新智元報道
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(nèi)，或許這才代表了AI技術(shù)的最高使命。
就在最近，諾獎得主、谷歌DeepMind CEO Demis Hassabis又曝出了一段驚人言論。
「通過AI，我們在一年內(nèi)完成了10億年的博士研究時間?！?/p>
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(zhì)結(jié)構(gòu)，而按照以前的方法，這本要花費十億年的博士時間。
LinkedIn聯(lián)創(chuàng)、致力于用AI治療癌癥的ReidHoffman轉(zhuǎn)發(fā)了Hassabis講話的這段視頻，引起了網(wǎng)友們的熱烈反響。
PhD Time（博士時間）這個概念，可謂十分新奇。
顯然，DeepMind團隊關(guān)于蛋白質(zhì)的研究令人印象極其深刻，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(guī)模地綜合這些結(jié)果，以及它們所體現(xiàn)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
對于這個「10億年」的概念，不少網(wǎng)友表示震驚。
一位金融科技從業(yè)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(nèi)，代表了技術(shù)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(yīng)對人類面臨的最大挑戰(zhàn)。
在AlphaFold，我們看到了當卓越的頭腦追求服務(wù)于全人類的知識，而非服務(wù)于少數(shù)人的財富時，可能實現(xiàn)怎樣的成就。
這個深刻的提醒告訴我們：最大的創(chuàng)新應(yīng)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(qū)動科學發(fā)現(xiàn)的。
他認為，人類正在進入「數(shù)字生物學」時代，利用人工智能人類可以以「數(shù)字速度」，重新構(gòu)想藥物發(fā)現(xiàn)的原理。
他還表示，盡管量子計算不斷興起，經(jīng)典計算機系統(tǒng)仍然有潛力通過AI推進知識，并可能幫助我們揭示現(xiàn)實的本質(zhì)。
在劍橋大學巴貝奇講堂的演講中，他告訴聽眾，差不多30年前，作為學生他就在這里聽了第一場講座。
Hassabis回顧了他迄今為止的AI職業(yè)生涯和研究，并且還提供了關(guān)于AI未來發(fā)展的迷人見解，包括AGI的開發(fā)。
Demis Hassabis，因為蛋白質(zhì)結(jié)構(gòu)預測，榮獲2024年諾貝爾化學獎
在劍橋大學畢業(yè)后，他于2010年與人共同創(chuàng)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(yè)是計算機科學。
DeepMind開發(fā)了精通流行游戲的AI模型。
DeepMind公司于2014年被谷歌收購，兩年后，當DeepMind拿下了「AI圣杯」，引起了全球關(guān)注：擊敗了圍棋世界冠軍。
之后，Demis Hassabis將注意力轉(zhuǎn)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(shù)，能夠?qū)⑵鋺?yīng)用到游戲之外，嘗試解決真正有意義的問題。」
蛋白質(zhì)折疊——即從氨基酸序列預測蛋白質(zhì)的三維結(jié)構(gòu)——就是一個典型的例子。
蛋白質(zhì)是生命的構(gòu)建塊，蛋白質(zhì)的功能被認為與其結(jié)構(gòu)有關(guān)。
因此，了解蛋白質(zhì)的結(jié)構(gòu)可以幫助藥物發(fā)現(xiàn)和疾病理解。
科學家們已經(jīng)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。
隨后，DeepMind使用AlphaFold-2預測了所有2億已知的蛋白質(zhì)結(jié)構(gòu)，并將系統(tǒng)和這些結(jié)構(gòu)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么程度。這項技術(shù)現(xiàn)在已經(jīng)被來自世界各地的200萬研究人員使用，已經(jīng)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(zhì)結(jié)構(gòu)數(shù)據(jù)庫：https://alphafold.ebi.ac.uk/
DeepMind的目標是用AI造福人類，并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(yīng)用于所有領(lǐng)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(fā)展路徑時，Demis表示在理解現(xiàn)實世界物理規(guī)律的各方面，谷歌DeepMind正在推動AI取得進展。
10億年P(guān)HD時間
LinkedIn、Manas AI和Inflection AI聯(lián)合創(chuàng)始人ReidHoffman，和Hassabis一起討論了AI。
