Demis Hassabis 谈数字生物学、AlphaFold 与经典计算的界限

Matthew Berman 介绍 Demis Hassabis 对“数字生物学”的愿景，并询问 AI 可能如何改变科学发现。他播放这位 Google DeepMind 首席执行官的诺贝尔演讲片段，思考为什么某些问题特别适合 AI。

Hassabis 提出三个有用条件：庞大的组合搜索空间、可供优化的明确目标或指标，以及大量数据，或者能生成相关合成数据的准确、高效模拟器。这些是他所讨论方法的实用条件，并不保证满足条件的每个问题都能解决。

Berman 以围棋为例。围棋有数量庞大的可能局面、明确的胜负信号，以及电脑可以生成对局的环境。这些特点让穷举搜索不切实际，却使学习和引导式搜索具有吸引力。

讨论转向蛋白质。Hassabis 将其描述为纳米尺度的生物机器，参与从肌肉运动到神经元活动的各种过程。氨基酸序列折叠成三维结构，了解结构可以帮助科学家研究功能、疾病和潜在药物。

Berman 描述了预测蛋白质结构这一长期挑战，并提到 Folding@home 的分布式计算。他说 AlphaFold 基本解决了这一问题。它的影响确实很大，但这种简略说法不应理解为所有折叠路径、动态过程、相互作用或生物功能都已解决；预测可能存在不确定性，往往需要实验验证。

视频包含与 Emergence AI 的付费合作。Berman 介绍了其多智能体编排和网页自动化，包括与菜单、表单及文档交互，以及托管和私有云选项。有关可靠性、隐私和恢复能力的说法是赞助商的产品主张，并非独立测试。

Hassabis 展示了一张 CASP 图表，比较历届评估中的蛋白质结构预测。AlphaFold 2 在 CASP14 中取得显著进步。DeepMind 报告称，在这些测试目标上，GDT 分数中位数为 92.4；GDT 是特定基准中的结构相似度指标，并不意味着所有蛋白质预测或生物学结论有 92.4% 正确（[DeepMind](https://deepmind.google/blog/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology/)）。

Hassabis 认为，生物学可以看作极其复杂的信息处理系统。在他看来，AI 或许能为生物现象提供有用的描述语言，类似数学在物理学中的作用。他将 AlphaFold 视为未来数字生物学时代可能的早期佐证，而非生物学已经完全建模的证据。

Hassabis 介绍 Isomorphic Labs，称其尝试在 AlphaFold 基础上用 AI 重新构思药物发现。他希望发现过程最终能从数年缩短到数月甚至数周。Berman 对这种可能性感到兴奋，但这个时间表是一种愿景，并非已经证实的交付计划；实验和临床验证仍然必要。

Hassabis 还介绍了一个长期梦想：模拟完整的虚拟细胞，超越单个蛋白质或少量相互作用，为实验人员提供有用预测。Berman 回忆了此前模拟蠕虫的例子，并设想测试细胞与药物或病毒的相互作用。能够完整预测人类细胞的模拟是一种未来能力设想，而非演讲已经确立的成果。

Berman 转向量子计算，将其与使用比特的经典设备进行比较。他提到 Google 的 Willow 芯片及其纠错结果。在报告的实验中，扩大特定纠错码的规模降低了逻辑错误率；这一里程碑本身并不能证明通用、容错且可投入生产的量子计算已经实现（[Google Quantum AI](https://blog.google/innovation-and-ai/technology/research/google-willow-quantum-chip/)）。

Hassabis 询问，如果事先投入大量计算，为问题构建有用模型，经典计算能取得什么成果。他认为这样的模型可能使某些解空间更容易探索。这是一种研究直觉，并非预计算与学习能让任意困难问题都变得高效的普遍证明。

Hassabis 提出一个较宽泛的猜想：经典学习算法也许能高效发现并建模自然界中的模式，同时他将整数分解等抽象任务区分开来。他推测，对某些量子系统建模可能影响复杂性理论和基础物理学。他的幻灯片明确将此称为猜想；它既没有证明普遍的高效率主张，也没有解决 P 与 NP 问题。

Berman 将这一想法解读为：先投入计算创建预测模型，帮助经典计算机处理此前困难的问题。他最后表达了对个人智能体、科学发现、数学、游戏和媒体的乐观态度，但这些例子仍是未来的可能性，而非该猜想经过验证的成果。