對話德米斯·哈薩比斯：AI將成為科學的終極工具

導讀

德米斯·哈薩比斯（Demis Hassabis）從很小的時候起便專注于人工智能研究。憑借計算機科學與認知神經科學背景，他因AlphaGo而廣受關注， AlphaGo 于2016年擊敗了圍棋世界冠軍。圍棋長期以來一直被視為機器博弈領域的終極挑戰之一。

但哈薩比斯真正的目標始終更加宏大：利用人工智能解決科學問題，并理解宇宙最深層的奧秘。他這一愿景的首個重大證明，是 AlphaFold——一個破解了困擾科學界五十年的蛋白質結構預測難題的AI系統。憑借這一成果，他獲得了2024年諾貝爾化學獎以及2023年生命科學突破獎（Breakthrough Prize in Life Sciences）。

長期以來，哈薩比斯也是 AI領域的重要創業先鋒，他還是DeepMind聯合創始人與CEO。DeepMind是推動前沿基礎模型發展的核心AI實驗室之一。從根本上說，哈薩比斯認為自己是一名科學家。因此，這場對話聚焦于 AI與科學：是什么驅動他成為一名使用AI進行科學探索的研究者 ， 他如何看待當前的進展、機會與挑戰 ， 以及更多相關問題。

詹姆斯·曼尼卡| 撰文

潘展| 翻譯

問：為什么科學對你如此重要？

哈薩比斯：我一直被一種強烈的愿望驅動，那就是更深入地理解我們周圍的世界。我認為，科學方法也許是人類歷史上最重要的思想，它使人類得以不斷進步、拓展知識。對我而言，沒有什么比站在人類知識最前沿更令人興奮——推動邊界、首次發現未知事物，那正是科學最精彩的時刻。

問：為什么你把自己視為科學家？你是如何走上科學道路的？

哈薩比斯：如今，我首先把自己看作一名科學家。但在職業生涯早期，當我為游戲開發AI、并在劍橋大學學習計算機科學時，我更多認為自己是工程師。后來，我開始進一步追隨自己長期以來對大腦的興趣，攻讀認知神經科學博士，研究記憶與想象力。我逐漸意識到，自己最適合以科學家的方式工作：提出關于世界的假設，再設計實驗去驗證或證偽它們。

不過，我也非常務實，非常關注現實世界中的影響力。這也是我“工程師大腦”仍在發揮作用的地方。相比沉迷于純理論爭論，我更傾向于思考：如何構建工具或實驗來驗證一個假設。AlphaGo與AlphaFold就是這種思維方式的典型例子。

問：哪些科學成就最令你受到啟發？

哈薩比斯：我非常崇拜文藝復興時期和古希臘時期的“通才型”人物，比如亞里士多德（Aristotle）和達·芬奇（Leonardo da Vinci）。他們不會在人文學科與科學之間劃出邊界。我很喜歡這種思維方式，因為它能幫助人們在看似毫不相關的領域之間發現聯系。我相信，未來十到二十年最大的突破，就會來自這些跨領域結合。而AI將幫助我們找到不同學科之間的共同性與交叉點。

此外，我也深受那些“想象力飛躍”所鼓舞。回望歷史，愛因斯坦（Albert Einstein）、牛頓（Isaac Newton）、玻爾（Niels Bohr）、拉馬努金（Srinivasa Ramanujan）與費曼（Richard Feynman）等科學家與數學家，似乎會突然間提出一種全新的世界理解方式。他們的大腦中同時存在各種思想、知識與興趣，然后突然完成一次直覺性的飛躍。

問：你認為目前人類尚未解決的最重要科學問題有哪些？

哈薩比斯：我之所以進入科學與AI領域，是因為小時候我就對那些關于現實本質與意識本質的終極問題著迷，甚至某種意義上說，有些“揮之不去”。時間是什么？引力是什么？它如何與量子世界統一？令人驚訝的是，在過去五十多年里，這些根本性問題并沒有取得太大進展，部分原因在于它們極其復雜。

我一直認為，AI有可能成為推進知識前沿的終極工具。無論是處理海量數據，還是輔助我們提出新的猜想，我都認為AI能幫助我們攻克這些根本問題。

問：你如何將這些關于現實本質的問題，與一種計算性的理解方式聯系起來？

哈薩比斯：我一直著迷于這樣的問題：經典計算機或圖靈機（Turing Machine）究竟能模擬什么、不能模擬什么？答案也許能揭示現實的本質。自然界中的大多數事物都具有穩定結構——細胞行為、山脈形態、行星軌道等，它們經過演化與時間篩選而保留下來。這意味著，它們背后應該存在某種模式或過程，可以被神經網絡學習。像AlphaFold這樣的AI系統已經向我們展示：相比過去的認知，經典計算機其實能夠模擬更加復雜的系統。

