诺贝尔奖获得者与我一起登台，进行一场扩展的讨论会，供大家欣赏。
接下来，对我来说，采访今天节目的另一位主持人——德米斯·哈萨比斯爵士，总是无比荣幸，也常常是一次令人难以置信的体验。德米斯是一位计算机科学家，人工智能研究员，企业家，他于2010年共同创立了DeepMind，并至今仍担任首席执行官。我不知道你们对德米斯的背景了解多少，除了诺贝尔奖、爵士称号、皇家学会会员、AlphaFold、AlphaGo以及15万篇论文引用之外，他之前还是一位非常成功的脑神经科学家、国际象棋冠军和电子游戏设计师。我必须说，我有一个理论，那就是德米斯其实很久以前就解开了AGI的秘密，然后一直把它藏在地下室里，然后慢慢地、一个接一个地向我们其他人透露这些重大的突破。但有一点是肯定的，我们的谈话总是非常引人入胜。所以，让我们欢迎德米斯来到舞台！谢谢。
谢谢，德米斯，非常感谢。好的，我听说你当时并不知道诺贝尔奖即将到来。这是真的吗？
德米斯·哈萨比斯： 是的，你是怎么知道的？这其实是一个很有趣的故事，因为我们听说过一些传闻，说我们的AlphaFold被提名了，但你永远不会想到这种事情会发生。那天早上，我像往常一样继续我的工作。实际上，我的妻子也在家工作。大约到了10点半，我们想，哦，今年肯定没戏了，因为我们还没收到消息。然后突然，我妻子的电脑Skype响了，我想是的。我当时想，什么烦人的声音？然后结果是来自瑞典的电话，他们拼命想找到我的号码，他们也没有我的妻子的号码。所以每个人都处于一种恐慌之中，但这都增加了那一刻的戏剧性。就在宣布前的10分钟，是的，没错。
主持人汉娜·弗莱： 正好在所有消息宣布之前。太神奇了。我还看到你与包括马格努斯·卡尔森和希卡鲁在内的一些国际象棋冠军一起玩扑克来庆祝，我想知道谁赢了？你的诈唬策略是什么？（笑声）
德米斯·哈萨比斯： 嗯，结果是，是的，那是发生在周三，结果伦敦正在举行一场大型国际象棋比赛。我一位国际象棋朋友，我年轻时认识的老朋友，在第二天举办了一个扑克和国际象棋之夜。所以我认为这是庆祝的完美方式。但是，如果你想赢钱，我不建议你与几个世界扑克冠军和几个前世界国际象棋冠军一起玩家庭扑克游戏。但这这是我的乐趣所在，那实际上是一个非常棒的夜晚，我知道这听起来很书呆子气，但这实际上是我心目中庆祝的完美方式，是的，我不能告诉你我的诈唬策略，否则我再也不能击败马格努斯了。
主持人汉娜·弗莱： 但这是真的，这是真的。好的，我的意思是，除了诺贝尔奖，在此之前，在获得诺贝尔奖之前，你因为AlphaFold的工作已被引用超过28,000次而被评为引文桂冠获得者，这令人难以置信。我的意思是，它问世到现在时间并不长。对你来说，有哪些特别突出的应用真正引起你的共鸣？
德米斯·哈萨比斯： 嗯，我的意思是，这真是令人难以置信。它实现了我们通过发布AlphaFold、将其开源以及与EMBL-EBI的社区和我们优秀的合作伙伴（比如观众中的珍妮特和你们）合作，将其提供给每个人的所有期望。有很多应用，虽然我可以提及许多，但我认为我可以重点介绍我最喜欢的两三个。
一项重大成就是确定了核孔复合物的结构，它是人体中最重要的也是最大的蛋白质之一。这个复合物至关重要，因为它控制着进出细胞核的分子和营养物质。几个团队利用AlphaFold预测以及他们的实验数据，最终拼凑出了这种非常复杂的蛋白质结构，这太令人惊叹了。
另一项我认为很有趣的工作是冯·张在博德研究所的项目，该项目涉及开发一种分子注射器，将药物有效载荷输送到难以到达的身体部位。他还使用AlphaFold来帮助修改该分子注射器的设计，展示了这项技术的实际应用。
最后，我另一个最喜欢的项目来自朴茨茅斯大学约翰·麦吉安的团队，该团队专注于使用AlphaFold设计可以分解塑料的酶。这只是研究人员使用AlphaFold进行的令人难以置信的工作的一小部分样本，它展示了其在各个领域的深远影响。
主持人汉娜·弗莱： 但这些项目，我的意思是，这些都是你最喜欢的，对吧？那些不仅仅是技术理念本身，而是它可以在下游产生潜在影响的项目。
德米斯·哈萨比斯： 是的，没错。我的意思是，这就是我一直对蛋白质折叠问题或蛋白质结构预测问题感兴趣的原因，因为我觉得，你知道，我们有时在DeepMind称之为“根节点问题”。我们所说的意思是，如果你考虑整个知识树，你知道，有一些问题是，如果你解开了它们，如果你发现了它们的解决方案，它将开启一个全新的分支或探索途径。我一直觉得，以这种方式确定蛋白质结构将会做到这一点，从而能够了解疾病，设计药物。
主持人汉娜·弗莱： 还有更多，这似乎正是发生的事情。好的，不要贪心，接下来是什么？还有另一个AlphaFold吗？我的意思是，Gnome是我个人最喜欢的项目。
★从微芯片到电池和光伏电池，无机晶体的发现是材料科学中的一个基本问题。DeepMind的开源项目——材料科学图网络 (GNoME) 项目的核心是扩展机器学习方法以解决这项核心任务。
