诺奖得主震撼宣言：AI一年完成10亿年“博士研究时间”

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：

https://www.possible.fm/podcasts/demis/

https://www.cst.cam.ac.uk/nobel-laureate-and-cambridge-university-alumnus-sir-demis-hassabis-heralds-new-era-ai-drug-discovery

本文来自微信公众号“新智元”，作者：新智元，36氪经授权发布。