也許從極限意義上說，大多數自然系統都可以被經典系統模擬或“逆向工程化”。這也支持了我的一個猜想：信息可能才是物理學中最基礎的單位，比物質和能量更根本。

問：為什么你認為信息可能是理解現實最根本的層面？

哈薩比斯：傳統物理學中，能量與物質被視為基礎。但后來，香農（Claude Shannon）、圖靈（Alan Turing）和馮·諾依曼（John von Neumann）等計算機科學奠基者提出了信息熵、信息度量與互信息等概念。不過，他們是在既有物理學框架下發展信息理論。也許方向本應相反：物理學應該建立在信息之上。這也與圖靈機以及“什么過程是可計算的”有關。物理學家通常認為宇宙是量子系統，而經典系統無法完整模擬量子系統，因為其復雜度過于龐大。但如果事實證明，自然界中遠比我們想象更多的物理過程能夠被經典系統準確模擬，那么這將對我們理解物理學產生重大影響。

從根本上說，我最關心的是現實本質。我懷疑，我們目前對量子系統的理解并非完整答案。未來，我們或許會發現一種更簡單的底層描述方式，而這種方式更適合由經典系統建模。如果我們將宇宙理解為一個“計算宇宙”，我們可能更容易發現這一點。

問：如果采用一種“信息”或“可計算性”的視角，我們是否會遭遇科爾莫哥洛夫復雜度（Kolmogorov Complexity）、P=NP問題或停機問題等限制？

哈薩比斯：會的。而我認為，這些正是最值得探索的邊界。

P=NP問題是科學中最重要的問題之一。我傾向于認為P不等于NP，也就是說，確實存在一些問題，在現實時間內無法被有效求解，除非借助量子計算機。

但我們還需要更深入理解，因為現實可能比傳統理論更微妙。

在AlphaGo與AlphaFold的研究中，我們發現：如果進行大量“預計算”（precompute），一些原本極其復雜的問題，可以在多項式時間內近似最優地求解。

神經網絡實際上是在利用海量預計算，將知識壓縮進一種高效結構中。隨后在測試階段，它就能縮小搜索空間，而不必遍歷所有可能性。

例如，一個普通蛋白質大約存在10的300次方種可能構象。如果窮舉搜索，所需時間會超過宇宙年齡。

因此，你必須采取更聰明的方法：學習不同氨基酸序列中的規律，只搜索極小一部分可能性。

這正是AlphaFold所做到的事情。

圍棋也是類似情況。圍棋大約有10的170次方種局面。AlphaGo不可能靠暴力計算獲勝，而是通過學習“合理棋步”的模型，只關注最有價值的路徑。

這些AI系統成功駕馭巨大搜索空間的能力，非常值得深思。我懷疑其中蘊含著極其深刻的原理。

如今，我們通過AlphaGo、AlphaFold，以及像Veo 3這樣的視頻模型，正在近距離觀察這些問題。

Veo 3僅通過觀看數十億段視頻，就能學習某種“直覺物理學”：液體如何流動、玻璃如何反射、陰影如何變化。

這一切都在告訴我們，AI不僅在改變技術，也在幫助我們重新理解現實本身。

問：AlphaFold似乎正好體現了你所說的“自然世界存在可被學習的結構”。能談談你們是如何做到的嗎？

哈薩比斯：AlphaFold是我們對“蛋白質折疊問題”的解決方案。

蛋白質本質上由氨基酸序列組成，可以粗略理解為一串“一維字母”。但在自然界中，它會折疊成三維結構，而這種結構很大程度上決定了蛋白質功能。

這對藥物研發和疾病研究至關重要。

預測蛋白質結構，是生物學五十年來最大的挑戰之一。

我們利用AlphaFold實現了接近原子級精度的預測，這已經足夠讓實驗科學家直接使用。

我們的方法建立在大約15萬個已知蛋白結構數據之上。這些數據是結構生物學家過去三四十年使用電子顯微鏡等昂貴設備 painstakingly 獲得的。

這些數據恰好足以讓AI系統學習蛋白質的拓撲結構規律。

蛋白質當然不會隨機折疊，它們受到各種約束，而AI學會了這些規律。

最終，系統能夠在幾秒鐘內預測一個未知蛋白的合理結構。

隨后，我們在一年內預測了科學界已知的兩億個蛋白質結構，并與歐洲生物信息學研究所（European Bioinformatics Institute）合作，將其免費開放給全球研究者。