德米斯·哈萨比斯： 实际上，詹姆斯今天早上提到了它，普什米也提到了它，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，它关于材料设计，我认为材料设计具有一些我们在适合AI的问题中寻找的相同特征。这是一个巨大的组合空间。
你需要尝试建立一个模型来理解自然现象的物理和化学性质。如果你有这样的模型，你就可以利用它在这个搜索空间中进行非常有效的搜索，并找到最佳解决方案。在材料科学领域，我认为这将是具有突破性的。你可以想象设计新型电池，或者有一天，发现室温超导体，这始终是我的梦想之一。
我认为我们显然正处于该领域的早期阶段。我将其描述为AlphaFold一级，也许吧，我们必须达到AlphaFold二级预测水平。但我们可以看到从那里前进的清晰路径，而Gnome是这项工作的开端。我认为我们在去年发表在《科学》杂志上，我们发现了20万个以前从未见过的晶体。
所以，你知道，我认为这展示了人工智能在材料设计等方面的潜力。然后也许我另一个感兴趣的是将人工智能应用于数学，也许解决一个伟大的猜想，也许是千年难题之一，并使用人工智能作为该解决方案的重要组成部分。
主持人汉娜·弗莱： 那么，关于已知信息以及AlphaFold的想法，也就是说，你某种程度上是在走捷径，或者说你正在让这个合成世界真正为你所用。所以你不必事事都通过实验来完成。我知道你和保罗·纳斯（Paul Nurse）已经讨论虚拟细胞很长时间了，能跟我们讲讲这个吗？
德米斯·哈萨比斯： 保罗是我的导师之一。在生命科学领域，他慷慨地指导我超过25年了。和他定期讨论这些话题，真是令人难以置信、非常鼓舞人心。不同寻常的是，保罗是一位生命科学家，一位生物学家。他深入思考了生物学作为信息系统的问题，并撰写了许多关于此的有趣研究论文。
我们一直都在进行这样的讨论。每隔五年左右，我都会思考我们是否拥有足够的科技和知识，来真正尝试解决这个如同“珠穆朗玛峰”般的问题：尝试构建一个虚拟细胞，本质上是一个能够预测真实生物事件的细胞模拟。每次，我都认为我们还没有足够的科技。然而，我相信现在答案是肯定的；我们可能已经拥有足够的知识和技术来认真尝试了。
在未来五到十年内，我们或许能够构建一个虚拟细胞的模型，也许是从酵母细胞开始，保罗一直将其作为这个领域的模式生物。我思考这个问题的方式是将AlphaFold2看作是解决了蛋白质静态结构的问题。然而，我们知道生物学是一个动态系统，而所有有趣的事情都发生在那里。
AlphaFold3 代表着我们朝着模拟这些相互作用迈出的第一步。它可以模拟蛋白质之间、蛋白质与RNA之间以及蛋白质与DNA之间的成对相互作用。下一步可能是模拟整个通路，最终，我们也许能够创建一个整个细胞的完整模拟。
主持人汉娜·弗莱： 太棒了。我的意思是，我想象量子计算的出现会对这一点有所改变，这使得在分子水平上进行模拟成为可能。
德米斯·哈萨比斯： 是的，量子计算非常令人兴奋。它本身也在不断加速发展，詹姆斯（James）今天上午也提到了AI和量子计算之间发生的有趣的交叉融合。事实上，我们与谷歌的量子计算团队（这是世界上最好的量子计算团队之一）在纠错码及相关问题上进行了大量的合作。当然，量子计算机的用途之一就是模拟量子系统，例如分子、原子和化合物，然后有可能产生大量合成数据。
但有趣的是，我也有一个略有争议的观点，我已经和一些世界顶级量子计算机科学家讨论过这个问题。我相信经典图灵机或经典计算机的能力比我们之前认为的要强大得多。我认为我们一直在做的工作已经证明了这一点，无论是AlphaFold还是之前击败围棋世界冠军的AlphaGo程序。这表明围棋的复杂性，它比国际象棋复杂得多，其可能的棋盘位置数量超过宇宙中原子的数量——10的170次方。这意味着你不可能通过暴力破解来找到特定位置的最佳落子；你必须采取更巧妙的方法。
如果你采取天真的方法，尝试每一种组合，那么蛋白质折叠和围棋都存在海量的可能性。然而，如果你进行大量的预计算来构建系统的模型，然后再提出你感兴趣的问题——例如“在这个围棋位置我应该走哪一步？”或“这种新的蛋白质是如何折叠的？”——事实证明，你实际上可以在几秒钟内找到围棋的近乎最佳落子，或者在几分钟内折叠蛋白质。这可能会让你认为你需要一台量子计算机来解决这类问题，尤其是在蛋白质空间中。然而，事实证明你不需要。
我认为我们应该认真对待这一点：如果以正确的方式使用，经典系统可能能够模拟更多复杂的系统，甚至可能违反直觉地模拟量子系统。通常情况下，你会谈到需要量子计算机来模拟任何类型的经典系统，但经典系统可能能够模拟量子系统。我已经与诸如塞林格教授（Professor Zeilinger）这样的人一起测试过这一点，他最近因在量子计算领域的开创性工作而获得了诺贝尔物理学奖。他认为这非常有趣。我的科学英雄之一大卫·杜伊奇（David Deutsch），他本质上发明了量子计算，说这是疯狂的，但却是正确的疯狂。从他那里听到这句话，我把它看作是一种赞扬，也是一个继续深入研究的信号。
