军事快报-"紫阳花的凋零散落之时动画第一季"-诺贝尔奖是AI发展的里程碑时刻！DeepMind联创Hassabis获奖紫阳花的凋零散落之时动画第一季后最新专访

诺贝尔奖是AI发展的里程碑时刻！DeepMind联创Hassabis获奖紫阳花的凋零散落之时动画第一季后最新专访_ZAKER新闻

近几年公司均处于盈利状态，但利润还较小。

【新智元导读】今年的诺奖将物理和化学两个领域的奖项都颁给了 AI 成果，这究竟代表着怎样的含义，又会产生怎样的影响？Demis Hassabis 在本次专访中提出了自己的见解。10 月，DeepMind 联合创始人兼 CEO Demis Hassabis 凭借 AlphaFold 成为了诺贝尔化学奖的三位共同获奖者之一。作为一种人工智能软件，AlphaFold 解决了一个生物学界 50 年前提出的问题：预测每种已知蛋白质的结构。事实上，AlphaFold 这个极具开创性的模型，也仅仅是 DeepMind 成果的一部分。成立 15 年来，DeepMind 已经跻身为全球最重要的 AI 实验室之一。尽管被谷歌收购、与 Google Brain 合并后加入了一些商业考量，但他们目前仍然专注于科学和工程中最复杂和基本的问题，最终设计出能够模仿，甚至取代人类认知能力的强大 AI。获得诺奖后不到 24 小时，Demis Hassabis 就接受了《金融时报》记者 Madhumita Murgia 的采访，讨论了 DeepMind 下一步将要解决的重大难题、AI 对科学进步的作用，以及他本人对 AGI 之路的前景预测。Demis Hassabis 在谷歌 DeepMind 伦敦总部AI4Science 的下一个挑战AlphaFold 3 的相关进展，就一定程度上彰显了 DeepMind 在生物学领域下一步的前进方向——理解生物体内的相互作用，最终对整个通路进行建模，甚至可以构建出一个虚拟细胞。此外，通过 DeepMind 子公司 Isomorphic 的努力，他们也在进军药物发现领域——设计全新的化合物、找到结合位置，并预测出这些物质的特性、吸收性、毒性等等。目前，Isomorphic 还与礼来、诺华等公司合作开展了 6 个药物研发计划，有望未来几年内在临床上有所进展，希望能大幅缩减药物发现所需时间，从而帮助治愈一些疾病。除了生物学领域，Hassabis 也表示对材料设计领域的工作感到十分兴奋。去年，他们在 Nature 上发表的一篇论文提出了名为 GNoME 的 AI 工具，实现了 AlphaFold 1 级别的材料设计，共发现了 220 万个新晶体；下一步，就需要努力达到 AlphaFold 2 级别。论文地址： https://www.nature.com/articles/s41586-023-06735-9数学方面，AlphaProof 和 AlphaGeometry 已经在今年达到了 IMO 银牌的水准，接下来的几年，DeepMind 将尝试借助 AI 的力量真正解决一个重要的数学猜想。对于能源和气候领域，去年在 Science 上发表的 Graphcast 模型能在 1 分钟内以前所未有的精度预测未来 10 天的天气。论文地址：https://www.science.org/stoken/author-tokens/ST-1550/full这其中的技术，或许可以帮助进行气候建模，这对于应对气候变化、优化电网等领域都非常重要。可以看出，DeepMind 的未来蓝图中，重点更多地放在应用和工程实践层面，旨在将技术进一步转化为能够影响现实世界的工作，而非纯粹的基础研究。对此，Hassabis 表示，「蛋白质折叠」是一个「可遇不可求」的「挑战」，不能要求每个问题都有如此含金量。「蛋白质折叠」这个问题如此核心且重要，相当于生物学领域的费马大定理，但可惜的是，没有多少问题足够重要、探索时间足够长，能够被称之为「挑战」。诺奖将成为 AI 的分水岭今年的诺贝尔物理和化学奖项接连颁给 AI 学者，这很有趣，但谁也说不清评奖委员会为什么会做出这样的决定。对此，Hassabis 如何理解？他表示，这很像是委员会特意发表的一种「声明」，也将成为 AI 的分水岭时刻，标志着它的技术成熟度得到了足够的认可，能够协助科学发现。AlphaFold 就是最好的例子，而 Hinton 和 Hopfield 的奖项则是针对更基础、更底层的算法工作。Hassabis 表示，希望 10 年后回顾当下时，AlphaFold 将预示着所有这些不同领域的科学发现的新黄金时代。