新智元报道
编辑：Aeneas KingHZ
诺奖得主 Demis Hassabis 表示，通过 AI，DeepMind 团队在一年里，完成了 10 亿年的博士研究时间！10 亿年的科学探索被压缩到了一年之内，或许这才代表了 AI 技术的最高使命。
就在最近，诺奖得主、谷歌 DeepMind CEO Demis Hassabis 又曝出了一段惊人言论。
「通过 AI，我们在一年内完成了 10 亿年的博士研究时间。」
完成这个不可思议压缩壮举的，就是 DeepMind 的 AlphaFold-2。
它预测了地球上已知的 2 亿个蛋白质结构，而按照以前的方法，这本要花费十亿年的博士时间。
LinkedIn 联创、致力于用 AI 治疗癌症的 ReidHoffman 转发了 Hassabis 讲话的这段视频，引起了网友们的热烈反响。
PhD Time（博士时间）这个概念，可谓十分新奇。
显然，DeepMind 团队关于蛋白质的研究令人印象极其深刻，但要说真正有价值的，还不只是纯粹的计算本身，而是如何大规模地综合这些结果，以及它们所体现的价值。
同时，AI 使信息和知识民主化的程度，也是前所未有。
而最令人震惊的是，我们目前甚至还没有到达 AGI。
当 AI 被用在更崇高的地方
对于这个「10 亿年」的概念，不少网友表示震惊。
一位金融科技从业者评论道，Demis Hassabis 和他的 AlphaFold 团队所取得的这个成就，堪称为革命性的。
10 亿年的科学探索被压缩到了一年之内，代表了技术的最高使命。
当其他人还在利用 AI 来获取注意力、获利时，Hassabis 却走了更崇高的一条道路：运用 AI 来解锁生物学的最深刻奥秘，应对人类面临的最大挑战。
在 AlphaFold，我们看到了当卓越的头脑追求服务于全人类的知识，而非服务于少数人的财富时，可能实现怎样的成就。
这个深刻的提醒告诉我们：最大的创新应该用来扩展人类潜能，而非利用人类弱点。
诺奖得主，荣归剑桥
3 月 24 日，在母校剑桥大学，Demis Hassabis 给出了长达一个多小时的演讲，分享了 AI 是如何驱动科学发现的。
他认为，人类正在进入「数字生物学」时代，利用人工智能人类可以以「数字速度」，重新构想药物发现的原理。
他还表示，尽管量子计算不断兴起，经典计算机系统仍然有潜力通过 AI 推进知识，并可能帮助我们揭示现实的本质。
在剑桥大学巴贝奇讲堂的演讲中，他告诉听众，差不多 30 年前，作为学生他就在这里听了第一场讲座。
Hassabis 回顾了他迄今为止的 AI 职业生涯和研究，并且还提供了关于 AI 未来发展的迷人见解，包括 AGI 的开发。
Demis Hassabis，因为蛋白质结构预测，荣获 2024 年诺贝尔化学奖
在剑桥大学毕业后，他于 2010 年与人共同创立了 DeepMind。
上世纪 90 年代，他在剑桥皇后学院攻读本科时的专业是计算机科学。
DeepMind 开发了精通流行游戏的 AI 模型。
DeepMind 公司于 2014 年被谷歌收购，两年后，当 DeepMind 拿下了「AI 圣杯」，引起了全球关注：击败了围棋世界冠军。
之后，Demis Hassabis 将注意力转向了科学。
「我觉得我们准备好了，我们掌握了足够成熟的技术，能够将其应用到游戏之外，尝试解决真正有意义的问题。」
蛋白质折叠——即从氨基酸序列预测蛋白质的三维结构——就是一个典型的例子。
蛋白质是生命的构建块，蛋白质的功能被认为与其结构有关。
因此，了解蛋白质的结构可以帮助药物发现和疾病理解。
科学家们已经为此工作了至少 50 年，直到 2020 年 11 月，DeepMind 的 AlphaFold-2 解决了这一问题。
随后，DeepMind 使用 AlphaFold-2 预测了所有 2 亿已知的蛋白质结构，并将系统和这些结构公开免费提供，供任何人使用。
Demis 说道：「这就像是把十亿年的博士时间压缩到了一年。想想看，科学进展可以被加速到什么程度。这项技术现在已经被来自世界各地的 200 万研究人员使用，已经被引用超过 3 万次，成为生物学研究中的标准工具。」
论文链接：https://www.nature.com/articles/s41586-021-03819-2
蛋白质结构数据库：https://alphafold.ebi.ac.uk/
DeepMind 的目标是用 AI 造福人类，并将目标分解为两步骤：第一步解决人工智能，第二步用它解决其他所有问题。
他认为 AI 几乎可以应用于所有领域，而且在未来会带来非常多的突破。
在谈到通用人工智能（AGI）的发展路径时，Demis 表示在理解现实世界物理规律的各方面，谷歌 DeepMind 正在推动 AI 取得进展。
10 亿年 PHD 时间