主持人汉娜·弗莱： 那么让我确保我理解这一点。所以我想经典计算机被认为是确定性机器，而你在这里谈论的是概率问题。
德米斯·哈萨比斯： 你可以使用确定性机器。是的。其思想是，量子系统，任何你试图模拟的任何自然现象，如果你开始尝试模拟它可能采取的每一个可能性，那么你很快就会在经典系统中耗尽计算能力。你需要太多比特来模拟它。但这并不是你尝试用经典系统来做这件事的方式。你首先会构建一个学习的模型，我的猜想是任何自然现象都倾向于具有结构。如果它具有结构，你就可以用经典机器学习系统学习它，学习它的有效模型，然后用它来有效地搜索可能性。我认为这可能会绕过以天真方式进行此操作的一些低效之处。所以，我的意思是，这是一个相当大的说法。所以我以一种比较委婉的方式来表达它，但这有点像我的一个爱好，去研究这个领域。我认为这可能是相当有前景的。
主持人汉娜·弗莱： 你的另一个爱好现在已经发展成一个名为Isomorphic的独立公司，因为这意味着使用AlphaFold进行药物发现的研究。你现在也有一些非常有声望的合作伙伴。你能告诉我们Isomorphic目前专注于什么吗？
德米斯·哈萨比斯： Isomorphic是我们为了尝试从第一性原理出发，利用AI作为一种自下而上的方法，重新构想药物研发过程，从而彻底改变药物研发而成立的衍生公司。在我们开发AlphaFold时，我就心中有这个想法。AI最明显的有益用途之一是治愈疾病；还有什么比这更好的AI用途呢？因此，一旦AI发展到足够成熟的程度，这始终是我的AI首要任务之一。
当然，AlphaFold是基础研究和生物学的优秀工具，全球超过200万研究人员已经使用了我们提供的结构。然而，了解蛋白质的结构只是整个药物研发过程的一个小组成部分。在完成AlphaFold 2后，我们决定将Isomorphic分拆出来，在此基础上开发相邻领域的新机器学习系统，例如设计化学化合物和药物化合物、测试毒性以及预测药物在体内发挥作用所需的关键特性，同时最大限度地减少副作用。
我们设想在这些相邻领域构建更多类似于AlphaFold的模型。最终，我们希望将所有这些系统整合在一起。我们的目标是将设计一种药物所需的时间从数年——甚至可能十年——缩短到几个月，甚至几周。实现这一目标将彻底改变药物研发过程，我们认为这至关重要。谢谢。
主持人汉娜·弗莱： 这确实像是一种努力，你不需要在造福人类的事情和能够盈利并自给自足的事情之间做出选择。你在项目一开始就多关注这类项目吗？还是说你做一些蓝天研究，然后希望最终结果会是这样？
德米斯·哈萨比斯： 我认为我们两者都会做。作为一个团队，我们是研究主导型的，一直都是这样。我们会努力去做研究中正确的下一步，例如人工智能通用智能（AGI）或AlphaFold这样的项目，你真的想解决科学挑战。但与此同时，我的内心也很务实，所以我也想解决那些能直接对世界产生积极影响的问题。如果你能找到同时做到这两点的项目，那就是真正的圣杯，也是真正值得投入大量时间和精力的项目。
AlphaFold就是这样。我本身就被这个问题深深吸引了。正如Janet之前提到的，你越深入研究蛋白质，就越会意识到它们是精妙的生物纳米机器。我的意思是，它们美得令人难以置信。我完全同意Janet的观点。当你开始研究它们时，你会爱上它们，大自然创造的奇迹令人难以置信。
但是，我一直都想着这会是一件利民的事情。Isomorphic可以做到两全其美，对吧？我认为我们可以借助AI治愈许多疾病，但它也应该成为一家非常有价值的公司。当然，如果事实如此，我们将获得更多资金来投资基础研究。所以这是一个良性循环。
主持人汉娜·弗莱： 在所有这些基础研究项目中，你认为我们现在是否正处于某种意义上的“垂直起飞”阶段？
德米斯·哈萨比斯： 我认为我们正处于这个临界点。我真的感觉我们正处于一个新的科学发现黄金时代的边缘，就像今天研讨会的主题一样。我认为我们需要更多跨学科的科学研究。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改进，所以既有直接将今天的技术应用于其他领域，也有继续改进AI本身，这同样是一种指数级的改进，所以未来几年还有很多进步空间。
主持人汉娜·弗莱： 我认为跨学科性绝对是今天的主题之一。但我认为另一个主题是关于未来科学的面貌。在人工智能时代，科学意味着什么？我知道你是一位科学方法的坚定支持者。但请你谈谈这方面的内容，随着我们前进，它会是什么样子？
德米斯·哈萨比斯： 我认为科学方法可以说是人类有史以来最伟大的思想。我认为它显然是所有科学的基础，而且也因此推动了科学技术和现代文明的发展。在当今世界，我们比以往任何时候都更需要围绕这种方法来进行。尤其对于像AI这样强大且具有潜在变革意义的技术来说，我们更应该使用科学方法，而不是依赖通常的新技术在实际应用中的A/B测试，而这在许多新技术中是很常见的。如果可能，我们应该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有的所有含义，例如采用速度和变化速度。
