撰文：Techub News 整理

导语

2024年12月，在瑞典斯德哥尔摩举行的诺贝尔奖颁奖周期间，Google DeepMind 联合创始人兼首席执行官 Demis Hassabis（德米斯·哈萨比斯）作为2024年诺贝尔化学奖得主之一，发表了其诺贝尔讲座。这场演讲不仅是对其团队在蛋白质结构预测领域取得革命性成就（AlphaFold）的总结，更是一次对其数十年人工智能研究生涯的深度回溯与前瞻。哈萨比斯从童年对国际象棋和早期计算机的痴迷讲起，串联起DeepMind以游戏为试验场、最终攻克科学重大挑战的独特路径，并大胆展望了AI作为核心工具重塑生物学、材料学乃至整个科学发现流程的未来图景。

摘要

游戏作为AI的“完美试验场”：DeepMind 早期通过 AlphaGo 等系统在围棋等复杂游戏中验证了“自学习”AI 的强大能力，其核心在于让AI通过海量自我对弈学习策略，而非依赖硬编码规则。
攻克“蛋白质折叠”世纪难题：哈萨比斯团队将游戏AI中验证的“学习模型引导搜索”方法论应用于生物学，开发出 AlphaFold 2，首次在计算上实现了蛋白质3D结构的原子级精度预测，被学界视为该问题的“解决”。
从静态结构到动态交互：最新发布的 AlphaFold 3 标志着从预测单一蛋白质静态结构，迈向模拟蛋白质与蛋白质、DNA、RNA、配体之间的相互作用，为药物发现等应用打开了大门。
迈向“数字生物学”与AI驱动的科学新时代：哈萨比斯提出，AI可能成为描述极端复杂的生物系统的“完美语言”，并预言我们正进入一个“数字生物学”时代，AI将加速从基础研究到药物发现的整个科学进程。
AI的责任与AGI的宏大愿景：他强调必须负责任地开发和使用AI这项双重用途技术，并认为如果能够安全引导，人工通用智能（AGI）可能成为人类理解宇宙及其自身位置的终极通用工具。

从棋盘到生命密码：一位AI先驱的独特旅程

Demis Hassabis（德米斯·哈萨比斯）的AI之旅始于一个棋盘。四岁开始接触国际象棋，并很快进入竞技领域，曾代表英格兰少年队出征。这段早年经历对他影响深远。他回忆道，在严肃对待象棋的年纪，他开始对“思考本身”着迷——人的大脑是如何产生计划、策略和创意的？这种好奇心驱使他去探究思维的本质。

一个关键的转折点出现在少年时代的象棋训练营。在那里，他接触到了早期的象棋计算机，例如需要手动按压棋盘上LED灯来移动棋子的“Fidelity Chess Challenger”。哈萨比斯坦言，当时他更着迷的并非用机器来提高棋艺，而是“竟然有人能让一块没有生命的塑料块很好地与我下棋”这一事实。这份好奇引领他阅读相关书籍，并在11岁时，用他的Commodore Amiga 500电脑编写了第一个人工智能程序——一个玩“奥赛罗”（黑白棋）的游戏。当这个程序击败了他当时年仅5岁的弟弟时，他感到了巨大的震撼：你竟然可以创造出能独立于你完成某件事的东西。自此，他与计算机和AI结下了不解之缘。

二十多年后，游戏仍然是哈萨比斯AI方法论的核心。2010年，他联合创立DeepMind，其使命是构建人工通用智能（AGI）。他们将游戏视为AI的“完美试验场”，原因在于：易于在计算机上生成大量数据（系统可以自我对弈），且目标明确（赢棋或取得高分），便于衡量算法进展。从国际象棋的先驱艾伦·图灵、克劳德·香农，到后来的IBM深蓝，游戏AI历史悠久，而围棋则被认为是这一领域的巅峰挑战。

