諾獎得主震撼宣言：AI一年完成10億年「博士研究時間」！
新智元報導
編輯：Aeneas KingHZ
【新智元導讀】諾獎得主Demis Hassabis表示，通過AI，DeepMind團隊在一年里，完成了10億年的博士研究時間！10億年的科學探索被壓縮到了一年之內，或許這才代表了AI技術的最高使命。
就在最近，諾獎得主、GoogleDeepMind CEO Demis Hassabis又曝出了一段驚人言論。
「通過AI，我們在一年內完成了10億年的博士研究時間。」
完成這個不可思議壓縮壯舉的，就是DeepMind的AlphaFold-2。
它預測了地球上已知的2億個蛋白質結構，而按照以前的方法，這本要花費十億年的博士時間。
LinkedIn聯創、致力於用AI治療癌症的ReidHoffman轉發了Hassabis講話的這段影片，引起了網民們的熱烈反響。
PhD Time（博士時間）這個概念，可謂十分新奇。
顯然，DeepMind團隊關於蛋白質的研究令人印像極其深刻，但要說真正有價值的，還不只是純粹的計算本身，而是如何大規模地綜合這些結果，以及它們所體現的價值。
同時，AI使信息和知識民主化的程度，也是前所未有。
而最令人震驚的是，我們目前甚至還沒有到達AGI。
當AI被用在更崇高的地方
對於這個「10億年」的概念，不少網民表示震驚。
一位金融科技從業者評論道，Demis Hassabis和他的AlphaFold團隊所取得的這個成就，堪稱為革命性的。
10億年的科學探索被壓縮到了一年之內，代表了技術的最高使命。
當其他人還在利用AI來獲取注意力、獲利時，Hassabis卻走了更崇高的一條道路：運用AI來解鎖生物學的最深刻奧秘，應對人類面臨的最大挑戰。
在AlphaFold，我們看到了當卓越的頭腦追求服務於全人類的知識，而非服務於少數人的財富時，可能實現怎樣的成就。
這個深刻的提醒告訴我們：最大的創新應該用來擴展人類潛能，而非利用人類弱點。
諾獎得主，榮歸劍橋
3月24日，在母校劍橋大學，Demis Hassabis給出了長達一個多小時的演講，分享了AI是如何驅動科學發現的。
他認為，人類正在進入「數字生物學」時代，利用人工智能人類可以以「數字速度」，重新構想藥物發現的原理。
他還表示，儘管量子計算不斷興起，經典計算機系統仍然有潛力通過AI推進知識，並可能幫助我們揭示現實的本質。
在劍橋大學巴布奇講堂的演講中，他告訴聽眾，差不多30年前，作為學生他就在這裏聽了第一場講座。
Hassabis回顧了他迄今為止的AI職業生涯和研究，並且還提供了關於AI未來發展的迷人見解，包括AGI的開發。
Demis Hassabis，因為蛋白質結構預測，榮獲2024年盧保化學獎在劍橋大學畢業後，他於2010年與人共同創立了DeepMind。
上世紀90年代，他在劍橋皇后學院攻讀本科時的專業是計算機科學。
DeepMind開發了精通流行遊戲的AI模型。
DeepMind公司於2014年被Google收購，兩年後，當DeepMind拿下了「AI聖盃」，引起了全球關註：擊敗了圍棋世界冠軍。
之後，Demis Hassabis將注意力轉向了科學。
「我覺得我們準備好了，我們掌握了足夠成熟的技術，能夠將其應用到遊戲之外，嘗試解決真正有意義的問題。」
蛋白質摺疊——即從氨基酸序列預測蛋白質的三維結構——就是一個典型的例子。
蛋白質是生命的構建塊，蛋白質的功能被認為與其結構有關。
因此，瞭解蛋白質的結構可以幫助藥物發現和疾病理解。
科學家們已經為此工作了至少50年，直到2020年11月，DeepMind的AlphaFold-2解決了這一問題。
隨後，DeepMind使用AlphaFold-2預測了所有2億已知的蛋白質結構，並將系統和這些結構公開免費提供，供任何人使用。
Demis說道：「這就像是把十億年的博士時間壓縮到了一年。想想看，科學進展可以被加速到什麼程度。這項技術現在已經被來自世界各地的200萬研究人員使用，已經被引用超過3萬次，成為生物學研究中的標準工具。」
論文鏈接：https://www.nature.com/articles/s41586-021-03819-2蛋白質結構數據庫：https://alphafold.ebi.ac.uk/
DeepMind的目標是用AI造福人類，並將目標分解為兩步驟：第一步解決人工智能，第二步用它解決其他所有問題。
他認為AI幾乎可以應用於所有領域，而且在未來會帶來非常多的突破。
在談到通用人工智能（AGI）的發展路徑時，Demis表示在理解現實世界物理規律的各方面，GoogleDeepMind正在推動AI取得進展。
10億年PHD時間
LinkedIn、Manas AI和Inflection AI聯合創始人ReidHoffman，和Hassabis一起討論了AI。