所以，我们正处于一个有趣的状态。我们需要运用科学方法来更好地理解这些系统的工作原理，建立基准，并进行严格的评估以了解其能力和可解释性的局限性。事实上，我认为我们应该使用神经科学技术（这些技术显然是为了理解真实的大脑而建立的）来模拟虚拟大脑。我有时称之为虚拟大脑分析。这些神经网络的fMRI等效物是什么？我相信我们可以从自然科学中学到很多东西，并将其转化为本质上属于工程科学的东西。
我称其为工程科学，因为与自然科学不同，你必须首先构建感兴趣的人工制品。一旦你拥有它，你就可以使用科学方法来分解它并理解其组成部分。这绝对是一个艰巨的挑战。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。没有人应该认为理解这些人工系统比理解自然系统更容易；在许多方面，它们同样复杂。
因此，我们面前还有很多工作要做。我相信这是产业界、学术界和公民社会需要共同努力更好地理解的事情，包括如何有效地部署这些技术。
主持人汉娜·弗莱： 科学家的直觉在这种情况下如何发挥作用？
德米斯·哈萨比斯： 我认为科学家的直觉和创造力至关重要。我认为现在AI系统只是工具。我认为它们非常擅长发现数据中的相关性、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，正如房间里所有科学家都知道的，我认为科学中最困难的事情是提出正确的问题。而且，在可预见的未来，我认为这仍然需要来自人类科学家。所以，我认为这正是我对使用这些AI系统作为最终工具来帮助我们加速科学发现感到非常兴奋的原因。
主持人汉娜·弗莱： 说到人类这个话题，最近有一些研究表明，科学发现的进展近年来有所放缓。你对此有何看法？可以采取哪些措施来改变这种情况？
德米斯·哈萨比斯： 我认为，我也看过类似的研究。我认为关于原因有很多有趣的推测。科学已经成为一项更大的事业；你需要更大的团队、更昂贵的设备等等。所以这导致了一些减速。也许我们现在正在解决的问题越来越复杂了。所以这也比较棘手。
我认为我的建议是，再次强调，我认为未来十年的许多进步都将来自跨学科的工作。这包括将来自两个或多个领域的专家聚集在一起，然后在这些领域之间取得重大进展。事实上，这就是DeepMind的故事，我认为它最初是神经科学思想与机器学习思想的结合。
这也是AlphaFold的故事，它是我们团队中的生物学家和化学家与机器学习专家和工程师的结合。我一直发现这是最快取得最大进步的地方。
此外，我们今天宣布，谷歌将捐赠2000万美元资金用于资助这种跨学科的学术研究。我希望其他捐赠者也能加入这项工作。我认为我们需要培养新一代在这些不同领域组合方面的博士和博士后。
主持人汉娜·弗莱： 真是一个非凡的新闻作为结束！两千万美元用于跨学科团队的研究。Demis，真的非常感谢你！非常感谢，Demis。好的，Demis，我想请你下去加入其他获奖者，我们来整理一下舞台。
现在，我应该告诉你们，实际上，“获奖者”（laureate）这个词来源于月桂花冠，古希腊人用它来奖励胜利者，象征荣誉。每年，阿尔弗雷德·诺贝尔都会颁发五个独立的奖项，授予那些被认为对人类做出最大贡献的人。有传言说没有诺贝尔数学奖，是因为阿尔弗雷德·诺贝尔的挚爱与一位数学家私奔了。你们听说过这个吗？我的意思是，我们很有趣，我还能说什么呢？
现在，加入我的还有三位同样获得这一崇高奖项的学者。John Jumper，我们到目前为止还没有机会请John Jumper上台。他是谷歌DeepMind的主任，他领导团队构建了AlphaFold，并继续致力于将机器学习应用于蛋白质生物学的新方法研究。John因其工作获得了无数奖项，包括拉斯克奖、生命科学突破奖、加拿大国际奖，当然还有今年的诺贝尔化学奖。
我们还请到了Sir Paul Nurse，他是弗朗西斯·克里克研究所的首席执行官，并因其在蛋白质方面的研究，特别是控制细胞周期中细胞分裂的蛋白质分子研究，获得了2001年的生理学或医学奖。最后是Jennifer Doudna，她之前与James分享了她从CRISPR中学到的经验。她于2020年获得了诺贝尔化学奖。让我们一起欢迎四位诺贝尔奖获得者上台，谢谢！
好的，我知道你们经常会被问到，你们听到获奖消息时在哪里，当时在做什么。我想问你们一个稍微不同的问题。我想问你们，你们是否在某个时刻意识到自己正在做的工作是真正具有开创性的？是否曾有过某个时刻，让你意识到这项工作的意义？John？
约翰·詹珀： 我想对我来说有两个这样的时刻。一个是发布一些研究成果后，观察推特上的反应。你会焦虑地刷新推特，输入“AlphaFold”看看出现哪些推文。我记得数据库上线后，看到许多惊叹的博士生说：“他们是怎么得到我的结构的？它还没有发表，对吧？这怎么可能？”这种惊讶的程度绝对令人震惊。许多人提到我们预测了他们的结构或他们隔壁实验室的结构，这表明该工具的影响力有多大。