問：你們已經將AlphaFold擴展到了AlphaFold 3，并開始研究蛋白質相互作用。那么下一步會是細胞嗎？

哈薩比斯：AlphaFold 2預測的是蛋白質的靜態結構快照。但生物系統本質上是動態的。我們需要理解蛋白質如何相互作用，以及它們如何改變形態與行為。AlphaFold 3是下一階段?，F在，我們已經能預測蛋白質與蛋白質、蛋白質與配體、蛋白質與RNA、蛋白質與DNA之間的相互作用。也就是說，生命中幾乎所有關鍵分子的“兩兩相互作用”，AlphaFold 3都能建模。但若想進一步模擬整個細胞，我們還需要更大的突破。

因為細胞中存在級聯反應，涉及遠超兩個分子的復雜網絡。下一階段可能是模擬某條生物通路，然后是酵母細胞等簡單生命體。之后，也許是更復雜生物中的細胞器，最終甚至整個生物體。

這是我二十多年來一直懷抱的夢想。如果未來我們能建立足夠真實的細胞模擬系統，那么大量實驗就能在計算機中完成，速度可能比濕實驗室快幾個數量級。

實驗室將主要負責驗證，而非探索。這樣的“虛擬細胞”將徹底改變基礎生物學與藥物研發。

問：你們還在研究物理、化學、天氣、氣候等領域。這些領域的共同點是什么？

哈薩比斯：我們通常會從三個方面判斷一個問題是否適合當前AI方法。

第一，它是否可以被描述為一個巨大的組合空間問題？

第二，如果是，是否擁有足夠的數據去學習這個空間的結構？或者至少能通過模擬器生成額外數據？

第三，是否存在明確的優化目標？

在游戲中，目標是獲勝；在自然系統中，也許是最小化自由能。

如果這三個條件成立，就可以利用模型與目標函數共同搜索最優解。

令人驚訝的是，大量科學問題都符合這一結構。

此外，我們還會優先選擇那些“根節點問題”——一旦解決，就能開啟整個新研究領域。

蛋白質折疊就是這樣的典型問題。

問：數學似乎并不天然具有結構，比如素數分布？

哈薩比斯：關于數字中究竟存在多少結構，這仍是開放問題。但我懷疑，結構其實相當豐富。數學本來就是為了描述現實世界而發展出來的，而現實世界本身具有結構。

像拉馬努金（Srinivasa Ramanujan）這樣的數學家，往往能跳過中間推導，直接給出驚人的結果，以至于他本人都覺得這些靈感來自神啟。我們通常把這種能力稱為“直覺”。

但直覺并不是魔法，而是大腦長期經驗積累形成的隱性知識。那些在某領域極其擅長的人，比如音樂家，擁有高度抽象且高效的知識結構。我認為，這種過程最終也是可以被AI建模的。

我們已經開始將AI應用于數學，并看到了初步成果。例如，我們最新的Gemini模型“Deep Think”，已經在國際數學奧林匹克競賽（IMO）中達到金牌級水平。它會把自然語言數學題轉化為形式化數學語言，然后迭代地構造證明，直到得到可驗證的正確答案。但“解題”與“發現數學深層結構”仍是兩回事。我認為，兩者未來都可能實現。

問：你認為當前AI系統在科學能力方面有哪些局限？

哈薩比斯：當前AI缺少的關鍵能力之一是真正的創造力。我指的不是“解決難題”，而是像提出黎曼猜想（Riemann Hypothesis）或千禧年難題那樣，創造出真正深刻而美麗的問題。提出正確的問題，往往才是科學中最困難的部分。我們至今并不真正理解人類專家級創造力是如何產生的。

另一個問題是一致性。今天的AI系統可能能解國際數學奧賽題，但換個提問方式，又可能在小學數學上犯錯。真正的人類數學家不會這樣。

問：你如何定義AGI（通用人工智能）？

哈薩比斯：我一直把AGI定義為：具備人類心智全部認知能力的系統。人腦是目前已知唯一能夠證明“通用智能”可行性的存在。人類的大腦極其通用且適應性極強。我們原本只是為了狩獵采集而進化出的生物，卻最終發明了科學方法、望遠鏡、飛機與計算機。歷史上偉大藝術家、科學家與哲學家的創造力，都來自同一種腦結構。

