【新智元导读】
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
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」。
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。
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。
