共计 2921 个字符，预计需要花费 8 分钟才能阅读完成。
没有人会指责 Demis Hassabis 的梦想过于保守。2016 年，他联合创立的公司 DeepMind 震惊了世界，当时该公司开发的人工智能模型在策略游戏围棋中击败了最佳人类玩家。随后，Hassabis 将目光投向了更高的目标：2019 年，他告诉同事，他的目标是用公司的 AI 工具赢得诺贝尔奖。
Hassabis 和 DeepMind 的 John Jumper 仅用了五年时间就实现了这一目标，他们因开发了彻底改变蛋白质结构预测的 AI 工具 AlphaFold 而分享了 2024 年诺贝尔化学奖。AlphaFold 只是 DeepMind 在过去十年中取得的一系列科学成就之一。2010 年，Hassabis 作为神经科学家和游戏开发者联合创立了该公司，他表示自己的目标是“在工业界建立一个世界级的科学研究实验室”。在这一追求中，该公司试图将科学方法应用于 AI 的开发，并通过预见风险和减少潜在危害来以道德和负责任的方式进行开发。据媒体报道，建立 AI 伦理委员会是该公司在 2014 年被谷歌以约 4 亿美元收购的协议条件之一。
如今，Google DeepMind 正试图在其他科学领域复制 AlphaFold 的成功。“我们现在将 AI 应用于几乎所有其他科学领域，”Hassabis 表示。
但自 2022 年 ChatGPT 发布以来，科学与工业结合的环境发生了巨大变化——Hassabis 称这一事件为“觉醒时刻”。聊天机器人和支持它们的大型语言模型（LLMs）的到来，导致了 AI 在社会各界的广泛应用，以及越来越多资金充足的竞争对手争相实现人类水平的人工通用智能（AGI）。
Google DeepMind 现在正竞相每周发布商业产品——包括其 Gemini LLMs 的迭代版本——同时继续进行机器学习研究并开发特定于科学的模型。几位前员工表示，这种加速使得负责任地开发 AI 变得更加困难，一些员工对公司更加商业化的前景感到不满。这一切都引发了关于 DeepMind 未来发展方向的问题，以及它是否能在其他科学领域取得突破性成功。
在 Google DeepMind 位于伦敦国王十字技术中心的时尚总部，闪闪发光的几何雕塑和浓缩咖啡的香气弥漫在接待大厅。时间如此宝贵，以至于全球员工——估计在 500 到 1000 人之间——可以拿起滑板车在几百米的距离内从一个办公室快速滑到另一个办公室。
这与公司最初的谦逊起源相去甚远，当时该公司试图通过融合神经科学和机器学习的理念来构建通用 AI 系统。“他们绝对是超级天才，”柏林 Hertie School 的计算机科学家和 AI 伦理研究员 Joanna Bryson 表示。“他们是那 12 个大家都想要的人。”
该实验室开创了深度学习 AI 技术，该技术使用模拟神经元在学习现实世界示例后学习数据中的关联，以及强化学习，即模型通过试验、错误和奖励进行学习。在 2015 年将这些技术应用于教授模型如何玩街机游戏，并在 2016 年掌握古老的围棋游戏后，DeepMind 将其目光转向了第一个科学问题——从构成蛋白质的氨基酸中预测蛋白质的 3D 结构。
Hassabis 首次接触到蛋白质结构的难题是在 1990 年代在英国剑桥大学读本科时，并注意到这是一个 AI 有朝一日可能帮助解决的问题。AI 学习技术需要一个示例数据库以及指导模型进展的明确成功指标。由于有一个长期存在已知结构的数据库和一个评估预测准确性的既定竞赛，蛋白质两者兼备。
蛋白质折叠为 Hassabis 勾选了一个关键框：它是一个“根节点”问题，一旦解决，就会打开下游研究和应用的分支。他说，这类问题“值得花费五年或十年的时间，以及大量的计算机和研究人员”。
DeepMind 于 2018 年发布了 AlphaFold 的第一个迭代版本，到 2020 年，其性能远远超过了其他团队的工具。如今，DeepMind 的衍生公司 Isomorphic Labs 正试图将 AlphaFold 用于药物发现。DeepMind 的 AlphaFold 数据库包含超过 2 亿个蛋白质结构预测，已被用于一系列研究工作中，从改善蜜蜂免疫力以应对全球人口下降带来的疾病，到筛选抗寄生虫化合物以治疗查加斯病，这是一种可能危及生命的寄生虫感染。
科学不仅仅是需要解决的问题的来源；该公司试图以科学的方式处理其所有 AI 开发，负责公司科学工作的 Pushmeet Kohli 表示。研究人员倾向于回到每个问题的第一原理并尝试新技术，他说。许多其他 AI 公司的员工更像工程师，应用创造力但不进行基础发现，伦敦 AI 公司 Orbital Materials 的首席执行官 Jonathan Godwin 表示，他在 2022 年底之前曾是 Google DeepMind 的研究员。
但复制 AlphaFold 的成功将很困难：“没有多少科学努力像那样工作，”Godwin 表示。
Google DeepMind 正在将其资源投入到几个它认为 AI 可以加速开发并可能具有“变革性影响”的问题上，Kohli 表示。这些包括天气预报和核聚变，后者有潜力成为一种清洁、丰富的能源。该公司通过严格的筛选过程选择项目，但个别研究人员可以选择从事哪个项目以及如何解决问题，他说。处理这些问题的 AI 模型通常需要专门的数据和研究人员将知识编程到其中。
Kohli 表示，一个有前景的项目是 AlphaGenome，该项目于 6 月启动，试图解读人类非编码 DNA 的长片段并预测其可能的功能。但这一挑战比 AlphaFold 更难，因为每个序列会产生多个有效功能。
材料科学是该公司希望 AI 能够带来革命性变化的另一个领域。材料很难建模，因为原子核和电子的复杂相互作用只能近似。DeepMind 通过从模拟结构数据库中学习，开发了其 GNoME 模型，该模型在 2023 年预测了 40 万种潜在的新物质。现在，Kohli 表示，团队正在使用机器学习开发更好的方法来模拟电子行为，这些方法是从示例交互中学习的，而不是依赖于物理原理。最终目标是预测具有特定性质的材料，如磁性或超导性，他说。“我们希望看到 AI 基本上可以设计任何具有任何神奇性质的材料，如果可能的话，”他说。
AI 模型有各种已知的安全问题，从被用于制造生物武器的风险到延续种族和性别偏见，这些问题在将模型发布到世界时变得突出。Google DeepMind 有一个专门的责任和安全委员会，该委员会在公司内部工作，并在每个主要开发阶段进行咨询，负责“影响加速器”的 Anna Koivuniemi 表示，该加速器旨在搜索社会中 AI 可能产生影响的领域。委员会成员对想法进行压力测试，看看可能出现什么问题，包括通过外部咨询。“我们非常非常认真地对待它，”她说。
该公司的另一个优势是其研究人员正在追求世界最终想要的 AI 类型，Godwin 表示。“人们并不真的希望自己的随机视频被生成并放在社交媒体网络上；他们想要无限的能源或疾病的治愈，”他说。
但 DeepMind 现在在将 AI 用于科学的追求中有了竞争对手。一些最初开发 LLMs 的公司似乎正在转向 Hassabis 的 AI 用于科学的愿景。在过去的两个月里，OpenAI 和位于巴黎的 AI 公司 Mistral 都创建了专门用于科学发现的团队。
对于 AI 公司和研究人员来说，OpenAI 在 2022 年发布的 ChatGPT 改变了一切。它的成功“对每个人来说都非常令人惊讶”，Hassabis 表示。
