摘要：在人工智能与科学研究的交汇点上，一场令人瞩目的对话正在展开。来自学术界和产业界的顶尖人物——诺贝尔奖得主 Paul Nurse 爵士、DeepMind CEO Demis Hassabis、CRISPR 先驱 Jennifer Doudna 以及 AlphaF

在人工智能与科学研究的交汇点上，一场令人瞩目的对话正在展开。来自学术界和产业界的顶尖人物——诺贝尔奖得主 Paul Nurse 爵士、DeepMind CEO Demis Hassabis、CRISPR 先驱 Jennifer Doudna 以及 AlphaFold 项目负责人 John Jumper 齐聚一堂，共同探讨 AI 如何重塑科学研究的未来。

这场由皇家学会与 Google DeepMind 联合主办的特别活动，不仅汇集了当代最具影响力的科学家，更象征着一个新时代的来临。从 AlphaFold 在蛋白质结构预测上的突破，到 CRISPR 基因编辑技术的革新，再到对未来虚拟细胞的展望，每一个议题都彰显着 AI 与科学深度融合的无限可能。

特别引人注目的是，在这场对话中，科学家们不仅分享了各自领域的最新进展，更深入探讨了 AI 如何改变科学研究的本质。正如 Demis Hassabis 所强调的，我们或许正站在一个新的发现黄金时代的门槛上，而跨学科合作将成为推动这一变革的关键力量。

这次对话不仅是对当前科技发展的一次总结，更是对科学未来的一次深刻展望。在 AI 技术快速发展的今天，如何平衡技术创新与伦理考量，如何确保科学发现的可持续性，这些问题都得到了与会专家的深入探讨。

对话的核心观点包括：

以下是本期播客内容的完整翻译，我们作了不改变原意的删减。

未来五到十年，有望构建出虚拟细胞

汉娜·福莱（Hannah Fry）

您好，欢迎收听 Google DeepMind 播客。我是 Hannah Fry 教授。今天的听众可能会发现，我们并不在演播室，因为我们正在 AI 科学论坛的幕后。这场特别活动由皇家学会与 Google DeepMind 联合主办。作为活动的一部分，我有机会在台上采访了 Demis Hassabis。我们认为您会对这次对话感兴趣，因此将其作为特别节目呈现。此外，我们还邀请了三位诺贝尔奖得主参加一次深入的小组讨论，带来更多精彩内容。

接下来的环节对于我个人而言是一个绝佳时刻，总是让我感到震撼，因为我将采访今天的联合主持人 Demis Hassabis 爵士。Demis 是一位计算机科学家、人工智能研究员和企业家。2010 年，他共同创立了 DeepMind，并担任 CEO 至今。不知大家对 Demis 的背景了解多少，虽然他未曾获得诺贝尔奖，但他被封为爵士，成为英国皇家学会的院士，开发了 AlphaFold 和 AlphaGo，拥有 150,000 次引用。

他也是一位成功的神经科学家、国际象棋冠军和游戏设计师。我不得不说，我有一个理论，认为 Demis 早早发现了通用人工智能（AGI）的秘密，并将其藏在地下室，逐步与我们分享这些重大的突破。但毫无疑问，我们的对话总是引人入胜的。请大家欢迎 Demis 上台。谢谢你，Demis，非常感谢。我听说你事先并不知道即将被授予爵士头衔，这是真的吗？

德米斯·哈萨比斯（Demis Hassabis）

是的。

你是怎么发现这件事的？

这是一个相当有趣的故事，因为我们听说过一些关于我们成果提名的传言，但从未料到这真的会发生。那天早上，我和妻子各自忙于工作，大约十点半的时候，我们以为今年显然不会有什么消息了。就在这时，我妻子的电脑上传来了 Skype 的提示音，我心想，这是什么声音呢？原来是来自瑞典的电话，他们急着想联系我，但没有 John 的电话号码，所以每个人都有些紧张，不过这也为当时的气氛增添了戏剧性。最后，在公告发布前，我们找到了 John 的号码，真是极好的结果。

真是太棒了。我还注意到你曾与一些国际象棋冠军举行了扑克之夜，其中包括马格努斯·卡尔森和中村光。我想知道，最后谁赢了？你的诈唬策略是什么？

情况就是这样，确实，那发生在星期三。我发现伦敦正在举办一场大型国际象棋比赛。我年轻时认识的一位老棋友，第二天准备举办一个主题为扑克和国际象棋的聚会。因此，我觉得这是一个绝佳的庆祝方式。不过，我不建议在家里和一些世界级扑克冠军以及前国际象棋冠军玩扑克，特别是如果你的目标是赢钱的话。

但对我而言，这正是乐趣所在，那真是一个美妙的夜晚。我知道这听起来有点像宅男，但对我来说，这就是理想的庆祝。我不能告诉你我是如何装腔作势的，否则我再也无法打败国际象棋冠军马格纳斯了。

确实如此……好的，我的意思是，除了获得诺贝尔奖之外，这真是一个前所未有的成就。在此之前，AlphaFold 的研究已经被引用超过 28,000 次，你也因此被誉为引文领域的杰出成就者，这实在令人惊叹。毕竟，这项工作的问世时间并不长。在你看来，哪些突出的应用给你留下了深刻印象呢？

