今年的诺奖将物理和化学两个领域的奖项都颁给了AI成果，这究竟代表着怎样的含义，又会产生怎样的影响？Demis Hassabis在本次专访中提出了自己的见解。
10月，DeepMind联合创始人兼CEO Demis Hassabis凭借AlphaFold成为了诺贝尔化学奖的三位共同获奖者之一。
作为一种人工智能软件，AlphaFold解决了一个生物学界50年前提出的问题：预测每种已知蛋白质的结构。
事实上，AlphaFold这个极具开创性的模型，也仅仅是DeepMind成果的一部分。成立15年来，DeepMind已经跻身为全球最重要的AI实验室之一。
尽管被谷歌收购、与Google Brain合并后加入了一些商业考量，但他们目前仍然专注于科学和工程中最复杂和基本的问题，最终设计出能够模仿，甚至取代人类认知能力的强大AI。
获得诺奖后不到24小时，Demis Hassabis就接受了《金融时报》记者Madhumita Murgia的采访，讨论了DeepMind下一步将要解决的重大难题、AI对科学进步的作用，以及他本人对agi之路的前景预测。
Demis Hassabis在谷歌DeepMind伦敦总部
AI4Science的下一个挑战
AlphaFold 3的相关进展，就一定程度上彰显了DeepMind在生物学领域下一步的前进方向——理解生物体内的相互作用，最终对整个通路进行建模，甚至可以构建出一个虚拟细胞。
此外，通过DeepMind子公司Isomorphic的努力，他们也在进军药物发现领域——设计全新的化合物、找到结合位置，并预测出这些物质的特性、吸收性、毒性等等。
目前，Isomorphic还与礼来、诺华等公司合作开展了6个药物研发计划，有望未来几年内在临床上有所进展，希望能大幅缩减药物发现所需时间，从而帮助治愈一些疾病。
除了生物学领域，Hassabis也表示对材料设计领域的工作感到十分兴奋。
去年，他们在Nature上发表的一篇论文提出了名为GNoME的AI工具，实现了AlphaFold 1级别的材料设计，共发现了220万个新晶体；下一步，就需要努力达到AlphaFold 2级别。
论文地址： https://www.nature.com/articles/s41586-023-06735-9
数学方面，AlphaProof和AlphaGeometry已经在今年达到了IMO银牌的水准，接下来的几年，DeepMind将尝试借助AI的力量真正解决一个重要的数学猜想。
对于能源和气候领域，去年在Science上发表的Graphcast模型能在1分钟内以前所未有的精度预测未来10天的天气。
论文地址：https://www.science.org/stoken/author-tokens/ST-1550/full
这其中的技术，或许可以帮助进行气候建模，这对于应对气候变化、优化电网等领域都非常重要。
可以看出，DeepMind的未来蓝图中，重点更多地放在应用和工程实践层面，旨在将技术进一步转化为能够影响现实世界的工作，而非纯粹的基础研究。
对此，Hassabis表示，「蛋白质折叠」是一个「可遇不可求」的「挑战」，不能要求每个问题都有如此含金量。
「蛋白质折叠」这个问题如此核心且重要，相当于生物学领域的费马大定理，但可惜的是，没有多少问题足够重要、探索时间足够长，能够被称之为「挑战」。
诺奖将成为AI的分水岭
今年的诺贝尔物理和化学奖项接连颁给AI学者，这很有趣，但谁也说不清评奖委员会为什么会做出这样的决定。
对此，Hassabis如何理解？
他表示，这很像是委员会特意发表的一种「声明」，也将成为AI的分水岭时刻，标志着它的技术成熟度得到了足够的认可，能够协助科学发现。
AlphaFold就是最好的例子，而Hinton和Hopfield的奖项则是针对更基础、更底层的算法工作。
Hassabis表示，希望10年后回顾当下时，AlphaFold将预示着所有这些不同领域的科学发现的新黄金时代。
这也带来了一个有趣的问题：有了AlphaFold这样的工具，科学家们不再需要花费过多的时间和精力来进行预测，这是否意味着我们应当去开拓新的领域？甚至改变学习科学概念的方式？
