从围棋天才到诺奖得主:DeepMind 创始人如何用 AI 科学的密码?

文摘   2024-11-22 15:54   广东  

“AI领域的达芬奇” —— 他横跨象棋、神经科学、游戏设计与人工智能,每一个领域都创造了历史。

如果你对人工智能如何改变世界充满好奇,或者想知道科学突破背后的故事,那么德米斯·哈萨比斯的传奇人生将为你揭开答案。从破解围棋极限的AlphaGo到攻克蛋白质折叠难题的AlphaFold,这位集象棋冠军、神经科学家、游戏设计师与AI先锋于一身的奇才,正用AI重新定义科学的边界。

在这篇精彩对话中,他畅谈如何用AI加速药物研发、设计全新材料、模拟虚拟细胞,甚至挑战数学千年难题。他深信,跨学科合作和科学方法是引领未来的关键,而AI将成为科学家最强大的伙伴。

让我学到一个重要的概念是:根节点问题---德米斯·哈萨比斯将蛋白质折叠问题比喻为“树的根”,因为一旦解决,就能为生命科学的许多领域打开新的大门。

我们正在进入一个科学发现的黄金时代,人工智能既是工具,也是催化剂。而德米斯的故事告诉我们:想象力无界,跨界才能成就未来。准备好被他的远见和热情点燃了吗?这篇文章,值得你细细品读!




德米斯·哈萨比斯是谁

从象棋神童到AI天才,他的传奇人生


汉娜·弗莱:接下来我要采访的是德米斯·哈萨比斯爵士。德米斯是位厉害的计算机科学家、人工智能研究员,也是 DeepMind 的创始人兼 CEO。他不仅获得了诺贝尔奖,还是皇家学会会员,AlphaFold 和 AlphaGo 也都是他领导开发的。更令人惊讶的是,他以前还是神经科学家、象棋冠军和游戏设计师!我总觉得,德米斯肯定早就破解了通用人工智能的秘密,只是偷偷藏起来,然后一点一点地给我们惊喜。每次和他聊天都让人大开眼界。

汉娜·弗莱:听说你之前并不知道自己会得诺奖?

德米斯·哈萨比斯:是的。虽然有传言说 AlphaFold 可能被提名,但这种事谁也说不准。那天早上我正在工作,我妻子也在家办公。到10点半的时候,我们都觉得今年估计没戏了,结果突然我妻子的电脑响了,是来自瑞典的电话!他们到处找我的联系方式,最后总算找到了。这整个过程真是跌宕起伏。


AlphaFold 的革命

蛋白质折叠的终极突破


汉娜·弗莱:AlphaFold 的引用次数已经超过 2.8 万次,太了不起了!有没有哪些应用案例让你印象特别深刻?

德米斯·哈萨比斯:这真的超出了我们的预期。我们开发 AlphaFold 的初衷就是希望它能帮助到更多人,所以我们开源了它,并和 EMBL-EBI 等伙伴一起推广它。现在有很多很棒的应用,我最喜欢的是它在解析核孔复合物结构上的应用。核孔复合物是人体内最重要、最大的蛋白质之一,它控制着物质进出细胞核。好几个团队利用 AlphaFold 的预测结果和他们自己的实验数据,终于搞清楚了这种复杂蛋白质的结构。

另外,麻省理工张锋团队用 AlphaFold 改进了分子注射器的设计,可以把药物送到身体里很难到达的地方。还有朴茨茅斯大学 John McGeehan 团队用 AlphaFold 设计了能分解塑料的酶。这些只是众多研究人员用 AlphaFold 做出的杰出工作中的一小部分。

汉娜·弗莱:这些项目不仅技术含量高,而且对未来的影响也很大。

德米斯·哈萨比斯:对。我们把蛋白质折叠问题称为“根节点问题”,意思是说,解决了这个问题,就能打开一个全新的研究领域,就像树的根一样。我一直觉得用这种方法确定蛋白质结构,会在疾病理解、药物设计等方面带来重大突破,现在看来确实如此。


通向未来的三个关键词

材料设计、虚拟细胞与跨学科合作


汉娜·弗莱:接下来还有什么大计划?会有下一个 AlphaFold 级别的大项目吗?