确实，这一切都令人惊叹。我们通过将 AlphaFold 推出并开源，特别是与我们杰出的合作伙伴 EMBL-EBI 一起，将它交给了社区，我们期待的许多目标正在逐步实现。例如，在 Janet 和 Ewan 所在的特定研究领域。AlphaFold 的应用覆盖多个领域，我想可以分享我最喜欢的两三个例子。

其中之一是确定核孔复合体的结构。核孔复合体是人体内最大、最重要的蛋白质之一，其结构极为重要，因为它控制着分子和营养物的进出细胞核。实际上，几个团队结合使用了 AlphaFold 的预测和他们的实验数据，最终重组了这种复杂的蛋白质结构，实在令人惊叹。

另一个让我非常欣赏的项目来自 Broad 研究所的 Feng Zhang 博士。他开发了一种分子注射器，用于将药物输送到身体难以到达的部位。同样，他利用 AlphaFold 来优化分子注射器的设计。

最后，我还想提到来自朴茨茅斯大学的 John McGeehan 小组的项目。他们使用 AlphaFold 设计了塑料降解酶。不过，我认为这仅仅是研究人员利用 AlphaFold 实现众多惊人工作的冰山一角。

这样的项目，我指的是，这是你所热爱的，对吧？不仅仅因为其背后的技术理念，还有它可能带来的深远影响。

没错，这就是我一直对蛋白质折叠和蛋白质结构预测问题感兴趣的原因。我们有时称它为基础性问题，如果解决了这样的问题，就能开启一个全新的探索领域。我始终认为，通过这种方式实现蛋白质结构的预测，不仅会推动对疾病的理解和药物设计，还将带来更多的发现。 这似乎也是目前正在发生的事情。

我并不想显得贪心，但接下来会发生什么呢？会不会出现另一个 AlphaFold？我的意思是，GNOME 是我个人最喜欢的项目之一。也许你可以给我们介绍一下这个项目。

是的，GNOME 项目涉及多个领域，实际上 James 在早上已经提到过这一点。我们几乎涵盖了所有科学研究领域。GNOME 是我最喜欢的项目之一，它专注于材料科学。我认为，材料科学具有与很多适合 AI 处理的问题相似的特征。这是一种庞大的组合空间，你需要努力建立一个模型来理解自然现象中的物理和化学。如果你拥有这样的模型，就可以在这个组合空间中进行高效搜索，并找到最佳解决方案。

在材料领域，这同样可能带来突破。想象一下，设计新型电池或有一天发现室温超导体，这一直是我的梦想之一。所以我认为我们显然还处在这一领域的早期阶段，我将其比作 AlphaFold 的初级阶段，我们需要达到 AlphaFold 那样的预测水平。不过，我们可以清楚地看到通向这一目标的路径，GNOME 正是这种探索的开端。

去年，我们在《科学》杂志上发表了一项研究，发现了 20 万个以前从未见过的新晶体。我认为这展示了 AI 在材料科学领域的潜力。令我兴奋的另一件事是 AI 在数学领域的应用，它甚至有可能帮助解决重大猜想，也许是千禧年大奖难题的一部分，并将 AI 作为解决方案的关键组成部分。

这个想法类似于 GNOME 项目和 AlphaFold 的思路，可以被视为在人工构建环境中寻找捷径，以避免每件事情都通过试验来实现。我了解到您和保罗·纳斯爵士已经讨论虚拟细胞很久了，可以跟我们分享一下这方面的见解吗？

保罗一直是我的导师之一，他在生命科学领域慷慨地指导我超过 25 年。这样的经历非常激励人，我们常常就相关话题进行交流。我认为，保罗作为生命科学家，对将生物学视为信息系统有着深刻的理解，并撰写了许多有趣的研究论文。因此，我们经常讨论这一背景中的问题。

每隔大约五年，我都会思考，是否已具备足够的技术和知识来解决这一问题——即构建一个虚拟细胞，通过模拟来预测其可能发生的变化。过去，我总觉得我们尚未准备好，但现在我认为我们可能已经掌握了足够的技术和知识，可以认真尝试。或许在未来的五到十年内，我们可以最终构建出一个虚拟细胞的模型， 可能会先从酵母细胞开始，因为保罗一直将其视为研究的模式生物。

在我看来，AlphaFold2 实质上解决了蛋白质的静态结构问题，但生物学本质是动态的，所有有趣的现象都发生在其中。AlphaFold3 是我们模拟这些相互作用的第一步，它能够模拟蛋白质与蛋白质、蛋白质与 RNA、蛋白质与 DNA 之间的相互作用。下一步可能是模拟整个路径，最终希望实现对整个细胞的模拟。