在交流中， Hassabis解釋了為什麼他認為DeepMind將10億年的博士研究時間壓縮到一年:
在科學領域，已知存在2億蛋白質，而我們在一年內完成了它們的全部摺疊。
所以我們在一年內完成了10億年的博士研究時間。
這要從Hassabis對AI，以及他個人使命說起。
Demis Hassabis認為最重要的AI應用有兩個：
第一是人類健康——這是最重要的——努力解決和治癒可怕的疾病。
第二是幫助實現能源可持續性和氣候——地球的健康，
蛋白質摺疊，對Hassabis來說是一個典型的例子。
30年前，他在劍橋大學讀本科時就接觸到了它。
從那時起，它就一直在他心中，那是一個能解鎖無數可能性的難題。
生命中的一切都依賴於蛋白質，人類需要瞭解蛋白質的結構，這樣才能知道它們的功能。
如果知道它的功能，那麼就能理解疾病出了什麼問題。
而如果知道蛋白質的3D結構，可以設計藥物和分子，與蛋白質表面的正確部分結合。
這就涉及到複雜的計算問題。
一個普通的蛋白質可以有10到300種可能的摺疊方式。
而已知的蛋白質種類有2億，全部蛋白質可能的摺疊方式是20億到600億！
這是天文數字，所以根本不可能用蠻力枚舉出全部蛋白質的摺疊方式。
然而，憑藉AI，這是可能的。
這就是DeepMind通過AlphaFold所做的事情。
根據經驗，過去發現蛋白質結構，需要四五年時間，幾乎需要博士生的整個求學生涯。
科學界已知的蛋白質有2億種，DeepMind在一年內就完成了它們的摺疊。
可以這麼理解：DeepMind在一年內完成了10億年的博士研究時間。
更關鍵的是，全世界現在可以免費使用這些結果。
Hassabis等還成立了新公司Isomorphic，現在試圖繼續深入下遊，開發所需的藥物。
為什麼要強調深度學習
在對話中，Hassabis強調，在當時的「深藍」和AI專家系統方法中，缺少了一些非常基本的東西。
儘管「深藍」在當時是人工智能的巔峰，但它看起來並不智能。這是因為，它缺乏學習新事物的能力。
它雖然能在下棋上達到世界冠軍水平，卻並不能玩井字棋，我們還需要重新編程。而且，它也不像人的思維那樣，具備普遍性。
而這些，都是智能的標誌，如果想要破解人工智能，它們都是必需的。
在2010年，Hassabis等人成立了DeepMind，之所以這樣取名，部分原因就是下注深度學習和神經網絡這些剛被發明出來的技術。
他們結合了「深度學習」和「強化學習」兩件事。
其中，深度學習是用來構建環境或模型，在當時就是遊戲；而強化學習是用來進行規劃、行動，完成目標，也就在在遊戲中取得最大化分數，最終取勝。
很多人認為，計算機無法下圍棋。但它不僅能下圍棋，還在經典的「第37步」中，展示出了原創性和創造力。
而圍棋比國際象棋難得多，所以花了20年才有了AlphaGo。
圍棋有10的170次方種局面，比宇宙中的原子還多，根本無法用窮舉法找到圍棋的解法。
而且，也很難把人類天才棋手的走法，封裝成一套啟髮式方法和規則，來指導機器下圍棋。
而DeepMind團隊，則讓系統自己來學習：什麼是好的模式，好多走法，以及有價值的高概率獲勝位置。
就這樣，2016年，AlphaGo在和李世石的對決中，走出了經典的「第37步」。
人類已經玩了數千年的圍棋，由所有接觸的人類棋手探索過之後，這個37步仍然是從未見過的新穎走法。
當時，所有專業解說員都驚得險些從椅子上摔下來，他們以為是電腦操作員誤觸了電腦。
然而，在一百步後，第37步的作用開始顯現出來——它正好處於決定整個遊戲的關鍵位置。
從此，這成為圍棋史上的經典一幕。
而在Hassabis看來，人類致力的每一個領域，都會有大量「第37步」的情況，而他希望把這些AI技術應用在科學大領域的「根節點問題」上。
就好比宇宙中所有知識的樹，如果能解鎖一些根節點，就能打通整個分支。
而蛋白質摺疊和AlphaFold，就是其中之一。
最後，Hassabis表示，如果你們正在進行一項20年的使命，並且一直在按計劃進行，這就太不可思議了。（如今，他們已經進行了15年）
在他看來，矽谷有一個問題：這裏有驚人的資金、支持系統和人才數量，但卻很分散自己的注意力。
如果一個人想要長期致力於自己認為是重要的事情，這些都會帶來很多噪音。
比如，「如果我跳出來，快速開發個遊戲應用，也許就能賺上億美元」。
但是，AI已經成為迄今最具變革性的技術，會像電力、火一樣，那麼，它就絕不應該僅限於一個位於加州的一百平方英里的地方。
參考資料：
https://www.cst.cam.ac.uk/nobel-laureate-and-cambridge-university-alumnus-sir-demis-hassabis-heralds-new-era-ai-drug-discovery