德米斯·哈萨比斯:我们涉猎的领域很广,几乎涵盖了所有科学领域。我最喜欢的项目之一是 Noam,它研究的是材料设计材料设计和我们想用 AI 解决的问题有很多相似之处:组合空间巨大,需要建立一个能理解物理和化学规律的模型,然后用它来高效地搜索最佳方案。

在材料领域,这将会带来革命性的变化。你可以想象一下,设计新的电池,或者有一天发现室温超导体——这一直是我的梦想。我们现在还处于早期阶段,大概相当于 AlphaFold 1 的水平,我们需要达到 AlphaFold 2 的预测水平。但我们已经看到了前进的方向,Noam 就是一个很好的开始。

我们去年在《科学》杂志上发表了一篇文章,发现了 20 万种以前从未见过的晶体。这展示了 AI 在材料设计等领域的巨大潜力。另外,我还对将 AI 用于数学研究很感兴趣,说不定能解决一些重大的数学猜想,比如千禧年难题,用 AI 来找到答案。

汉娜·弗莱:我知道你和保罗·纳斯一直在讨论虚拟细胞。

德米斯·哈萨比斯:保罗是我的导师之一,在生命科学领域指导我超过 25 年了。我们经常讨论这个问题。我大概每五年就会想一次,我们现在的技术是不是足够成熟,可以尝试构建虚拟细胞了?

虚拟细胞就是一个可以模拟真实细胞的系统,还能预测细胞的行为。之前我一直觉得时机还不成熟,但现在我觉得可以开始了。在未来的 5 到 10 年里,我们或许可以构建一个虚拟细胞,也许可以从酵母细胞入手。你可以把 AlphaFold 2 看作是解决了蛋白质静态结构的问题,但生物学是一个动态系统,所有有趣的事情都发生在动态变化中。AlphaFold 3 是我们尝试模拟这些动态变化的第一步,它可以模拟蛋白质之间、蛋白质和 RNA、蛋白质和 DNA 之间的相互作用。下一步可能是模拟整个生物通路,最终模拟整个细胞。

汉娜·弗莱:量子计算的出现会带来什么影响?

德米斯·哈萨比斯:量子计算发展很快,非常令人兴奋。AI 和量子计算之间也出现了很多有趣的交叉研究。我们和谷歌的量子计算团队在纠错码等方面有很多合作。量子计算机的一个用途就是模拟分子、原子和化合物等量子系统,还能产生大量的模拟数据。

但我有一个不太一样的观点:经典计算机的潜力比我们想象的要大得多。AlphaFold 和 AlphaGo 的研究成果就证明了这一点。蛋白质折叠和围棋都有巨大的可能性空间,如果用传统方法去尝试每一种可能性,计算量会非常大。但是,如果你先建立一个系统模型,就可以在几秒钟内找到围棋的最佳走法,或者在几分钟内预测蛋白质的折叠结构。也就是说,如果方法得当,经典计算机也可以模拟非常复杂的系统,甚至包括量子系统。我已经和一些顶尖的量子计算机科学家讨论过这个问题,他们觉得很有意思。

汉娜·弗莱:所以你的意思是,经典计算机虽然是确定性机器,但也可以用来解决概率问题。

德米斯·哈萨比斯:任何自然现象,如果你想穷尽所有可能性去模拟它,在经典计算机上很快就会耗尽计算资源,需要太多的比特位来存储信息。但这并不是使用经典计算机的正确方法。你应该先建立一个学习模型,我的猜想是,任何自然现象都有一定的规律。如果它有规律,你就可以用经典的机器学习系统去学习它,建立一个高效的模型,然后用它来快速搜索各种可能性。这样就可以避免传统方法的低效问题。我知道这是一个很大胆的设想,但我只是提出一种可能性,我觉得很有希望。

汉娜·弗莱:Isomorphic 是你创立的另一家公司,它利用 AlphaFold 进行药物研发,并且已经和一些很有实力的机构建立了合作关系。Isomorphic 目前的重点是什么?

德米斯·哈萨比斯Isomorphic 的目标是用 AI 从头开始革新药物研发过程。我们在开发 AlphaFold 的时候就考虑到了这一点。AI 最有价值的应用之一就是治病救人。还有什么比这更有意义呢?我一直想用 AI 来实现这个目标。

AlphaFold 是一个非常强大的基础研究工具,全球已经有超过 200 万研究人员使用了 AlphaFold 和我们提供的结构数据。但它也有很强的实用价值,可以用来辅助药物研发。当然,了解蛋白质的结构只是药物研发的一小部分。所以我们在 AlphaFold 2 完成后成立了 Isomorphic,希望在这个基础上更进一步,开发新的机器学习系统,用于化合物和药物设计、毒性测试和预测药物特性等。我们正在构建更多类似 AlphaFold 的模型,最终把它们整合起来。我们希望在不久的将来,可以把药物研发的时间从几年甚至几十年缩短到几个月甚至几周,这将彻底改变药物研发行业。

汉娜·弗莱:这个项目既能造福人类,又能创造商业价值。你在选择项目的时候,会有多看重这一点?或者说,你会在多大程度上支持一些天马行空的研究,然后期待它们最终能带来实际价值?