需要注意的是，AI系统是一类独特的新工具，它们具有一些内在的功能，因而不适用于传统意义上对工具的分类。
虽然AlphaFold等工具目前只能做到预测，但从某种意义上说，预测也是「理解」的一部分。如果你能预测，那就可以带来理解。
甚至，如果预测的输出足够重要，比如蛋白质的结构，那么它本身就是有价值的。
从更宏大的视角来看，科学中包含了很多层次的「抽象」。
比如，整个化学领域就是建立在物理学的基础上。你不需要理解量子力学等全部的物理原理，也可以谈论原子化合物，在化学自身的抽象层去理解它。
对生物学领域而言，我们可以研究生命，但仍然不知道生命是如何进化或出现的，甚至无法正确定义「生命」这个概念。
类似的，人工智能也像一个抽象层，构建程序和网络的人们在一定的物理层面上理解这一点，但随后产生的预测结果就像一种突然涌现的属性，我们可以在科学的层面上自行分析这些预测。
AGI迫近，理解很重要
无论是自然科学，还是人工智能系统，「理解」都很重要。
人工智能是一门工程学科，这意味着你必须先建造出一个系统，之后才能研究、理解这个对象；而自然科学中的现象不需要制造，是天然存在的。
虽然AI系统是工程化的人造物，但这并不意味着比自然现象更容易研究，甚至可以预期到的是，它会像生物神经网络一样难以理解、分拆和解构。
现在这种情况正在发生，但我们已经取得了一些进展，比如有一个专门的领域叫做「机械解释」（mechanistic interpretation），就是使用神经科学的观念和工具来分析AI系统这个「虚拟大脑 」。
对于AI的可解释性，Hassabis非常乐观，认为未来几年就会在理解AI系统这方面取得很大进展。
当然，AI也可以学着解释自己。想象一下将AlphaFold与语言能力系统结合起来，它就可以一边预测，一边解释自己在做什么。
目前，很多领先的实验室正在缩小他们的探索范围，专注于对Transformers进行扩展。不可否认，这是一个很好的方向，也将成为最终AGI系统的关键组成部分，但DeepMind会继续坚持探索和创新研究。
事实上，对于发明下一代Transformer而言，DeepMind拥有迄今为止最广泛、最深入的研究平台，这是他们科学遗产的一部分。
这些探索都是必要的，一部分原因是为了看看我们能走多远，这样就知道需要探索什么。
探索新想法，以及将令人兴奋的想法发挥到极致，这两条路都很重要。如果你不了解当前想法的绝对局限，也不会知道需要哪些突破。
LLM的长上下文窗口就是一个很好的例子。谷歌Gemini 1.5 Pro做出的2M token上下文就是一个很酷的创新，目前没有其他人能够复制。
谷歌DeepMind伦敦办公室
理解AI，才会有安全的AGI
Hassabis和很多科技领袖都曾预测，实现AGI还需要5～20年的时间。
如果要用科学方法实现这一目标，就意味着更多的时间、精力和思考，集中在AI的理解和分析工具、基准测试和评估上，需要目前投入的10倍。
这些投入不仅来自科技公司，还应包括AI安全机构，也来自学术界和民间社会。我们需要了解AI系统正在做什么、它们的局限性，以及如何控制和保护这些系统。
「理解」是科学方法的重要组成部分，却是纯工程中所缺少的。工程只是旁观——这个方法有效吗？如果不起作用就再试一次，充满了试验和误差。
科学则是在一切发生之前就能理解的东西。理想情况下，这种理解意味着更少的错误。这对于AI和AGI来说很重要，因为在运用一项如此强大的技术时，你希望尽可能少地犯错误。
也许几年后，当我们接近AGI时，就会出现一个社会问题——我们希望这些系统具有什么价值？我们要为它们设定什么样的目标？
这与技术问题不同。技术层面关注的是如何让系统走上正轨，朝着设定的目标前进，但并不能帮助我们决定目标应该是什么。
为了安全的AGI系统，技术问题和社会问题，这两件事都需要正确，但Hassabis认为，后者可能更难实现。
目标和价值观等一系列问题，会更多地涉及UN和地缘政治，甚至社会科学和哲学，需要与政府、学术界和民间社会各阶层进行广泛的讨论。
即使AGI还需要10年才能实现，我们解决这些问题的时间也并不是很多，因此这方面的讨论应该从现在开始，让各种来源、各种观点的声音呈现在桌面上。