围棋的复杂性超乎想象，其可能的位置数量高达10的170次方，超过了宇宙中的原子总数，任何暴力穷举的方法都不可行。2016年，DeepMind的AlphaGo系统以4:1击败世界冠军、韩国棋手李世石，成为AI史上的里程碑事件。哈萨比斯强调，AlphaGo的胜利不仅在于结果，更在于它展现了前所未有的创造性。例如，著名的“第37手”在顶级围棋对局中前所未见，却成为决定那盘棋胜负的关键妙手，仿佛AlphaGo早已预见到了百步之后的局面。

这一突破是如何实现的？关键在于“自学习”。AlphaGo及其更通用的后继者AlphaZero并非被直接编程了解决方案，而是通过与自己进行数百万盘对弈，从错误中学习，逐步改进策略。在这个过程中，系统构建了一个有用的围棋神经网络模型。这个模型能够高效地引导搜索过程，使其无需遍历围棋或任何复杂空间中所有可能的分支。哈萨比斯用一个树状图解释说，在每个围棋局面（节点），模型能评估哪一方更可能获胜，并聚焦于最有可能的走法（用蓝线表示），最终在限定时间内输出它找到的最佳行棋路线（紫线）。这种“学习模型以引导组合搜索”的方法论，成为了后来解决现实世界科学问题的技术基石。

破解生物学“圣杯”：AlphaFold如何实现原子级精度预测

在征服了游戏AI的巅峰后，哈萨比斯团队开始将目光投向现实世界的重大挑战，尤其是科学领域。他们寻找适合其AI方法的问题，主要依据三个标准：第一，问题能否被表述为在一个巨大的组合搜索空间中寻找路径；第二，能否定义一个清晰的优化目标函数；第三，是否有足够的数据来学习神经网络模型，或者是否有高效的模拟器来生成合成数据。

对哈萨比斯个人而言，自剑桥大学本科时期起就萦绕心头的“蛋白质折叠问题”始终是清单上的首位。蛋白质是生命的基石，几乎所有生物过程都依赖于它们。蛋白质的功能由其复杂的三维结构决定，而这一结构仅仅由其氨基酸的一维序列编码。1972年诺贝尔奖得主克里斯蒂安·安芬森提出假设，认为蛋白质在理论上会采取自由能最低的构象，这即“蛋白质折叠问题”，开启了长达五十年的计算求解之旅。

问题为何如此困难？实验测定蛋白质结构通常耗时数月甚至数年。列文塔尔悖论指出，一个典型大小的蛋白质可能有多达10的300次方种可能构象，数量之巨，即使穷举宇宙年龄的时间也无法完成。然而在自然界中，蛋白质却能在毫秒级时间内自发折叠。这给了研究者希望：必然存在某种高效的引导机制。

DeepMind决定迎接这一挑战，部分原因在于存在可供学习的数据和清晰的评估基准。经过数十年实验工作积累的约17万个蛋白质结构被收录在蛋白质数据库（PDB）中。同时，自1994年起由约翰·莫尔特教授等人每两年举办一次的CASP（蛋白质结构预测关键评估）竞赛，提供了盲测的黄金标准。学界公认，计算预测要达到对实验学家有用的程度，其平均误差必须小于1埃（原子宽度），即原子级精度。

DeepMind的征程始于2018年的CASP13竞赛。他们首次参赛的AlphaFold 1系统就大幅提升了预测精度，首次将机器学习作为系统的核心组件引入该领域，但尚未达到原子级精度。随后，团队汲取经验，从头设计了全新的AlphaFold 2系统，并在2020年的CASP14竞赛中一举突破了原子精度门槛，以至于竞赛组织者宣布该问题“基本上已被解决”。

哈萨比斯指出，AlphaFold 2的成功没有“银弹”，它融合了十多项创新，是一个复杂的混合系统。关键之一是将进化信息和物理约束直接构建到架构中，与学习组件相结合。他强调，AlphaFold团队的成功离不开其多学科构成——包括专业的生物学家、化学家以及机器学习和工程专家。这是一个端到端的系统，从氨基酸序列直接输出3D结构预测，并通过一个“回收”阶段进行迭代优化，逐步提升预测准确性。