我认为，量子计算的出现将为这一领域带来变革，它可能使分子层面的模拟成为可能。是的。

量子计算是一个令人激动的领域，其发展速度正不断加快。今天早上，James 提到了 AI 和量子计算之间一些有趣的交叉影响。实际上，我们与 Google 的量子计算团队合作，该团队是顶尖团队之一，合作领域包括纠错码等。量子计算机的一个重要用途是模拟量子系统，比如分子、原子和化合物，进而生成大量的模拟数据。

值得强调的是，我有一个稍显争议的观点，我也和多位世界顶尖量子计算科学家讨论过，即我相信经典的图灵机——也就是经典计算机，能够实现超出我们预期的很多功能。 我认为我们的研究已经证明了这一点，不仅在 AlphaFold 项目中，也包括之前的 AlphaGo 项目。AlphaGo 曾击败围棋世界冠军，

众所周知，围棋的复杂程度远高于国际象棋，其可能的棋盘排列数超过宇宙中的原子数量，达到 10 的 170 次方。所以，采用穷举法是不可能找到每一个特定局面的最佳走法的，你需要使用更为聪明的方法。而类似蛋白质折叠的问题有无数种可能性，如果以简单的方法尝试每一种组合，那实在是太天真了。但实际上，随着预计算的深入，我们可以在构建系统模型之前询问特定问题，比如“在这个围棋局面下该走哪步？”或者“这个新蛋白质是如何折叠的？”实验结果显示，我们可以在数秒内找到接近最优的围棋走法，或者在几分钟内完成蛋白质折叠。

我们原以为在蛋白质空间方面至少需要量子计算机或量子算法，结果发现根本不需要。因此，我认为我们应认真考虑这个观点，即经典系统通过正确使用，或许能够模拟更复杂的系统，甚至可能是量子系统。这有些违反直觉，因为通常认为模拟任何量子系统都需要量子计算机。

然而，有可能经典系统可以对量子系统进行模拟。 我与一些人测试过这个想法，比如最近因为量子计算开创性工作荣获诺贝尔物理奖的塞林格教授，他对这一观点表示兴趣。而 David Deutsch，量子计算的发明者之一，我非常崇拜的科学偶像，他认为这想法虽然疯狂，但却是种“合理的疯狂”。对他而言，这是种褒奖，也是一个引人入胜的探索方向。

所以让我确认一下我的理解...... 我以为经典计算机被视为确定性机器。而你在这里讨论的是概率性问题，但使用的仍然是确定性计算机。

是的，这个想法是，对于量子系统来说，无论你尝试模拟什么自然现象，如果希望以所有可能的方式模拟这个系统，那么在经典系统中，很快就会消耗完计算资源，因为你需要太多位来建模。然而，在经典系统中，人们并不会这样尝试，而是首先构建一个模型来理解和模拟它。

我认为，任何自然现象通常都具有其结构性。如果有结构性，就有可能通过经典机器学习系统，学习出一个高效的模型，并通过该模型高效地探索各种可能性。因此，我认为这可以在某种程度上解决简单方式导致的低效问题。由于这话题相当复杂，我的表达比较委婉。研究这个领域是我的兴趣之一，我认为它具有很大的前途。

您将另一个爱好发展成了业务，也就是结构生物信息学。我指的是利用 AlphaFold 进行药物发现。你们现在还拥有一些颇具声望的合作伙伴。您可以告诉我们，目前结构生物信息学的重点是什么吗？

Isomorphic 是我们的一家衍生公司，致力于从根本原则出发，通过 AI 彻底变革药物发现过程。这个想法始于我们开发 AlphaFold 时。我认为，AI 最明显的良好应用之一就是治愈疾病。 毕竟，还有什么比这更好的用途呢？因此，治愈疾病一直是我希望在 AI 成熟后要实现的首要任务之一。

AlphaFold 确实是基础研究和生物学研究的绝佳工具。全世界已有超过两百万的研究人员使用 AlphaFold 及我们公开的蛋白质结构数据，这些数据对药物发现也有实质性的帮助。不过，了解蛋白质结构只是药物发现过程的一小部分。因此，在开发 AlphaFold2 之后，我们创立了 Isomorphic，目的是构建新型机器学习系统，以拓展到相邻领域。这些领域包括化合物和药物设计、毒性测试及 ADME（药物吸收、分布、代谢和排泄）等重要属性的预测，这些因素在药物的效用和减少副作用中至关重要。

我们正在这些领域进一步开发类似 AlphaFold 的模型，并最终将它们整合在一起。我们希望未来能够将药物设计的周期从数年甚至数十年缩短至几个月，甚至几周。这将从根本上变革药物发现的流程。

这看起来确实是一种无需在造福人类和实现盈利之间做出选择的事业。您最初对寻找此类项目的关注程度如何？或者说，您主要从事的是基础研究，并希望最终能够以这种方式实现目标？

我们同时关注两个方面。我们是一个以研究为导向的团队，一直以来都是如此。因此，我们努力在研究 AGI（通用人工智能）或解决像 AlphaFold 这样的科学挑战时，采取正确的下一步行动。此外，我也十分务实，希望能够解决那些能对世界产生实质性积极影响的问题。如果能够找到同时满足这两个条件的项目，那便是我们追求的“圣杯”， 值得我们投入大量时间和精力。