第二个时刻是《科学》杂志发表了一期关于核孔结构的专题，那是人类细胞中最大的蛋白质复合体。该专题有四篇论文，其中三篇大量使用了AlphaFold——在《科学》杂志中“AlphaFold”这个词出现了100多次。我们对此一无所知；我们甚至不知道这件事正在发生。那一刻我真正意识到，人们正在使用我们的工具进行值得发表在《科学》杂志（世界上最负盛名的期刊之一）上的科学研究，而我们并没有直接参与其中。
当人们开始在我们构建的基础上做出这些发现时，你作为工具创造者才真正成功。
詹妮弗·杜德纳： 嗯，我想对我们来说，也许也有两个时刻。一个是大概2011年的秋天，我们开始与Emmanuelle Charpentier合作研究CRISPR，这是一种细菌免疫系统。我们想知道，它是如何工作的？我们一起发现它是一个RNA引导系统，它靶向DNA进行切割。此外，我们意识到我们可以实际编程该系统，因为我们了解了它的工作原理。这真的是一个“啊哈”时刻，我个人只是惊叹于细菌竟然想出了如何做到这一点，而我们现在已经了解了如何利用该系统以新的方式操纵DNA。所以这就是第一个时刻。
第二个时刻有点类似于你所说的，John。大约一年后，我们在2012年夏天发表了这项工作。到了秋天，我开始收到来自世界各地的人发来的电子邮件，他们读了这篇论文后说：“天哪，这太令人兴奋了！”他们告诉我，他们现在正在用它来测试果蝇的基因，开始测试斑马鱼的基因，并表达了他们对人类细胞中工作的兴奋。我收到了一些我几乎不认识的人的信息，他们非常非常热情。你真的可以感受到该领域正在形成的势头。酷。
保罗·纳斯爵士： 嗯，我是这里年纪最大的一位，所以是1985年，恐怕是这样。正如你们已经听说的那样，我研究酵母。我的实验室已经研究出了控制细胞周期的基因。那就是一个细胞繁殖成两个细胞的过程，对所有生物体的生长和发育至关重要。我们已经鉴定了那个基因。
但坦白地说，谁会在乎酵母呢？我的意思是，说实话，我在乎酵母，但世界上大部分人都不在乎。我发现我们的工作并没有真正引起人们的注意，这让我开始思考人类是否也有同样的基因。这远在人类基因组测序之前。
所以，我们做了一个疯狂的实验。我想告诉你们它有多疯狂。我们有一种酵母突变体，由于该基因缺陷而无法生长。我们采用了第一个人的cDNA文库，有史以来制作的噬菌斑基因；我们没有制作它，我们是在几个月后得到的。我们基本上将这些基因撒在有缺陷的酵母上，认为如果人类中有一个基因可以像酵母中缺陷基因一样发挥作用，那么如果酵母细胞吸收了它，如果它可以表达，并且如果它有效，那么这些细胞就会生长和分裂。
然后我们可以检索基因并证明人类拥有它。考虑到酵母可能在15亿年前就已分化，而我们却要求它在15亿年后仍然有效，这个实验本不应该成功。你知道吗，当我们得到结果时，它确实有效了。顺便说一下，我们花了几个月的时间来测序基因；需要这么长时间。
我曾经想过，我只要回家相信这项工作，明天去上班就会发现它没有成功。但它确实成功了。那时我认为它可能会得到认可，因为它不是酵母；它是人类的。
主持人汉娜·弗莱： 真是精彩的故事集锦。现在，我知道你们所有人一定都迫不及待地想向我们的专家小组提问。所以我可能会从听众中选取一些问题。我们有麦克风在四处传。哦，那里有一个。我可能会一次性收集几个问题。还有谁想提问吗？
现场提问者： 今天真是令人印象深刻的一天，感谢您以这样的方式为今天画上句号。我有一个非常有趣的问题，那就是，如果您能回到过去，遇见您18岁或21岁的自己，并且您可以说一些话来让那个时候的自己安心，确信自己正在做出正确的选择，您会说什么？而且，您不能说您将获得诺贝尔奖，或任何与之相关的事情。那么，您会对您18岁、20岁的过去的自己说什么呢？
主持人汉娜·弗莱： 好的，我们再来收集一个问题。我认为Roger Heifeld刚才是有问题的。
现场提问者Roger Highfield： 我也有一个问题。我是Roger Highfield，来自科学博物馆。只是想评论一下。我们看到了Sycamore的图像，谷歌那台外观很酷的量子计算机。我们能否得到一些外观炫酷的AI硬件，以便我们能够在科学博物馆收藏呢？实际上，更严肃的一点是，Demis，你已经暗示了这一点，那就是AI擅长提供答案，但它不太擅长提供机械论的见解。你有数十亿个参数，它们没有任何物理意义，这在多大程度上阻碍了公众对AI的信任？我之前也和John讨论过这个问题，我们究竟在多大程度上能够获得一个能够像我们获得物理定律一样，给我们提供生物学定律的AI，从而获得真正的机械论的见解？
主持人汉娜·弗莱： 非常好。那里有两个非常好的问题。我们先从第一个问题开始。Demis，如果我们先请你回答，你会对18岁的自己说什么？
德米斯·哈萨比斯： 对我来说有点复杂。我的意思是，我18岁的时候确实有这个计划。所以，令人惊讶的是，它成功了。但我当时会告诉自己的话是，享受过程多一点，因为结果会不错的。因为当时的想法是，这怎么可能成功呢？我有这么多梦想……可能这就是我会对我18岁的自己推荐的建议。