因此，在我看來，只有當AI能夠覆蓋人腦所展現出的全部能力時，我們才真正構建出了AGI。例如，可以設想這樣一個測試：給AI設定1910年的知識截止時間，看看它是否能夠像愛因斯坦一樣，在1915年獨立提出廣義相對論。目前答案顯然是否定的。

不過，今天的基礎模型已經極其驚人。我毫不懷疑，它們最終將成為未來AGI系統的核心骨架。但僅靠不斷擴大規模，是否足以達到AGI，仍是一個開放問題。

也許我們還需要幾個類似Transformer或深度強化學習級別的重大突破。

問：在評估我們是否已經實現 AGI（通用人工智能）時，一方面，人們可以使用一整套測試；另一方面，也許會出現某種直覺性的飛躍或火花——就像 AlphaGo 的“第三十七手”那樣（當時 AlphaGo 跳出了人類的策略與直覺，下出了一步極不可能的棋，并最終擊敗了圍棋世界冠軍李世石）。到那時，我們或許會說：“啊，我想我們已經實現了！” 那么，這究竟需要兩者兼具，還是只需要其中之一？

哈薩比斯：我認為兩者都需要。這是人類歷史上如此重要的時刻，因此我認為我們必須以非常科學、非常確定的方式來對待它。應該會出現大量顯而易見的發明或創造性案例，比如某種新的物理理論被提出，或者某個新的數學猜想被提出，并且數學家們一致認為它極具意義。AlphaGo 不只是提出了一種新的圍棋策略；我更希望看到的是，它能否發明出一種像圍棋一樣優雅的游戲？我希望能看到多個這樣的例子出現，那它才至少能夠開始被視為 AGI 的候選者。

然后，我認為我們還需要一種窮盡式的科學方法，以確保系統中不存在任何缺陷或漏洞。今天的一個例子就是LLM（大型語言模型）。普通人其實很容易想到它們做不到的事情。例如，它們甚至無法以業余棋手的水平下國際象棋，也無法學習一種新游戲，而且它們不能持續學習。在推理、記憶和一致性方面也都存在問題。所有這些問題都需要被解決，系統才有可能通過我剛才提出的那種測試。

問：科學家應該如何看待AI？它是工具、合作伙伴，還是其他東西？

哈薩比斯：未來十年左右，我們應該首先把AI視為一種極其強大的工具。它能夠幫助科學家處理數據、匹配模式、編寫代碼或完成工程任務。

作為工具，AI將推動科學與醫學進入新的黃金時代。提出猜想與假設的，仍將是人類專家；但AI會讓他們效率提升十倍甚至百倍。再往后，也許AI會逐漸變成真正的合作伙伴。

問：你一直非常重視AI的負責任使用。這具體意味著什么？

哈薩比斯：意味著堅持科學方法，對測試與結論保持嚴格與謹慎。也意味著認真思考AI被部署后的二階影響。

我們當然不可能完全預測所有后果，因為AI發展速度太快，但必須盡一切努力。

此外，我們還應該利用科學方法本身來研究AI，它的局限、它的能力、它的風險，

并據此建立適當的安全護欄。

我認為，相比“先構建、后提問”的黑客文化，科學方法更適合應對AI這種深遠而強大的技術。

問：你最希望自己的工作能夠為人類帶來哪些重大益處？

哈薩比斯：第一，是改善人類健康并治愈疾病，尤其是那些對世界較貧困地區影響尤為嚴重的疾病。我認為，我們完全可以比今天做得好得多。

其次，是幫助解決能源、氣候和環境問題。這包括更快地開發新材料和新技術、優化現有基礎設施與能源電網，以及對地球正在發生的變化以及人類如何影響生態系統進行建模和分析。在我看來，這些是在近期內我們最應該利用AI 去做的事情。

問：如果2050年我們再次進行這場對話，會談些什么？

哈薩比斯：按照如今的發展速度，到2050年，世界一定會截然不同。我希望，到那時，人類已經安全地將AGI引入世界，并讓它造福全人類。我們或許會討論：一個“后AGI時代”的社會、極大豐富的物質與知識資源、科學發現的新黃金時代、以及重新充滿驚奇感的人類文明。

https://www.amacad.org/publication/daedalus/ai-ultimate-tool-science-conversation-demis-hassabis

Deep Science預印本