AlphaFold 就是这样的项目。我对这个课题非常着迷。正如 Janet 之前提到的，深入了解蛋白质后会发现，它们是精致而美丽的生物纳米机器。我完全同意 Janet 的看法，一旦开始研究它们，就会爱上自然界的精妙设计，这设计令人难以置信。同时，我始终记得，这个项目能够带来社会福祉，并且新的科技可以同时实现这两者。我相信，我们能够借助 AI 治愈许多疾病，同时这还应该是一家非常有价值的公司。如果真是这样，我们就能有更多资金投入基础研究，这一切会形成一种良性循环。

许多突破将来自跨学科的合作

在众多基础研究项目进行的同时，您认为我们是否正处于一个即将迎来重大突破的时刻呢？

我确实认为我们正处于一个新时代的边缘，仿佛正如今天的研讨会主题所言，我们正在步入一个新的发现黄金时代。我认为我们需要更多的跨学科科学研究，以正确的方式利用 AI，与领域专家共同提出合适的问题，我相信其应用前景几乎是无限的。 当然，作为一门科学学科，AI 本身也在不断进步。我们既有机会将现有技术直接应用于其他领域，同时也需要不断改进 AI 本身。可以说，这两者都在以指数级速度进步。因此，我相信在未来几年中，我们会取得许多进展。

我认为跨学科研究无疑是当今的重要话题。但我同时关心另一个问题：未来的科学研究将如何演变。在人工智能时代，科学研究意味着什么？我知道你坚定支持科学方法。请聊聊这个话题。随着我们的进步，情况会如何变化？

我认为，科学方法可以说是人类有史以来最伟大的思想之一。显然，它支撑了整个科学的发展，从而也支撑了科技与现代文明的发展。在当今世界，我们比以往任何时候都更需要这种方法。尤其是在应对如人工智能这样具有巨大变革潜力的科技时，我们应该采用科学方法，而不仅仅依赖于在现实中进行技术的 A-B 测试， 这是新技术的惯常做法。

我们应该将它视为一种科学的尝试。尽管与所有突破性技术一样，它在采用速度和变化速度上带来了影响，这种情况确实引人注意。我们需要利用科学方法来更好地理解这些系统的运作机制，建立基准，并进行严格的评估，以理解其能力的极限及其可解释性。实际上，我认为可以应用神经科学的技术，这些技术虽然最初是为了理解真实大脑而构建的，但现在用于模拟“虚拟大脑”（即人工神经网络）。我有时称之为虚拟大脑分析。那么，这些神经网络的 fMRI（功能磁共振成像）等效物是什么呢？

我认为，我们可以从自然科学中学到很多东西，并将其借鉴并转化到本质上属于工程科学的领域中。我称之为工程科学，因为与自然科学不同，你必须先构建出感兴趣的人工制品，然后才能用科学方法解析和理解其组成部分。这确实是一个艰难的挑战。

在我看来，这些系统与我们通常研究的自然现象一样复杂。因此，没有人应该认为理解这些人工系统会比理解自然系统更容易。我相信它们在许多方面同样复杂。因此，我们面临许多工作需要完成。行业、学术界和民间社会需要共同努力，以更好地理解这些技术及其如何部署。

在这一过程中，科学家的直觉起到了什么作用？

我认为科学家的直觉和创造力至关重要。当前的 AI 系统只是一种工具，虽然它们在从数据中寻找相关性、模式和结构方面表现出色，但还无法自行提出假设或问题。正如所有科学家所知，科学中最困难的部分是提出正确的问题，这仍然需要人类科学家来完成。在可预见的未来，这一情况不会改变。因此，我对这些 AI 系统的使用充满期待，因为它们有可能成为加速科学发现的最佳工具。

关于这一话题，我了解到最近有研究表明，近年来科学发现的进步有所放缓。对此你有什么看法？应该如何改变这一现状呢？

我也看过类似的研究，我觉得关于这种现象的成因有一些有趣的推测。随着科学的发展，科研已成为一个更大规模的领域。你需要更庞大的团队和更加昂贵的设备，这导致科研的进展有所放缓。或许我们现在面临的问题比过去更加复杂，这也增加了解决问题的难度。我认为，未来 10 年内，许多突破将来自跨学科的合作。

在两个或多个领域的交汇处，集合专家的力量，取得重大进展。这也是 DeepMind 成功的故事，它最初是神经科学理念与机器学习理念的结合。AlphaFold 项目也是如此，我们的团队中有生物学家和化学家与机器学习专家和工程师通力合作。我始终认为这是实现快速进展的最佳途径。事实上，今天我们宣布从 Google.org 筹集了 2000 万美元，用于资助这类学术上的跨学科合作。我希望其他资助者也能参与其中。我坚信，我们需要培养新一代的博士生和博士后，以便他们能够在这些跨领域的结合中成长和发展。

这真是一个非同寻常的消息……在这里我们用 2000 万美元去支持跨学科团队的研究。Demis，非常感谢您的分享……好的，我想您现在需要下去和其他获奖者会合，而我们将准备舞台。