LinkedIn、Manas AI 和 Inflection AI 联合创始人 ReidHoffman，和 Hassabis 一起讨论了 AI。
在交流中， Hassabis 解释了为什么他认为 DeepMind 将 10 亿年的博士研究时间压缩到一年:
在科学领域，已知存在 2 亿蛋白质，而我们在一年内完成了它们的全部折叠。
所以我们在一年内完成了 10 亿年的博士研究时间。
这要从 Hassabis 对 AI，以及他个人使命说起。
Demis Hassabis 认为最重要的AI应用有两个：
第一是人类健康——这是最重要的——努力解决和治愈可怕的疾病。
第二是帮助实现能源可持续性和气候——地球的健康，
蛋白质折叠，对 Hassabis 来说是一个典型的例子。
30 年前，他在剑桥大学读本科时就接触到了它。
从那时起，它就一直在他心中，那是一个能解锁无数可能性的难题。
生命中的一切都依赖于蛋白质，人类需要了解蛋白质的结构，这样才能知道它们的功能。
如果知道它的功能，那么就能理解疾病出了什么问题。
而如果知道蛋白质的 3D 结构，可以设计药物和分子，与蛋白质表面的正确部分结合。
这就涉及到复杂的计算问题。
一个普通的蛋白质可以有 10 到 300 种可能的折叠方式。
而已知的蛋白质种类有 2 亿，全部蛋白质可能的折叠方式是 20 亿到 600 亿！
这是天文数字，所以根本不可能用蛮力枚举出全部蛋白质的折叠方式。
然而，凭借 AI，这是可能的。
这就是 DeepMind 通过 AlphaFold 所做的事情。
根据经验，过去发现蛋白质结构，需要四五年时间，几乎需要博士生的整个求学生涯。
科学界已知的蛋白质有 2 亿种，DeepMind 在一年内就完成了它们的折叠。
可以这么理解：DeepMind 在一年内完成了 10 亿年的博士研究时间。
更关键的是，全世界现在可以免费使用这些结果。
Hassabis 等还成立了新公司 Isomorphic，现在试图继续深入下游，开发所需的药物。
为什么要强调深度学习
在对话中，Hassabis 强调，在当时的「深蓝」和 AI 专家系统方法中，缺少了一些非常基本的东西。
尽管「深蓝」在当时是人工智能的巅峰，但它看起来并不智能。这是因为，它缺乏学习新事物的能力。
它虽然能在下棋上达到世界冠军水平，却并不能玩井字棋，我们还需要重新编程。而且，它也不像人的思维那样，具备普遍性。
而这些，都是智能的标志，如果想要破解人工智能，它们都是必需的。
在 2010 年，Hassabis 等人成立了 DeepMind，之所以这样取名，部分原因就是下注深度学习和神经网络这些刚被发明出来的技术。
他们结合了「深度学习」和「强化学习」两件事。
其中，深度学习是用来构建环境或模型，在当时就是游戏；而强化学习是用来进行规划、行动，完成目标，也就在在游戏中取得最大化分数，最终取胜。
很多人认为，计算机无法下围棋。但它不仅能下围棋，还在经典的「第 37 步」中，展示出了原创性和创造力。
而围棋比国际象棋难得多，所以花了 20 年才有了 AlphaGo。
围棋有 10 的 170 次方种局面，比宇宙中的原子还多，根本无法用穷举法找到围棋的解法。
而且，也很难把人类天才棋手的走法，封装成一套启发式方法和规则，来指导机器下围棋。
而 DeepMind 团队，则让系统自己来学习：什么是好的模式，好多走法，以及有价值的高概率获胜位置。
就这样，2016 年，AlphaGo 在和李世石的对决中，走出了经典的「第 37 步」。
人类已经玩了数千年的围棋，由所有接触的人类棋手探索过之后，这个 37 步仍然是从未见过的新颖走法。
当时，所有专业解说员都惊得险些从椅子上摔下来，他们以为是电脑操作员误触了电脑。
然而，在一百步后，第 37 步的作用开始显现出来——它正好处于决定整个游戏的关键位置。
从此，这成为围棋史上的经典一幕。
而在 Hassabis 看来，人类致力的每一个领域，都会有大量「第 37 步」的情况，而他希望把这些 AI 技术应用在科学大领域的「根节点问题」上。
就好比宇宙中所有知识的树，如果能解锁一些根节点，就能打通整个分支。
而蛋白质折叠和 AlphaFold，就是其中之一。
最后，Hassabis 表示，如果你们正在进行一项 20 年的使命，并且一直在按计划进行，这就太不可思议了。（如今，他们已经进行了 15 年）
在他看来，硅谷有一个问题：这里有惊人的资金、支持系统和人才数量，但却很分散自己的注意力。
如果一个人想要长期致力于自己认为是重要的事情，这些都会带来很多噪音。
比如，「如果我跳出来，快速开发个游戏应用，也许就能赚上亿美元」。
但是，AI 已经成为迄今最具变革性的技术，会像电力、火一样，那么，它就绝不应该仅限于一个位于加州的一百平方英里的地方。
参考资料：