在交流中， Hassabis解釋了為什么他認為DeepMind將10億年的博士研究時間壓縮到一年:
在科學領(lǐng)域，已知存在2億蛋白質(zhì)，而我們在一年內(nèi)完成了它們的全部折疊。
所以我們在一年內(nèi)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(yīng)用有兩個：
第一是人類健康——這是最重要的——努力解決和治愈可怕的疾病。
第二是幫助實現(xiàn)能源可持續(xù)性和氣候——地球的健康，
蛋白質(zhì)折疊，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(shù)可能性的難題。
生命中的一切都依賴于蛋白質(zhì)，人類需要了解蛋白質(zhì)的結(jié)構(gòu)，這樣才能知道它們的功能。
如果知道它的功能，那么就能理解疾病出了什么問題。
而如果知道蛋白質(zhì)的3D結(jié)構(gòu)，可以設(shè)計藥物和分子，與蛋白質(zhì)表面的正確部分結(jié)合。
這就涉及到復雜的計算問題。
一個普通的蛋白質(zhì)可以有10到300種可能的折疊方式。
而已知的蛋白質(zhì)種類有2億，全部蛋白質(zhì)可能的折疊方式是20億到600億！
這是天文數(shù)字，所以根本不可能用蠻力枚舉出全部蛋白質(zhì)的折疊方式。
然而，憑借AI，這是可能的。
這就是DeepMind通過AlphaFold所做的事情。
根據(jù)經(jīng)驗，過去發(fā)現(xiàn)蛋白質(zhì)結(jié)構(gòu)，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(zhì)有2億種，DeepMind在一年內(nèi)就完成了它們的折疊。
可以這么理解：DeepMind在一年內(nèi)完成了10億年的博士研究時間。
更關(guān)鍵的是，全世界現(xiàn)在可以免費使用這些結(jié)果。
Hassabis等還成立了新公司Isomorphic，現(xiàn)在試圖繼續(xù)深入下游，開發(fā)所需的藥物。
為什么要強調(diào)深度學習
在對話中，Hassabis強調(diào)，在當時的「深藍」和AI專家系統(tǒng)方法中，缺少了一些非?；镜臇|西。
盡管「深藍」在當時是人工智能的巔峰，但它看起來并不智能。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，卻并不能玩井字棋，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，都是智能的標志，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(jīng)網(wǎng)絡(luò)這些剛被發(fā)明出來的技術(shù)。
他們結(jié)合了「深度學習」和「強化學習」兩件事。
其中，深度學習是用來構(gòu)建環(huán)境或模型，在當時就是游戲；而強化學習是用來進行規(guī)劃、行動，完成目標，也就在在游戲中取得最大化分數(shù)，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(jīng)典的「第37步」中，展示出了原創(chuàng)性和創(chuàng)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，封裝成一套啟發(fā)式方法和規(guī)則，來指導機器下圍棋。
而DeepMind團隊，則讓系統(tǒng)自己來學習：什么是好的模式，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(jīng)典的「第37步」。
人類已經(jīng)玩了數(shù)千年的圍棋，由所有接觸的人類棋手探索過之后，這個37步仍然是從未見過的新穎走法。
當時，所有專業(yè)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，在一百步后，第37步的作用開始顯現(xiàn)出來——它正好處于決定整個游戲的關(guān)鍵位置。
從此，這成為圍棋史上的經(jīng)典一幕。
而在Hassabis看來，人類致力的每一個領(lǐng)域，都會有大量「第37步」的情況，而他希望把這些AI技術(shù)應(yīng)用在科學大領(lǐng)域的「根節(jié)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(jié)點，就能打通整個分支。
而蛋白質(zhì)折疊和AlphaFold，就是其中之一。
最后，Hassabis表示，如果你們正在進行一項20年的使命，并且一直在按計劃進行，這就太不可思議了。（如今，他們已經(jīng)進行了15年）
在他看來，硅谷有一個問題：這里有驚人的資金、支持系統(tǒng)和人才數(shù)量，但卻很分散自己的注意力。
如果一個人想要長期致力于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(fā)個游戲應(yīng)用，也許就能賺上億美元」。
但是，AI已經(jīng)成為迄今最具變革性的技術(shù)，會像電力、火一樣，那么，它就絕不應(yīng)該僅限于一個位于加州的一百平方英里的地方。
參考資料：
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
熱門跟貼