作為 Google DeepMind 的聯合創(chuàng)始人兼 CEO，以及因在蛋白質結構預測領域的貢獻而獲得諾貝爾獎的科學家，德米斯·哈薩比斯（Demis Hassabis）毫無疑問是當今人工智能領域最具影響力的人之一。近期，通過一系列播客訪談及在英國劍橋大學的公開講座，哈薩比斯闡述了他對 AI 發(fā)展的看法、DeepMind 的研究路徑，以及 AI 在未來，尤其是在科學研究和現實世界應用中的潛力。
“AI 將影響整個世界，每個行業(yè)，每個國家。在我看來，它將是有史以來最具變革性的技術，”哈薩比斯在與 LinkedIn 聯合創(chuàng)始人 Reid Hoffman 主持的 Possible 播客節(jié)目中開宗明義地指出。他將 AI 的潛在影響力比作“電力或火”，并強調全球參與其設計的重要性，認為這不應僅僅局限于硅谷的“百平方英里加州地塊”。他認為，吸納來自不同地域、不同學科（如哲學、社會科學、經濟學）乃至更廣泛社會群體的觀點，“不僅僅是科技公司和科學家”，共同決定 AI 的構建方式和應用方向，至關重要。
這份思考，源于一段始于棋盤而非機房的獨特旅程。
棋盤上的頓悟：“思考‘思考’本身”
哈薩比斯的早年生活幾乎被國際象棋占據。自四歲學棋起，他便展現出驚人天賦，曾擔任英國青少年隊隊長，一度立志成為國際象棋特級大師，甚至世界冠軍?！澳菐缀跏俏艺麄€童年。”他回憶道，“所有課余時間，我都在世界各地參加比賽，與成年棋手對弈?！?/p>
然而，大約 11 歲時，一次深刻的自我反思改變了他的人生軌跡?！埃ㄏ缕澹┱娴氖且粋€人應該傾注一生的事業(yè)嗎？這是對我才智的最佳運用嗎？”這種內省恰逢他在英國國家隊訓練營中接觸到早期象棋計算機。本意是提升棋藝，哈薩比斯卻被一個更根本的問題所吸引：一個“沒有生命的塑料塊”如何能下得如此出色？
“我更著迷的是，有人編寫程序讓它做到了這一點……我非常想理解其中的原理，并最終嘗試編寫自己的象棋程序?！边@標志著他轉向了元認知（metacognition）——如 Hoffman 所說的，“思考‘思考’本身”。他的焦點從精通游戲轉向了理解智能過程的本質，以及如何利用計算來加速這一過程。
盡管如此，早期 AI 的局限性也讓他感到些許“失望”。他提到了著名的“深藍”（Deep Blue）對戰(zhàn)卡斯帕羅夫（Garry Kasparov）的比賽。當時已在劍橋大學學習神經科學的哈薩比斯表示，自己“對卡斯帕羅夫的大腦印象更深……而非那臺機器”。作為“專家系統(tǒng)”（expert system）方法的巔峰之作，“深藍”依賴于人類程序員精心編寫的啟發(fā)式規(guī)則（heuristics）和強大的蠻力搜索（brute force search）。它能達到世界頂尖的象棋水平，但除此之外，若不重新編程，連井字棋（tic-tac-toe）都不會下。
‘深藍’看起來……并不智能，“哈薩比斯表示，它缺少的是學習新事物的能力……而且它不像人腦那樣具有通用性。我認為這些（學習能力和通用性）才是智能的標志……是我們破解 AI 難題所必需的?！?/strong>
這些認識為 2010 年 DeepMind 的創(chuàng)立奠定了基礎。在專家系統(tǒng)仍占主導、AI 研究某種程度上處于“寒冬”之時，哈薩比斯和他的同事們做出了一個逆向押注：專注于學習系統(tǒng)。公司名稱中的“Deep”部分，正是指向了“深度學習”（deep learning）這種受大腦結構啟發(fā)的層級化神經網絡技術。
更關鍵的是，DeepMind 將深度學習與強化學習（RL, Reinforcement Learning）相結合，后者同樣源于對動物行為和神經科學的研究。強化學習的核心是通過試錯來學習，在環(huán)境中采取行動，根據結果獲得獎勵或懲罰，最終目標是最大化累積獎勵。“這基本上是人腦工作的兩大核心組成部分?！惫_比斯解釋說，“大腦是一個神經網絡，一個模式匹配和結構發(fā)現系統(tǒng)。但它同時也有強化學習機制……（大腦中的）多巴胺系統(tǒng)就實現了這一點?！?/p>
這種生物學上的合理性，在 AI 研究的寒冬時期給予了他們極大的信心?！爱斈闵硖幧衬阈枰魏嗡椿蜃C據來指引方向……而當時的 AI 正處于這種困境，因為之前的嘗試（專家系統(tǒng)）多次失敗，基本走到了天花板?！盌eepMind 開創(chuàng)性地將這兩種方法融合為“深度強化學習”（deep reinforcement learning），創(chuàng)造出能夠從零開始學習復雜任務的智能體（agent）。