在取得技术突破后，团队致力于最大化其影响力。AlphaFold不仅准确，而且速度极快，足以在实际上预测所有已知序列的蛋白质结构（约2.14亿个）。DeepMind与欧洲生物信息学研究所（EMBL-EBI）合作，开源了AlphaFold，并建立了AlphaFold数据库，免费向全球科研人员开放所有预测结构。在发布前，团队咨询了30多位生物安全与伦理专家，以确保收益远大于风险。截至目前，已有超过200万研究人员使用AlphaFold，相关论文被引用超过3万次，它已成为生物学家的标准工具之一，在应对塑料污染、研究被忽视疾病、解析核孔复合体结构等诸多领域加速了科学发现。

AI for Science：迈向数字生物学与科学发现的新范式

哈萨比斯在演讲的后半部分，将视角从蛋白质折叠这一具体成就拉开，探讨了这类AI工作更广泛的意义以及AI用于科学的未来。

他认为，从AlphaGo到AlphaFold，其系统的本质都是在巨大的组合搜索空间中寻找最优解。方法是通过从数据或模拟中学习环境模型，然后利用该模型根据优化目标来引导搜索过程。这是一个非常通用的解决方案框架，许多问题都可以套用。例如，可以将围棋走法搜索树中的节点，替换为化学化合物设计，那么搜索树就变成了在化学空间中寻找最佳分子或药物化合物。同样的技术完全可以应用于此类问题。

这或许意味着我们正在进入一个哈萨比斯所称的“数字生物学”新时代。他一直认为，生物学在最根本的层面上可以被视为一个信息处理系统，尽管它异常复杂且具有涌现性。数学是描述物理现象的完美语言，而AI可能同样成为描述生物学的完美语言。AlphaFold也许是一个起点，在10或20年后回望，它可能被视为开启这个数字生物学时代的标志。

为了推动这一愿景，DeepMind在几年前孵化了一家新公司Isomorphic Labs，旨在基于AlphaFold重新构想从第一性原理出发的药物发现流程，目标是将这个通常耗时数年、耗资巨大的过程缩短至数月甚至数周。哈萨比斯将这种加速类比为“以数字速度进行科学”。他还有一个长远的梦想：或许有一天能够模拟整个虚拟细胞，而不仅仅是单个蛋白质或几个蛋白质的相互作用。

在诺贝尔讲座的结尾，哈萨比斯提出了一个更具前瞻性甚至略带挑衅性的思想。自从开发AlphaGo以来，他一直在思考经典计算系统的极限。在当前关于量子计算与经典计算孰优孰劣的辩论中，他认为经典图灵机（现代计算机的基础）的能力可能远超我们过去的想象。它们可以通过大量的“预计算”来构建对问题或环境的良好模型，从而在多项式时间内高效探索解空间。他由此提出一个初步的猜想：任何能在自然界中生成或发现的模式或结构，都有可能被经典学习算法高效地发现和建模。这并不意味着经典算法能解决一切问题（例如大数分解这类抽象问题），但像蛋白质、或许还有材料等自然系统，其内在结构很可能能被这类过程学习。如果经典系统因此能够模拟某些类型的量子系统，那可能对复杂性理论乃至基础物理学中的信息论等领域产生重大影响。

最后，哈萨比斯展示了DeepMind将AI技术广泛应用于科学各领域的努力，包括医学图像分析、基因变异解读、控制核聚变等离子体、发现更快的矩阵乘法算法、开发最先进的天气预测系统以及发现数千种新材料。他认为，借助这些强大的新型AI工具，我们可能正步入一个科学发现的新黄金时代。

在演讲的结语部分，哈萨比斯重申了他毕生致力于AI的信念，即AI有潜力帮助应对人类最重大的挑战。但他也强调，AI是一种双重用途技术，必须负责任、安全地开发和使用，造福所有人。这需要科学家、技术专家与政府、学术界和民间社会等广泛利益相关者密切合作。他认为，像AGI这样变革性的技术，其重要性堪比火或电的发明，需要极致的谨慎和远见来引导其发展。如果能够安全地驾驭这项技术，AGI最终可能成为我们理解宇宙及自身在其中位置的终极通用工具。