此刻，我想告诉大家，“得奖者”这个词实际上来源于古希腊的桂冠花环（laurel wreath），那是给予胜利者的荣誉象征。每年，我们会颁发五个奖项给那些被认为对人类作出最大贡献的人，这一光荣的传统要归功于阿尔弗雷德·诺贝尔。据说，因为阿尔弗雷德·诺贝尔的深爱之人曾与一位数学家私奔，所以并没有设立诺贝尔数学奖（这只是传闻）。

你听说过这个传闻吗？我想说，我们数学家们也是很有魅力的。现在，将与我一同上台的是另外三位获得这一殊荣的得主。约翰·朱默是一位我们迄今尚未有幸请上台的得奖者。他是 Google DeepMind 的总监，领导了 AlphaFold 团队，并继续探索将机器学习应用于蛋白质生物学的新方法。因出色的工作，约翰获得了诸多奖项，如拉斯克奖、生命科学突破奖和加拿大全球奖，当然还有今年的诺贝尔化学奖。

接下来是保罗·纳斯爵士，他是弗朗西斯·克里克研究所的首席执行官，因其在蛋白质领域的研究，尤其是控制细胞分裂的蛋白质分子方面的杰出贡献，于 2001 年获得了生理学或医学奖。最后是詹妮弗·杜德纳，她之前曾与詹姆斯分享过她在 CRISPR 方面的经验，并于 2020 年获得了诺贝尔化学奖。

我知道一个常被问的问题是：当你们听到获奖消息时在哪里？在做什么？而我想问一个稍微不同的问题。是否有那么一刻，你们意识到自己的工作确实具有突破性？有没有这样的时刻，让你们意识到它的重要性？约翰？

约翰·朱默（John Jumper）

对我来说，有两个重要的时刻。其一是，当你向公众发布一个项目时，总会紧张地刷新 Twitter，搜索“AlphaFold”，看看是否有新推文。记得数据库开放时，许多研究生惊讶地发推：“他们怎么知道我的结构？这还没发布吧？”有时，他们会惊讶于我们预测了他们或隔壁实验室某人的结构，这让他们感到非常震撼。

第二个时刻是，《Science》期刊的一期特刊中，有一份关于核孔结构的特别期刊，描述了人类细胞中蛋白质链的最大集合。该期刊中有四篇文章，其中三篇大量使用了 AlphaFold。在此期间，AlphaFold 的名字被提到了一百多次，而我们对此毫不知情，仿佛它一夜之间就变得如此重要。这标志着人们开始用我们的工具进行重大发现，这些发现足以登上《Science》这样顶级期刊。作为工具开发者，这正是我们的成功体现。

詹妮弗，你有时间吗？

詹妮弗·杜德纳（Jennifer Doudna）

对我们来说，有两个关键时刻。第一个是在 2011 年秋季，我们开始与 Emmanuel Charpentier 合作研究 CRISPR。这是一种细菌免疫系统的一部分，我们正在思考它的工作机制。我们共同发现这是一个由 RNA 引导的系统，能够定位并切割 DNA。此外，由于我们了解其化学工作原理，可以对这个系统进行编程。这真是一个“啊哈”时刻。就个人而言，我惊讶于细菌能够实现这一点。更重要的是，我们现在可以利用这个系统以新的方式操控 DNA。这是第一个关键时刻。

第二个关键时刻与 John 所说的相似，发生在大约一年后。我们在 2012 年夏天发表了这项研究，而到了秋天，我开始收到来自世界各地的电子邮件。这些人看过我们的论文后非常激动，他们说：“天哪，这太令人兴奋了。”他们开始用这个技术测试果蝇的基因，也测试斑马鱼的基因，并对在人类细胞所做的实验感到兴奋。那些几乎还不太熟悉的人不断发送信息过来，他们非常非常兴奋。你可以感受到这个领域内正在积累的势头。

保罗·纳斯（Paul Nurse）

好吧，我算是这里的老人了。那是在 1985 年，抱歉……正如你已经知道的，我在研究酵母。我和我的实验室研究出了控制细胞周期的基因，这个基因指导细胞如何分裂成为两个细胞，这一过程对于所有生物体的生长和发展都是至关重要的。我们已经确定了这个基因，但说实话，谁会关心酵母呢？我的意思是，作为一个酵母研究人员，我当然关心，但大多数人对酵母并不在意。因此，我发现我们的研究没有引起太多注意。

于是我思考：人类是否也有相同的基因呢？那时候，人类基因组测序还遥不可及，所以我们进行了一个大胆的实验。我想说，这个实验有多么疯狂。我们手头有一个酵母突变体，它因基因缺陷无法增殖。我们使用了第一批人类 cDNA 文库，这些文库刚刚制作出来。虽然不是我们制作的，但几个月后我们得到了这些文库。然后我们将这些基因导入缺陷酵母中，假设如果在人类中存在可以替代酵母缺陷基因的基因，而且酵母能够吸收并成功表达，那么这些细胞就可以生长和分裂，而我们可以回收到该基因，证明人类也有这个基因。