约翰·詹珀： 实际上，我认为有两件事。有趣的是，我当时想的是，别担心，Carolyn，我们会娶你。但这就像人生的梯度下降。现在做正确的事情，结果真的很好。并且要对未来可能出现的有意思的事情保持开放的心态。然后我认为我们正处于生物学和人工智能的黄金时代之一。经历这一切真的很有趣。所以我认为，不要害怕局部最优解。这基本上与Demis的建议相反。（笑声）
主持人汉娜·弗莱： 你是梯度下降的支持者，还是提前进行战略规划？可能两者都有吧。对John来说。
詹妮弗·杜德纳： 是的，我认为我会告诉18岁的自己，要追随自己的热情，永不放弃。不要听那些唱反调的人的话。这一点非常重要。
保罗·纳斯爵士： 我来自非学术背景，我不敢相信你可以靠追寻好奇心来获得报酬，即使现在40年，不，实际上是50多年后，甚至更久，55年后，我还是不敢相信。
主持人汉娜·弗莱： 55年。坚持相信我们可以做到，好吗？作为皇家学会的会长。Roger提出的第二个问题是关于AI系统的直觉。
德米斯·哈萨比斯： 是的，我认为这实际上非常有趣。我并没有像其他人那样担心这个问题，因为我认为我们正处于一个特定的时刻。正如我之前所说的，我的演讲表达了我所相信的，那就是AI是一门工程科学。
这意味着你必须先构建值得研究的成果，然后才能用科学方法对其进行分解。因此，在过去五到十年中，你所看到的是，构建的成果甚至值得投入任何努力去研究。你知道，在你拥有像今天的Transformer模型、AlphaFold、AlphaGo这样的模型之前，早期系统可能并不值得真正投入精力去研究，因为它们不够复杂。现在它们已经足够复杂了。所以现在人们正在认真研究当前的系统。
最重要的是，这些系统自身也在改进。至少，我认为我们将处于这样的境地：首先，系统或许能够用语言、数学或代码来解释自身。我们正接近这一目标，所以你可以对系统说：“好的，你现在已经理解了这一点；现在请用数学方程式解释一下”，在它能够解释的范围内。
顺便说一句，我不确定生物学能否像物理定律那样解释。我认为它要混乱得多；它更多的是关于相互作用。所以我认为模拟会更适合探究，而不是牛顿运动定律之类的东西。我不认为生物学可以简化为那种程度；它太复杂了。
然后，另一件事是我之前也提到的，将神经科学技术和分析技术应用于这些人工神经网络。我们应该能够对它们的洞察力至少达到与我们对自然大脑的洞察力相同的水平。因此，如果将这些结合在一起，我们应该已经取得相当大的进展，更不用说我们将要添加的进一步的工程努力来分解这些系统。
我认为在未来五年内，我们将摆脱我们目前所处的这种“黑盒”时代。
主持人汉娜·弗莱： 太精彩了。好的，还有其他问题吗？
现场提问者Denny Newman-Grifist： 谢谢。我是谢菲尔德大学的Denny Newman-Grifist。只是想跟进一下之前提到的关于人工智能中社会科学的话题。有人提出了人工智能有可能改变社会科学的想法。我想问一下你，根据你的理解，你如何看待社会科学的工作能够帮助改变人工智能的未来？以及如何将这种工程科学转变为我们一直在讨论的跨学科领域，即人工智能工具与对应用领域和环境的深入理解相结合。
主持人汉娜·弗莱： 一个非常好的问题。你旁边的邻居。
现场提问者Michael Chang： 一个非常简单的问题。注意力仍然是我们需要的一切吗？我是美国国家研究所的Michael Chang。非常感谢你。这次会议很棒。这里的主题是人工智能可以更好地进行科学研究。我认为我们通常会做的一件事是，我们可以教科学家更多关于人工智能的知识，然后他们就可以使用它。我的问题是反过来问。你认为人工智能不擅长做的事情，科学家应该接受哪些方面的更多培训，才能最大限度地提高他们的附加值，以及这些附加值是什么？我很想知道你对此的看法。
主持人汉娜·弗莱： 太精彩了。好的，好的，那么我可能先请Paul回答，因为你之前一直在谈论社会科学。所以，是的，人工智能和社会科学，我们有多少需要考虑人机之间这种接口？
保罗·纳斯爵士： 嗯，首先，我认为我们需要更加关注社会科学来帮助我们科学家。不过，我们必须认识到，人际互动非常复杂。所以我不确定这在初期会有多大帮助，对此不太确定。但我们确实应该包容它，应该思考它可能带来的帮助。我可以想象某些社会科学问题，我怀疑你是一位社会科学家，比如交通运输之类的问题。所以我觉得有一些机械性的东西在试图理解人类如何互动和工作。
保罗·纳斯爵士： 换句话说，对不起，我以为这很简单。获取情绪，理解情绪。
约翰·詹珀： 我应该回答这个问题还是应该转向注意力机制？是的，转向注意力机制。我认为“注意力就是你所需要的一切”是一种过度简化。真正有趣的一点是，AlphaFold不仅仅是从“注意力机制商店”里拿一个Transformer模型，然后将其应用于蛋白质结构预测。这花了大约两年时间，因为有很多工作要做，还有很多新的想法，而注意力机制只是一个组成部分。