德米斯·哈萨比斯:两种情况都有。我们是做研究起家的,所以我们想在通用人工智能和 AlphaFold 等领域取得突破。但同时我也很务实,希望能解决一些对世界有积极影响的实际问题。如果一个项目既能推动科学进步,又能造福人类,那就太完美了,值得我们全力以赴。

AlphaFold 就是这样一个项目。我个人对蛋白质折叠问题很感兴趣,蛋白质就像精密的生物纳米机器,它们真的非常神奇。当你开始研究它们的时候,你就会被它们深深吸引。我一直觉得 AlphaFold 会对社会有很大的贡献,Isomorphic 也是如此。我觉得我们可以用 AI 治愈很多疾病,同时也能创造巨大的商业价值。如果真的能做到这一点,我们就能有更多资金投入到基础研究中,形成一个良性循环。


走向黄金时代

虚拟细胞和材料设计的大胆愿景


汉娜·弗莱:现在有这么多基础研究项目在进行,你认为科学发展会迎来一个爆发期吗?

德米斯·哈萨比斯:我觉得我们正站在变革的边缘。我感觉我们即将进入一个科学发现的黄金时代。我们需要更多跨学科的研究,用 AI 来提出正确的问题,并和各领域的专家一起合作。我觉得 AI 的应用潜力是无限的。当然,AI 本身也是一门学科,它也在不断进步。所以,一方面我们要把现有的 AI 技术应用到其他领域,另一方面也要继续改进 AI 技术本身,这是一个指数级的增长。我觉得在未来几年,我们会看到很多令人振奋的进展。

汉娜·弗莱:跨学科确实是今天的一个重要主题。但另一个主题是,未来的科学会是什么样子?在 AI 时代,做科学意味着什么?我知道你很推崇科学方法,能不能谈谈你的看法?

德米斯·哈萨比斯科学方法可以说是人类最伟大的发明之一,它是所有科学的基础,也是现代文明的基石。在当今世界,尤其是在 AI 如此强大和具有变革性的时代,我们更应该坚持科学方法。我觉得我们应该把 AI 的发展看作一项科学事业,虽然它也像其他突破性技术一样,会带来快速的变化和应用。

我们正处在一个特殊的时期,我们需要用科学方法来更好地理解 AI 系统的工作原理,建立基准和评估体系来衡量它的能力,并提高它的可解释性。我觉得我们应该借鉴神经科学的研究方法来理解这些虚拟大脑的工作方式。我们可以从自然科学中学到很多东西,并应用到 AI 这门“工程科学”中。之所以称之为工程科学,是因为它和自然科学不一样,你需要先构建一个人工制品,然后才能用科学方法去研究它。这是一个很大的挑战,在我看来,这些 AI 系统和自然现象一样复杂。理解 AI 系统并不比理解自然现象容易。所以我们还有很多工作要做。这需要工业界、学术界和全社会共同努力,才能更好地理解 AI,以及如何应用 AI。


AI 如何助力科学家

从工具到伙伴的转变


汉娜·弗莱:科学家的直觉在其中扮演什么角色?

德米斯·哈萨比斯:我觉得科学家的直觉和创造力非常重要。现在的 AI 系统只是工具,它们擅长发现数据中的关联、模式和结构,但还不能自己提出假设或问题。就像所有科学家都知道的那样,做科学最难的就是提出正确的问题这仍然需要人类科学家来完成。在可预见的未来,我想这种情况不会改变。所以我很期待 AI 成为科学家的终极工具,帮助我们加速科学发现。

汉娜·弗莱:最近有一些研究表明,科学发现的速度在放缓。你怎么看?