AlphaGo、“上帝之手”與創(chuàng)造力的本質
游戲成為了檢驗和完善這些理念的完美“坩堝”。它們提供了可控的環(huán)境、明確的目標（獲勝、最大化得分）、可量化的進展（Elo 等級分），以及與人類頂尖專家進行校準的機會。而終極挑戰(zhàn)，便是古老的圍棋。
圍棋的復雜度遠超象棋——哈薩比斯指出，其可能的狀態(tài)數估計高達 10 的 170 次方，“比宇宙中的原子還多”。蠻力計算毫無可能。此外，圍棋高度依賴直覺；頂尖棋手常常難以清晰描述其落子背后的邏輯，只是說感覺“對”。這種基于模式識別和美感的特性，讓傳統(tǒng)專家系統(tǒng)束手無策。
DeepMind 的 AlphaGo 采用了不同的策略。它通過觀察數百萬局人類棋譜進行學習，隨后又與自身進行了數百萬局的對弈。它發(fā)展出了自己對“好”的模式、棋形和致勝局面的理解。2016 年，AlphaGo 在首爾與世界冠軍李世石進行了一場載入史冊的人機大戰(zhàn)。決定性的時刻出現在第二局：第 37 手。
“那是一步真正充滿創(chuàng)造力的棋?！惫_比斯回憶道。圍棋已有數千年歷史，其策略已被深入探索。然而，第 37 手前所未見，甚至最初被頂尖解說認為是失誤。“他們以為操作員 Aja 點錯了鼠標……因為那一步太不可思議了。”哈薩比斯說。但在一百多手之后，這步棋被證明是制勝的關鍵。
第 37 手（常被稱為“神之一手”）完美詮釋了哈薩比斯所定義的第二層次創(chuàng)造力：外推（extrapolation）。“你從已知信息出發(fā)進行推演，得出一個前所未見的新策略，就像第 37 手。這本身就非常有價值?！?/strong>這與第一層次的內插（interpolation，例如從數百萬張貓的圖片中生成一張平均的貓臉）以及尚難企及的第三層次——發(fā)明（invention）或“跳出框架思考”（out-of-the-box thinking）——形成對比。AI 能否發(fā)明圍棋本身？或者基于 1900 年代的信息推導出廣義相對論？“顯然，今天的答案是否定的，”哈薩比斯坦誠，“仍然缺少一些東西……但我認為它（真正的創(chuàng)造力）終將到來?！?/p> DeepMind 隨后通過 AlphaStar 繼續(xù)拓展邊界，挑戰(zhàn)了復雜的即時戰(zhàn)略（RTS, Real-Time Strategy）電子游戲《星際爭霸 II》（StarCraft II）。與圍棋不同，《星際爭霸》包含不完美信息（玩家無法看到全部地圖）、實時決策和資源管理等要素。為了攻克這一難關，DeepMind 設計了一個“智能體聯盟”（league of agents），讓不同的 AI 策略在內部聯賽中相互競爭。獲勝的策略得以進化，并產生新的變種，形成一種類似演化的動態(tài)過程，最終培養(yǎng)出能夠擊敗頂尖職業(yè)玩家的智能體。這成功解決了部分信息環(huán)境下的決策問題，向模擬真實世界挑戰(zhàn)邁進了一大步。 哈薩比斯將這種利用游戲的方式與“游戲的人”（Homo Ludens）概念聯系起來，認為玩耍是人類經驗的基礎，它不僅孕育創(chuàng)造力，也提供了一個安全的“練習場”，讓人們可以在壓力下模擬和訓練關鍵決策能力。因此，游戲不僅是基準測試，更是開發(fā)通用 AI 能力的理想訓練場。 從像素到蛋白質：AlphaFold 與“數字生物學”的黎明 在證明了學習系統(tǒng)在復雜游戲領域的強大能力后，哈薩比斯和 DeepMind 轉向了他們的終極目標：利用 AI 加速科學發(fā)現?！拔耶吷铝τ?AI 工作的全部意義，就是用它來加速科學發(fā)現?！彼麖娬{。他將目光投向了他所謂的“根節(jié)點問題”（root node problems）——那些一旦解決，就能解鎖整個全新知識分支的基礎性科學難題。 蛋白質折疊問題（protein folding problem）正是他任務清單中的重中之重。蛋白質是生命的基石，其復雜的三維結構決定了其功能。理解這些結構對于揭示疾病機理和設計藥物至關重要。然而，僅根據蛋白質的氨基酸線性序列預測其三維形狀，是一個困擾了科學家 50 年的巨大挑戰(zhàn)（因可能構象數量龐大，也被稱為“Levinthal 悖論”）。 運用在游戲 AI 中磨練出的技術，DeepMind 開發(fā)了 AlphaFold。