我们拥有我们称之为“进化形成器”（evoformer）的新想法，以及在此基础上的其他新想法。Dima领导着一个令人难以置信的AI研究组织，他们每天都在努力工作，而不仅仅是说：“好吧，我们已经拥有了所有需要的东西；有注意力机制，对吧？”我们都在做这项工作，我认为人们低估了目前在AI领域正在进行的、真正新颖和令人兴奋的研究，这些研究正在使这些系统得到变革性的改进。这一进步正在解锁新的数据来源，并使我们能够从现有数据来源中学习更多信息。
AlphaFold的故事是，拥有与其他人相同的数据，并从中学习到关于蛋白质结构的远比其他人多得多的知识。我相信我们将继续看到AI研究带来的这些红利，我们将继续见证令人兴奋的新发展。虽然我们可能总是将某些东西称为注意力机制，但这让我想起了这个老计算机科学家的笑话：“我不知道未来的科学计算语言会是什么样子，但它将被称为Fortran。”我们倾向于保留想法的标签，然后更新其中的概念。我认为我们不应该低估当今正在进行的、奇妙、令人兴奋和巧妙的研究。
德米斯·哈萨比斯： 也许我可以快速补充一点。我同意这一点。事实上，Transformer架构（也就是那篇论文中提出的架构）非常棒。我认为它将成为未来AGI系统的主要组成部分之一。但我预测，仅凭它本身是不够的。我认为我们还需要另外几项类似的重大突破，而这些突破尚未到来。
主持人汉娜·弗莱： 詹妮弗，我可能要请你谈谈我们第三个问题，关于AI能力的差距，我们需要真正关注人类的技能。
詹妮弗·杜德纳： 是的，谢谢你的问题，迈克尔。所以我想，关于这个问题，我一直在思考的是，今天有很多关于数据以及此类模型训练所需的数据类型的讨论。当然，生物学中的一个挑战是数据的质量，但也是数据的数量，以及通常需要大量高质量数据来训练模型，至少目前是这样。所以我希望AI能为我们科学家做的事情是，教育我们如何收集数据，也许是稀疏的，但要聪明地收集，这样你的稀疏数据就足够广泛，实际上确实为训练提供了合适的平台。我认为这是我们，至少作为一名实验学家，现在我们设计实验时不会考虑的，但我们可以考虑。
主持人汉娜·弗莱： 我想这又回到了我们之前讨论的“提出正确问题”这个问题上。是的，确实如此。什么是最好的？是的，这是关键问题之一。
发言者B： 你好，我是南安普顿大学的温迪·霍尔。我长期与社会科学家合作，那里的一个大问题是数据收集以及隐私问题，这使得数据收集比你们做的科学研究要困难得多。我们越能做到这一点，就越好。不过，我的问题是，作为一位刚刚感冒的人，就像许多人一样，AI能否解决普通感冒问题？
现场提问者托马斯·克莱普顿： 你好，我是托马斯·克莱普顿。显然，有很多关于伟大科学的讨论，很多精彩的科学被讨论了。但是，对于那些不理解科学并且可能对科学持怀疑态度的人来说呢？你有多担心社会可能会拒绝这些即将问世的伟大突破？你认为我们应该采取什么措施来解决这个问题？
现场提问者威尔弗里德·恩迪丰： 我是非洲数学科学研究所的威尔弗里德·恩迪丰。非常感谢精彩的讨论。如果可以的话，我有两个问题。
第一个问题是，当人们谈论AGI时，我认为普遍的假设是目标是人类智能。然而，人类智能可能是次优的，因为它是一个历史上偶然的进化过程的结果。那么，在多大程度上你认为AGI将优于人类智能？
第二个问题是关于包容性的。到2050年，非洲将拥有世界上最多数量的青年成年人。这些人将服务于世界，为了人类继续进步，他们必须这样做。在多大程度上，这个社区确保非洲人参与其中？
我应该提到，谷歌一直很棒，谷歌DeepMind一直是培养非洲青年AI人才的优秀支持者。总的来说，这个社区还做了什么？谢谢。
主持人汉娜·弗莱： 很好。然后我想你身后也还有一个问题。谢谢。
现场提问者Sise Kundu： 谢谢。我是Sise Kundu，来自Digital Science。我曾经是学术界人士，受过纳米化学的专业训练。在化学领域，显微镜等技术的进步一直为许多其他研究领域打开了大门。人工智能也是如此，但我认为我们从今天各位发言者和讨论中可以看出，许多发展来自工业界而非学术界。所以，Paul，我知道你谈到了研究文化，以及我们其他一些发言者如何谈到我们目前奖励成功研究的方式可能不利于以同样的方式为创新创造空间。当没有人想成为第一个这样做的人时，我们该如何改变全球文化？因为他们可能会因此而损失一些东西。
主持人汉娜·弗莱： 好吧，四个非常好的问题，我们只有四分钟来回答它们，大家没问题吧？好的，那么，Paul，我们先从你开始，为什么还没有治疗普通感冒的方法呢？
保罗·纳斯爵士： 嗯，你知道的，这很难，不是吗？当然，你绝对可以。让公众参与进来，这非常关键。至关重要。我们真的需要关注它。
当然，这不是第一次了。几乎每一次出现新技术和变化时，都会引起担忧。我认为我之前提到过，我们必须与合适的人交谈。我们必须与公众交谈。
这些讨论往往会被利益集团和那些自称代表公众说话的人所劫持，而他们往往是为了表达他们自身的特殊利益或热情。因此，我们必须找到方法，以一种合理的方式与公众进行讨论。
我提到了协商式民主；这样做成本很高，但我认为这是一件非常重要的事情。因为，坦率地说，如果你没有把公众带进来，我们就无法看到由此可能产生的所有好处。