德米斯·哈萨比斯:我也看到过类似的研究,关于原因有很多猜测。现在做科学的规模越来越大,需要更大的团队、更贵的设备等等,所以速度自然会慢下来。而且,我们现在研究的问题也越来越复杂。我的建议是,未来 10 年的重大突破很可能会来自跨学科研究,把不同领域的专家聚集在一起,碰撞出新的火花

DeepMind 就是一个很好的例子,它最初就是神经科学和机器学习的结合,AlphaFold 也是如此,它是由生物学家、化学家、机器学习专家和工程师共同努力的成果。我一直觉得跨学科合作是取得突破的最快途径。我们今天宣布,谷歌将投入 2000 万美元支持学术界的跨学科研究。我希望其他机构也能加入进来。我们需要培养新一代的跨学科人才。


年轻科学家的启示

热情、好奇心和坚持的力量


汉娜·弗莱:接下来是观众提问环节。

提问者:如果能回到过去,和 18 岁的自己说几句话,你会说什么?

德米斯·哈萨比斯:这问题有点复杂。我 18 岁的时候就有了现在的计划,神奇的是,它真的实现了。我想我会告诉自己,享受过程,别想太多,最终都会好起来的

John Jumper:我会说两件事。第一,别担心,卡罗琳会嫁给你的。第二,人生就像梯度下降算法,做好当下,一切都会好起来。对未来保持开放的心态。我们正处于生物学和 AI 的黄金时代,好好享受这段旅程吧。

詹妮弗·杜德纳:我会告诉 18 岁的自己,追随你的热情,永不放弃,不要理会那些泼冷水的人。

保罗·纳斯:我来自非学术家庭,我以前不敢相信,仅仅追随自己的好奇心就能获得报酬。即使是现在,55 年过去了,我仍然觉得不可思议。


科学与社会

如何赢得公众的信任与支持


提问者:我们看到了 Sycamore 量子计算机的照片,很酷。能不能设计一些好看的 AI 硬件,放到科学博物馆里展览?AI 很擅长给出答案,但不擅长解释原因。AI 模型有数十亿个参数,但它们没有物理意义。这会不会影响公众对 AI 的信任?我们什么时候才能拥有一个像物理定律一样解释生物规律的 AI,让我们真正理解其中的机制?

德米斯·哈萨比斯:这个问题很有意思。我并不像其他人那么担心,因为我觉得我们正处在一个过渡时期。我之前说过,AI 是一门工程科学,也就是说,你得先造出一样东西,然后才能用科学方法去研究它。过去 5 到 10 年,我们一直在努力构建值得研究的 AI 系统,比如现在的 Transformer 模型、AlphaFold 和 AlphaGo。早期的 AI 系统太简单了,不值得深入研究。现在不一样了,所以大家都在认真研究现在的 AI 系统。而且,这些系统还在不断自我改进。

我觉得在未来,AI 系统可以用语言、数学公式或者代码来解释自己的工作原理。所以你可以问它,你理解了这个现象,现在用数学公式把它表达出来。我不确定生物学能不能像物理学那样用公式来表达,生物学要复杂得多,更多的是相互作用。所以我认为用模拟的方式来研究生物学比用公式更合适另一个方法是用神经科学的分析技术来研究人工神经网络,这样我们就能像理解人脑一样理解 AI 系统。如果把这些方法结合起来,我们就能对 AI 系统有更深入的了解,更不用说我们还会继续改进 AI 系统的设计。所以我认为在未来五年,AI 黑盒时代将会终结。

提问者:有人说 AI 可以改变社会科学。反过来,社会科学又能如何改变 AI 呢?如何把工程科学和社会科学结合起来,让 AI 工具更好地理解人类社会?

注意力机制仍然是 AI 的核心吗?

John Jumper:我觉得“注意力机制就是一切”这种说法太绝对了。AlphaFold 并不是简单地套用现成的 Transformer 模型,我们花了很长时间改进它,加入了很多新的想法,注意力机制只是其中一部分。我们开发了 Evaformer,还有很多其他的创新。德米斯领导的 AI 研究团队非常出色,他们每天都在努力改进 AI 系统,而不是躺在现有的成果上。

我觉得大家低估了 AI 领域正在进行的创新,这些创新正在让 AI 系统变得越来越强大,可以处理更多的数据,并从数据中学到更多东西。AlphaFold 的成功之处就在于,它用同样的数据,学到了比别人更多的东西。我相信 AI 领域还会出现更多令人兴奋的新突破。我们可能会一直使用“注意力”这个词,但它的含义会不断更新。这就像一个古老的计算机笑话:未来的计算机语言不管是什么样子,都会叫做 Fortran。

德米斯·哈萨比斯:我同意约翰的观点。Transformer 架构非常出色,它很可能会成为未来通用人工智能的重要组成部分。但我预测光靠它还不够,我们还需要其他一些重大突破。

提问者:今天我们讨论了很多 AI 如何促进科学发展。除了教科学家使用 AI 工具,还有什么其他方法可以提高科学家在 AI 时代的价值?