这也带来了一个有趣的问题：有了 AlphaFold 这样的工具，科学家们不再需要花费过多的时间和精力来进行预测，这是否意味着我们应当去开拓新的领域？甚至改变学习科学概念的方式？需要注意的是，AI 系统是一类独特的新工具，它们具有一些内在的功能，因而不适用于传统意义上对工具的分类。虽然 AlphaFold 等工具目前只能做到预测，但从某种意义上说，预测也是「理解」的一部分。如果你能预测，那就可以带来理解。甚至，如果预测的输出足够重要，比如蛋白质的结构，那么它本身就是有价值的。从更宏大的视角来看，科学中包含了很多层次的「抽象」。比如，整个化学领域就是建立在物理学的基础上。你不需要理解量子力学等全部的物理原理，也可以谈论原子化合物，在化学自身的抽象层去理解它。对生物学领域而言，我们可以研究生命，但仍然不知道生命是如何进化或出现的，甚至无法正确定义「生命」这个概念。类似的，人工智能也像一个抽象层，构建程序和网络的人们在一定的物理层面上理解这一点，但随后产生的预测结果就像一种突然涌现的属性，我们可以在科学的层面上自行分析这些预测。AGI 迫近，理解很重要无论是自然科学，还是人工智能系统，「理解」都很重要。人工智能是一门工程学科，这意味着你必须先建造出一个系统，之后才能研究、理解这个对象；而自然科学中的现象不需要制造，是天然存在的。虽然 AI 系统是工程化的人造物，但这并不意味着比自然现象更容易研究，甚至可以预期到的是，它会像生物神经网络一样难以理解、分拆和解构。现在这种情况正在发生，但我们已经取得了一些进展，比如有一个专门的领域叫做「机械解释」（mechanistic interpretation），就是使用神经科学的观念和工具来分析 AI 系统这个「虚拟大脑」。对于 AI 的可解释性，Hassabis 非常乐观，认为未来几年就会在理解 AI 系统这方面取得很大进展。当然，AI 也可以学着解释自己。想象一下将 AlphaFold 与语言能力系统结合起来，它就可以一边预测，一边解释自己在做什么。目前，很多领先的实验室正在缩小他们的探索范围，专注于对 Transformers 进行扩展。不可否认，这是一个很好的方向，也将成为最终 AGI 系统的关键组成部分，但 DeepMind 会继续坚持探索和创新研究。事实上，对于发明下一代 Transformer 而言，DeepMind 拥有迄今为止最广泛、最深入的研究平台，这是他们科学遗产的一部分。这些探索都是必要的，一部分原因是为了看看我们能走多远，这样就知道需要探索什么。探索新想法，以及将令人兴奋的想法发挥到极致，这两条路都很重要。如果你不了解当前想法的绝对局限，也不会知道需要哪些突破。LLM 的长上下文窗口就是一个很好的例子。谷歌 Gemini 1.5 Pro 做出的 2M token 上下文就是一个很酷的创新，目前没有其他人能够复制。谷歌 DeepMind 伦敦办公室理解 AI，才会有安全的 AGIHassabis 和很多科技领袖都曾预测，实现 AGI 还需要 5～20 年的时间。如果要用科学方法实现这一目标，就意味着更多的时间、精力和思考，集中在 AI 的理解和分析工具、基准测试和评估上，需要目前投入的 10 倍。这些投入不仅来自科技公司，还应包括 AI 安全机构，也来自学术界和民间社会。我们需要了解 AI 系统正在做什么、它们的局限性，以及如何控制和保护这些系统。「理解」是科学方法的重要组成部分，却是纯工程中所缺少的。工程只是旁观——这个方法有效吗？如果不起作用就再试一次，充满了试验和误差。科学则是在一切发生之前就能理解的东西。理想情况下，这种理解意味着更少的错误。这对于 AI 和 AGI 来说很重要，因为在运用一项如此强大的技术时，你希望尽可能少地犯错误。也许几年后，当我们接近 AGI 时，就会出现一个社会问题——我们希望这些系统具有什么价值？我们要为它们设定什么样的目标？这与技术问题不同。技术层面关注的是如何让系统走上正轨，朝着设定的目标前进，但并不能帮助我们决定目标应该是什么。为了安全的 AGI 系统，技术问题和社会问题，这两件事都需要正确，但 Hassabis 认为，后者可能更难实现。目标和价值观等一系列问题，会更多地涉及 UN 和地缘政治，甚至社会科学和哲学，需要与政府、学术界和民间社会各阶层进行广泛的讨论。即使 AGI 还需要 10 年才能实现，我们解决这些问题的时间也并不是很多，因此这方面的讨论应该从现在开始，让各种来源、各种观点的声音呈现在桌面上。