理论上，这个实验不可能成功。酵母和人类在约 15 亿年前就开始演化分离，我们假设这个基因在经过 15 亿年后依然有效。结果呢？实验居然成功了。我们得到了结果，顺便说一下，基因测序花了我们几个月的时间，所以耗时很长。那时候，我常常想，我要回家，相信这个实验是成功的。明天我再回去，结果我们会证明它不成功。然而，它真的成功了。我想，也许它会受到关注，因为这不仅仅是关于酵母，而是关于人类的。

这是一个精彩的故事集。我知道大家一定会对我们的专家小组有许多问题。因此，我待会儿会从观众中挑选一些问题来回答。届时会有麦克风传递给大家。哦，看到那边已经有一位观众想提问。我会把几个问题集中在一起进行解答。还有谁想提问吗？好的，这里还有一位，还有罗杰。

太好了，这里有两个非常好的问题。我们先从第一个开始。Demis，如果我们先请教你，你会对 18 岁的女儿说些什么呢？

这其实有些复杂。我是说，我确实在 18 岁时就有了这个计划。让人惊讶的是，这个计划真的实现了。或许这与我是国际象棋棋手有关，总是习惯规划多年的事情，这是从四岁开始下棋的结果。但我可能会对那时的自己说，多享受旅程，因为事情会按计划发展。我常常想，这些梦想到底会怎样实现呢？因此，我或许会建议 18 岁的自己：多享受过程。

我其实在想两件事。有趣的是，我在想，不用担心，Carolyn 会嫁给你的。不过，这就像人生中的梯度下降。现在做正确的事情已经很有效果。此外，要保持开放的心态，迎接即将遇到的有趣事物。我认为，我们正处于生物学以及 AI 与生物学结合的黄金时代之一，这真是一个充满乐趣的时代。 因此，不要害怕追求眼前的最佳选择。事实上，这与 Demis 的建议完全相反。

您是反对渐进式进展，还是积极进行战略规划？

也许更接近约翰的想法，我想我会告诉 18 岁的自己，要遵从自己的激情，永不放弃，并且不要在意反对者的声音。这一点非常重要。

我来自一个非学术背景，当时很难相信仅凭追寻自己的好奇心也能得到回报。即使现在，我仍然对此感到难以置信。这是发生在五十多年前的事情。

请继续相信我们能够做到，作为皇家学会的主席。关于罗杰提出的第二个问题：如何从 AI 系统中获取直觉。

我认为这其实非常有趣。我并不如其他人那样感到担忧，因为我认为我们正处于一个特殊的时刻。在我之前的演讲中，我曾提到过，并始终相信，人工智能本质上是一门工程科学。这意味着，我们首先必须创造出值得研究的人工制品，然后才能以科学的方法进行分析。在过去五到十年间，我们已经构建了这样的人工制品，它们值得我们投入精力去研究。

直到最近，诸如 Transformer 模型、AlphaGo 和 AlphaFold 这样的系统具备了足够的复杂性，因此受到了人们的认真研究。此外，这些系统还能自行改进。我认为，我们至少已经达到这样的阶段：系统可能会用语言、数学或代码来解释自己。我们正向这个目标靠近。你可以对系统说："好的，你理解这个，现在用一个数学方程来解释。"当然，生物学无法像物理定律那样被简化，因为它涉及复杂的交互。

因此，我认为用模拟方法来研究生物学更为合适，而不是简单依赖牛顿的运动定律。 生物学的复杂性使其难以被简单化处理。而且，如我之前提到的，我们应该能够将神经科学技术和分析技术应用于这些人工神经网络的研究，就像我们研究自然界的大脑那样，目的是获得同等程度的理解。结合这些努力，我们可以取得显著进展，更不用说我们将在此基础上投入的进一步工程努力，去深入解析这些系统。我相信，在未来的五年内，我们将走出当前的黑箱时代。

人们低估了 AI 领域中许多真正新颖的工作的进展

这真是有趣。接下来有几个问题，我们会逐一回答。请大家举手让我看到，我们会先回答一到两个问题，然后再到另一边去。现在开始吧。

嘉宾

一个非常简单的问题……注意力机制仍然是我们所需要的一切吗？

嘉宾

非常感谢各位。这次会议非常精彩。我们的主题是如何利用 AI 更好地进行科学研究。我认为，我常常做的一件事是教授科学家更多的 AI 知识，以便他们能够有效应用 AI。从另一个角度来看，您认为有没有 AI 尚未涉足的领域，而科学家应该接受更多培训以最大化他们附加价值的事情？对此，我非常希望听到您的看法。

这很有趣。好的，我们开始……Paul，我先从你开始吧，你之前提到了社会科学。关于人工智能和社会科学，我们需要多重视人类与机器之间的交互界面呢？

首先，我认为我们需要更加关注社会科学，以帮助科学家更好地理解复杂的人类互动。虽然一开始这可能对我们帮助不大，但适应并思考其可能的影响是至关重要的。我可以想象在一些与社会科学相关的问题上，尤其是在交流领域。您可能是一位社会科学家，因此我认为我们需要一种方法来系统化地理解人类如何互动与合作。