2020 年，它在國際蛋白質結構預測關鍵評估競賽（CASP，Critical Assessment of protein Structure Prediction）中展現出驚人的準確性，被廣泛認為有效解決了該問題。隨后，DeepMind 使用 AlphaFold 預測了幾乎所有已知蛋白質（超過 2 億種）的結構，并將這個龐大的數據庫免費開放給全球科學界。 其影響是革命性的。“這就像在一年內完成了十億年的博士研究時間，”哈薩比斯在劍橋講座中提到?！叭蛴袃砂偃f研究人員正在使用它……已被引用超過三萬次，并已成為生物學研究的標準工具?！边@項成就為哈薩比斯和 DeepMind 的同事 John Jumper 贏得了 2024 年諾貝爾化學獎。 AlphaFold 不僅是一項生物學突破，更預示著哈薩比斯所稱的“數字生物學”（digital biology）新紀元的到來?！澳壳伴_發(fā)一種新藥平均需要 10 年時間……耗資數十億美元，”他說，“我們?yōu)槭裁床荒芾眠@些（AI）技術，將這個時間從數年縮短到數月？甚至，未來某一天，縮短到數周？就像我們將蛋白質結構發(fā)現的時間從過去的數年縮短到了分鐘乃至秒級一樣?！八J為，AI 有潛力成為描述生物學的“完美語言”。 邁向現實世界：多模態(tài)、機器人與通用智能助理 隨著 AlphaFold 的成功，DeepMind 的研究重心愈發(fā)轉向現實世界的應用。哈薩比斯強調了多模態(tài)的重要性，即讓 AI 能夠像人類一樣，同時處理和理解多種類型的信息輸入，如文本、圖像、音頻和視頻。 “我們生活在一個多模態(tài)的世界，”他解釋道，“如果我們希望 AI 系統(tǒng)成為出色的工具或助手，它們最終需要理解我們所處的空間和時間世界，而不僅僅是語言或抽象思維世界?！?/p> 這直接關系到機器人技術的未來。過去，人們普遍認為機器人需要通過物理互動（即所謂的“具身智能”，embodied intelligence）才能真正理解物理世界。然而，哈薩比斯指出，DeepMind 最新的視頻模型（如 Veo 2）僅通過觀看海量YouTube視頻，似乎就能掌握相當程度的物理常識，這讓他也感到震驚。這表明，強大的多模態(tài)基礎模型經過微調后，可能無需大量額外的機器人數據就能應用于機器人控制，這或許會大大加速機器人技術的發(fā)展。 DeepMind 正在推進一個名為“Project Astra”的研究原型，旨在打造“通用智能助理”（universal assistant）?！八梢栽谀愕氖謾C或其他設備上運行，也許是眼鏡。它能伴隨你在現實世界中活動，幫助你處理日常生活中的事務?！惫_比斯描述道。例如在烹飪時提供實時指導，或識別周圍環(huán)境中的物體。這種助理的核心是能夠理解 3D 世界并進行規(guī)劃的多模態(tài)模型，如 DeepMind 的 Gemini 系列。 同時，AI 也在改變軟件開發(fā)本身。哈薩比斯認為最近爆火的“vibe coding”代表了編程的未來，開發(fā)者主要通過自然語言與 AI 協作編程，將低層實現細節(jié)交給 AI 處理。這將極大地降低編程門檻，賦能設計師、藝術家等創(chuàng)意人士將想法變?yōu)楝F實，并使專業(yè)程序員的效率提升“10 倍”，實現人機協同創(chuàng)作的新模式。 此外，未來 10 到 15 年，哈薩比斯最希望看到的是 AI 在醫(yī)學領域帶來突破性進展，實現“數字速度的科學”（science at digital speed），大幅加速新藥研發(fā)，甚至“真正有機會解決所有疾病”。 他甚至提出了一個猜想：基于經典計算（圖靈機）的 AI 系統(tǒng)，其潛力可能遠超我們目前的認知，或許有一天能夠幫助人類探索量子力學乃至宇宙的基本規(guī)律。“我一直認為，以這種方式構建的通用人工智能，可能成為理解我們周圍宇宙以及我們在其中位置的終極通用工具?！?/strong>哈薩比斯說道。 參考資料： 1.https://www.possible.fm/podcasts/demis/ 2.https://www.cst.cam.ac.uk/nobel-laureate-and-cambridge-university-alumnus-sir-demis-hassabis-heralds-new-era-ai-drug-discovery 運營/排版：何晨龍
熱門跟貼