詹妮弗·杜德纳:谢谢你的提问。今天大家提到了很多关于数据的问题,训练 AI 模型需要大量高质量的数据。生物学的一个挑战就是数据的质量和数量。我希望 AI 可以教会我们如何更有效地收集数据,即使数据量不多,也能最大限度地发挥作用。我觉得这方面的训练对实验科学家非常重要。

提问者:很多人谈到通用人工智能的时候,都把它和人类智能做比较。但人类智能并不是最优的,因为它只是进化史上的一个偶然产物。你认为通用人工智能会不会超越人类智能?

第二个问题关于包容性。到 2050 年,非洲将拥有世界上最多的年轻人。为了人类的未来,这些年轻人需要为世界做出贡献。我们如何确保非洲年轻人也能参与到 AI 发展中来?谷歌和 DeepMind 在这方面做了很多工作,其他机构还能做什么?

提问者:我以前是纳米化学领域的学者。在化学领域,显微镜等技术的发展为很多其他领域的研究打开了大门。AI 也是一样,但今天很多演讲嘉宾都提到,AI 的发展主要来自工业界,而不是学术界。保罗,你之前提到了科研文化,以及现有的科研奖励机制不利于创新。我们应该如何改变这种文化,鼓励更多人去探索新的领域?

汉娜·弗莱:我们还有最后几分钟时间。

John Jumper:我觉得团队合作非常重要。在谷歌 DeepMind,我体验到了团队合作的乐趣。读博的时候比较孤单,主要靠自己。团队合作不仅能带来更大的成就,还能带来更多乐趣。做科研的过程中,失败是常态,成功只是偶尔的惊喜。我们之所以能站在这里,是因为我们经历了那些惊喜的时刻。我觉得鼓励团队合作,能让科学研究变得更有趣,也更容易坚持下去。如果你不喜欢做科研,肯定坚持不下去。所有伟大的科学家都热爱自己的工作。

詹妮弗·杜德纳:我完全同意。回顾我的职业生涯,最让我感到自豪和快乐的,就是我培养的学生,以及他们现在所做的工作。关于非洲的问题,我很自豪创新基因组研究所正在肯尼亚开展一个项目,我们已经连续三年派团队到肯尼亚的不同地区,帮助当地科学家学习 CRISPR 技术。看到他们把 CRISPR 技术带回自己的社区,并和学生们一起探索新的研究方向,我感到非常鼓舞。我希望看到更多这样的合作。

保罗·纳斯:在大数据时代,我们有时会把数据量看得太重,有些期刊似乎只关心数据,而不关心创造力。我觉得我们应该重视大数据时代的创造力,因为如果缺乏创造力,大数据就失去了意义。我们需要鼓励研究人员和学生进行创造性思考,这和简单地收集数据不一样,但如果我们能创造性地利用数据,就能获得更大的回报。

德米斯·哈萨比斯:有很多话题想聊,但时间不多了。创造力是一个很值得深入探讨的话题,下次我们可以专门讨论。关于如何激励年轻一代,我的偶像之一是费曼。除了他的物理学著作,他的科普书籍也给了我很大的启发,我觉得所有学生都应该读一读,比如《别闹了,费曼先生》和《发现的乐趣》。这些书展现了探索知识的乐趣,费曼就是一个很好的例子,他是一位伟大的科学家,同时也热爱生活,享受科学带来的乐趣。我觉得这才是科学真正的魅力所在。

汉娜·弗莱:感谢各位的精彩分享。在和德米斯的对话中,我们谈到了很多话题,从室温超导体到核孔复合物,从分子注射器到塑料降解酶,从药物设计到扑克策略。但对我来说,最核心的问题是,在 AI 时代,成为一名科学家意味着什么。这次活动是由皇家学会和我们共同举办的,皇家学会成立的年代,是“站在巨人肩膀上”的伟大科学家辈出的时代。但我觉得,那个属于“孤独天才”的时代已经过去了。如果我们想解决气候变化、能源危机、疾病和探索宇宙等重大挑战,就需要组建大型的、跨学科的科学家团队。政治比以往任何时候都更需要科学,世界也是如此。我们需要公共机构、政府、医疗机构和私营企业通力合作,因为创新不仅是为了人类,也是由人类创造的。







关注《森林聊AI商业》公众号


了解 AI 如何塑造商业的未来




森林聊AI商业
每日一起了解,AI如何改变科技世界
 最新文章