我认为，将“注意力机制就是你所需要的一切”这种观点简单化是片面的。一个非常有趣的事实是，AlphaFold 并不是简单地应用一个现成的 Transformer 来进行蛋白质结构预测。其成功背后经历了多年的艰苦努力，涉及大量工作和许多创新的想法，而注意力机制只是其中的一个组成部分。我们开发了所谓的 Evoformer，并在此基础上提出了新的概念。Demis 领导着一个非常出色的 AI 研究团队，他们每日努力奋斗，而不仅仅停留在“我们已经拥有所需的一切，注意力机制已经在此”这样的阶段。大家都在为此努力。

实际上，我认为人们低估了当今 AI 领域中许多真正新颖且令人振奋的工作的进展。 这些工作无论是在解锁新的数据源方面，还是在从现有数据中获取更多信息方面，都极大地改进了系统。AlphaFold 的案例说明，即使拥有与他人相同的数据，也可以学到更多关于蛋白质结构的知识。因此，我相信我们将继续享受到来自 AI 研究的红利，不断发现令人激动的新事物。

我们可能总是会称某些技术为“注意力机制”，但这让我想起了一个老电脑科学家的笑话：我不知道未来的科学计算语言会是什么样，但它会被命名为 Fortran。我们往往保留这些标签，并在其中不断更新内容。我认为，我们不应低估这些正在进行的美妙而又令人兴奋的聪明研究。

或许我可以快速补充一下。我同意这一点。事实上，Transformer 架构正是通过那篇论文提出的，这非常了不起。我认为，在 PBN（预测性模型网络）内，它将成为未来通用人工智能（AGI）系统的主要组成部分之一。然而，我的预测是，仅靠 Transformer 还不够。我们还需要几个类似的大突破，而这些突破尚未出现。

詹妮弗，我想请教你的意见。我们需要重点关注在人类技能在人工智能能力局限中的作用。

是的，谢谢你的提问，Michael。针对这个问题，我一直在思考我们在今天提到的数据以及训练此类模型所需的数据类型。在生物学领域，面临的一个挑战就是数据质量和数量的问题。通常，需要大量高质量的数据来训练模型，这是目前的现状。

因此，我希望 AI 能够帮助我们这些科学家，教我们如何高效地采集数据，也许可以采集得少一些，但需要更智能，使得稀疏的数据仍能具有广泛的覆盖能力，从而提供一个真正适合训练的基础。我认为这方面是我们，至少作为实验科学家，在设计实验时没有充分考虑到的，但我们可以开始关注这一点。

嘉宾

您好，我是南安普顿大学的温迪·霍尔。我一直在与社会科学家合作。这里有一个非常重要的问题，就是关于数据收集和隐私的问题。这使得这些问题比你们进行的科学研究更加复杂和困难。我们做得越多，情况就会越好。

嘉宾

显然，这里有很多关于伟大科学成就的讨论。那么，对于那些不在这个讨论圈子里、不太了解科学、甚至对科学持怀疑态度的人，我们该如何看待呢？

嘉宾

您是否担心社会可能会拒绝这些即将到来的重大突破？您认为我们应该如何应对这种情况？

这是一个很好的问题，那么请下一位发言。

嘉宾

我是来自非洲数学科学研究院的 Wilfred Ndifon。非常感谢各位的精彩讨论。我有两个问题希望能得到解答。关于第一个问题，谈到 AGI（通用人工智能）时，人们通常认为目标是实现与人类智力相当的水平。然而，人类智力可能并不是最优的选择，因为它是历史偶然性和进化过程的结果。那么，您认为 AGI 有可能在多大程度上超越人类智力？

第二个问题涉及包容性。到 2050 年，非洲将拥有全球最多的年轻成年人，这一人口增长将对全球发展产生重大影响。在此背景下，全球 AI 社区在多大程度上确保能够包容非洲人的参与？我想指出，Google 以及 Google DeepMind 在 AI 领域对非洲年轻人的能力建设给予了极大的支持。那么，整体而言，全球 AI 社区还在采取哪些措施？

嘉宾

此前，我从事学术研究时是一名纳米化学家。在化学领域，显微镜等技术的进步常常为其他许多研究领域打开大门。人工智能的发展也类似，但从今天许多演讲者和讨论中可以看出，很多进步是由工业界而非学术界实现的。

因此，Paul，我知道你谈到研究文化，以及有些演讲者提到的我们当前对成功研究的奖励方式可能不利于创新的发展。我们如何改变全球文化呢？因为没人愿意做第一个改变的人，担心可能因此失去机会。好，我们有四个非常好的问题，恰好有四分钟来回答这些问题。那么，Paul，首先请你谈谈为什么至今没有治愈普通感冒的方法？

让公众参与是非常关键的，我们确实需要专注于此。当然，这并不是第一次遇到这样的情况。新技术和变革几乎总能引起人们的关注。正如我之前所提到的，我们必须与相关方沟通，与公众进行对话。然而，这些讨论往往被利益集团和那些自称代表公众的人所主导，他们通常只是为了自己的特定利益或热情而发声。