这些好处包括更好地理解我们周围的世界，并实际将这些发现用于公共利益。我们必须参与，我们必须让公众相信这些事情是对的。谢谢。
主持人汉娜·弗莱： 我想补充一下Susie刚才的问题，我认为这部分也包含在你问题中。因为对于你们所有人来说，我们今天都在谈论成功的衡量标准和科学家的激励措施。当然，你们所有人最终都获得了诺贝尔奖的殊荣。你们的成功观是如何改变的？我们应该如何影响世界各地未来几代科学家，以确保我们获得正确的结果？John，你想先来吗？
约翰·詹珀： 我认为，在我整个科学生涯中，真正影响我的事情之一就是团队合作进行科学研究的力量和乐趣。我能够在Google DeepMind做到这一点。在我攻读博士学位之前，我也做过一段时间。然后博士学习就比较孤独了，对吧？你专注于一件特定的事情。我认为，团队合作的力量真的非常重要。我认为这也能提供自身的动力。科学充满了失败和偶尔的戏剧性成功，我们都因为这些戏剧性的成功而来到这里。但我认为，也许Demis已经把它变成了可重复的科学，但我认为，真正鼓励人们团队合作，共同努力，这有助于提供一种能够带来更好的科学、更有趣的科学的动力。如果你做这件事不开心，你就不会去做，而所有伟大的科学家似乎都在享受其中。
詹妮弗·杜德纳： 我完全同意。我必须说，当我回顾我目前的职业生涯时，我真切地感受到了培养的学生以及他们现在正在做的工作带来的巨大喜悦和自豪感。这让人难以置信地满足。
实际上，我可以谈谈另一个问题吗？你问到了关于非洲以及让非洲科学家和想要从事科学的年轻人参与进来的问题。我非常自豪的是，创新基因组学研究所目前正在肯尼亚开展一项工作，我认为我们已经连续三年积极参与其中了。我们已经向肯尼亚的不同地区派遣了一个团队，他们一直在与当地科学家合作，帮助他们了解CRISPR技术。
看到回来的一些视频，当地科学家与他们的社区互动，与学生一起工作，感到兴奋，并开始在他们自己的实验室里进行有趣、有创造性的科学研究，这真令人鼓舞。我希望看到更多这样的情况；我认为这里存在着非凡的机会。
我也对听到谷歌正在开展的倡议感到非常兴奋。我相信我们所有人都有机会在这一方面进行合作。
主持人汉娜·弗莱： 越来越多的人被付钱去追寻他们的好奇心，Paul。
保罗·纳斯爵士： 你几乎说出了我要说的。哦，对不起。我稍微补充一下。我们生活在这个大数据的世界里，有时我们的标准很低，认为仅仅报告大量大数据就足够了。某些期刊，非常高调的期刊，似乎什么都不做，只是报告大量的数据。我认为，值得关注一下大数据领域的创造力，因为在这种情况下，创造力可能会丢失，而事实上，如果我们采取创造性的方法，大数据蕴含着巨大的机遇。我们需要思考一下，创造力究竟是什么？我可以继续谈论这个话题，但我不会，因为时间快到了。但是，我们需要鼓励我们的同事、我们的学生进行创造性思考。这与收集大量数据略有不同，但如果他们对大量数据采取创造性的方法，这些数据将会带来回报。
德米斯·哈萨比斯： 有很多东西需要补充，时间不多，创造力将是一个非常有趣的话题，也许下次我们可以就此展开一场小组讨论。但也许只是为了回应几个问题，我认为在鼓励下一代方面，对我来说，我的英雄之一是费曼，但这不仅仅是因为他的物理学著作非常著名，对吧？实际上，是他那些面向大众的书籍激励我走上了科学之路。我认为所有小学生都应该阅读它们。《别闹了，费曼先生》和《发现的乐趣》。因为我认为，这些书比我读过的任何其他书籍（也许还有其他类似的书籍）更能展现出处于知识前沿的兴奋感。这意味着什么，我甚至只是谈论这个话题就感到鸡皮疙瘩。当我还是，你知道的，我不记得几岁了，大概10岁或11岁左右的时候，这在我心中留下了深刻的印象。我认为让小学生接触到这一点，了解从事科学研究是多么令人难以置信和有趣，将是一件很棒的事情。我认为费曼就是这样的人，他做着令人难以置信的科学研究，并且从中获得了很多乐趣，这为他树立了一个很好的榜样。
主持人汉娜·弗莱： 非常感谢各位。非常感谢。正如Demis总是那样，刚才涵盖了一系列令人眼花缭乱的话题。我们谈到了室温超导体、核孔复合体、分子注射器、塑料降解酶、药物设计，甚至扑克诈唬策略。
但我认为，对我来说，今天谈话中最突出的一点是，在人工智能时代，成为一名科学家意味着什么。这次活动由皇家学会联合主办，该学会成立于伟大的孤独天才站在巨人的肩膀上的时代，正如谚语所说。然而，我认为我们需要开始接受，那些孤独天才的时代真的已经过去了。
如果我们要解决社会面临的最大挑战——例如气候变化、能源、疾病和我们对宇宙的理解——那么我们真正需要的是由来自不同传统学科背景的优秀科学家组成的庞大团队。政治从未像现在这样需要科学，但我认为世界也一样。我们需要公共机构、政府、医疗保健提供者和私营部门之间的合作，因为创新是人为了人而追求的事业。
您刚刚收听的是谷歌DeepMind播客节目，我是主持人Hannah Fry教授。如果您喜欢这一集，请订阅我们的YouTube频道。
关注公众号后设🌟标，掌握第一手AI新动态