因此，我们必须找到与公众理性讨论的方法。我提到了审议民主。尽管其成本较高，但我认为其重要性毋庸置疑。事实上，如果我们不让公众参与，就无法充分体现这些好处——无论是更好地理解我们周围的世界，还是将这些发现用于公共利益。我们必须积极参与并说服公众，确保他们理解这些举措的合理性。

我想就苏西的问题补充一点，这也部分涉及到您的问题。今天我们的讨论中涉及了许多关于成功标准和科学家激励措施的话题。你们都获得了诺贝尔奖这一至高荣誉。你们对于成功的看法有什么改变？我们应该如何影响未来一代的全球科学家，以确保我们获得正确的结果？约翰，您愿意先分享一下看法吗？

在我的科学职业生涯中，有一件对我影响深远的事，那就是体验到团队合作在科学研究中的力量与乐趣。我曾在 Google DeepMind 有过这样的经历，也在攻读博士学位之前经历过类似体验。博士研究相对来说较为孤独，因为它要求我们专注于特定的个人课题。我深刻体会到了团队合作的重要性，因为它不仅能激发动机，还使科学研究变得更加有趣。

虽然科学研究过程中常常充满失败，但正是那些偶尔取得的重大成功令人振奋。 或许 Demis 已经让科学研究更加系统化，但实际上，鼓励团队合作至关重要，因为这可以激发动机，促进更好的科学研究，并增加其趣味性。如果科研过程中没有乐趣，人们可能就不会去从事。而所有伟大的科学家似乎都在享受他们的研究过程。

我完全同意。当我回顾自己的职业生涯时，对我培养的学生及他们目前的工作感到无比喜悦和自豪，这种满足感无法用语言形容。此外，我想谈谈另一个问题。你之前提到了关于非洲科学家及有志于科学研究的年轻人的话题，我对此非常骄傲。因为创新基因组研究所目前在肯尼亚进行着持续性的工作。

我们已经连续三年前往肯尼亚的不同地区，与当地的科学家合作，帮助他们深入理解 CRISPR 技术。令我特别振奋的是，这些当地科学家返回社区后，能够与学生们合作，激发他们的兴趣，并在自己的实验室里展开有趣且富有创造性的科学研究。我希望能看到更多这样的活动。我认为这是一个非凡的机会。同时，Google 正在推进的一些项目也让我非常兴奋，我觉得这是一个大家携手合作的巨大机会。

越来越多的人因追随自己的好奇心而获得回报，他们这样做是为了探索新的可能性、进行创新以及创造性地解决问题。这种趋势反映出对独特想法和多元化视角的需求，并推动个人和组织的进步。

在此，我想对这个观点稍作补充。在当今的大数据时代，我们有时对数据的要求并不够严谨，往往只需简单地汇报大量数据即可。一些期刊，特别是知名期刊，似乎经常报道大规模的数据集。

然而，在大数据的背景下，我认为创造力值得特别关注。 因为在这种情况下，创造力容易被忽视，但实际上，如果我们采用创造性的方法，大数据中蕴藏着巨大的机会。我们需要思考什么是创造力？虽然我本可以对此展开讨论，但在此先告一段落，因为话题接近尾声。我们必须鼓励同事和学生进行创造性思考，这与仅仅收集数据有所不同。然而，采用创造性的方法，庞大的数据确实可以带来价值。

有很多话题可以探讨，但时间有限。我相信关于创意的讨论会很有趣，或许下次我们可以专门举办一个小组讨论。不过，现在我还是先回答几个问题。在激励下一代方面，我的偶像之一是费曼。他不仅因杰出的物理学成就而闻名，更让我深受启发的是他为普通读者写的书。

我认为所有学生都应该阅读这些书，比如《别闹了，费曼先生》和《发现的乐趣》。这些书比我读过的任何其他书籍都更好地展现了站在知识前沿的兴奋，以及这意味着什么。即使现在谈起这些，我仍感到无比激动。这种激动在我十岁或十一岁时就深植于心。我认为让学生体会到科学的奇妙与乐趣是一件了不起的事情，而费曼就是在实现卓越科学成就的同时，也享受其中乐趣的人之一，他是一个很好的榜样。

感谢大家的参与，非常感谢。每当 Demis 在场，话题总是丰富多彩、让人应接不暇。我们谈到了常温超导体、核孔复合体、分子注射器，提到了可降解塑料的酶、药物设计，甚至扑克牌的诈唬策略。然而，今天令我印象最深的是在人工智能时代成为一名科学家意味着什么。

本次活动由皇家学会联合举办。皇家学会成立于那个独立伟大学者“站在巨人肩膀上”的时代。但我认为，或许我们必须接受一个现实：独行天才的时代真的结束了。面对诸如气候变化、能源危机、疾病以及对宇宙的理解等重大挑战，我们需要的是能够跨越传统学科界限的优秀科学家组成的大团队。

政治比以往任何时候都更需要科学，而我认为，整个世界也是如此。我们需要公共机构、政府、医疗服务提供者与私营部门之间的合作。因为创新不仅由人推动，而且是为了人而进行。

来源：心的希望538