导语
在本次GAGATalk访谈中，Google DeepMind首席执行官、诺贝尔化学奖得主Demis Hassabis回顾了他如何从一个痴迷于国际象棋和早期计算机的少年，一步步走向用人工智能解决科学难题的道路。他重点讲述了团队开发AlphaGo击败围棋世界冠军的里程碑，以及如何将游戏AI中积累的经验迁移，最终创造出AlphaFold，一举解决了困扰生物学界50年之久的蛋白质结构预测问题。这场分享不仅揭示了AI在科学研究中的巨大潜力，也描绘了通往“数字生物学”未来的清晰路径。
Demis Hassabis：从游戏AI到AlphaFold的数字生物学革命
Google DeepMind CEO Demis Hassabis在GAGATalk中分享了从国际象棋神童到用AI解决蛋白质折叠问题的历程。他讲述了AlphaGo如何通过自我学习突破围棋，以及AlphaFold如何结合多学科创新解决蛋白质结构预测的50年难题。他提出AI可能成为描述生物学的理想语言，开启了“数字生物学”时代，并展望了AI在科学研究中的巨大潜力与责任。
大纲与深读 8 章
展开「深读」看每一段讨论的问题与论据。
01
个人经历与AI启蒙
- 四岁开始下国际象棋，对思考过程本身产生兴趣
- 九岁接触早期国际象棋计算机，被机器下棋的能力所吸引
- 十一岁在Amiga 500上编写首个AI程序（黑白棋），首次体验创造智能体的成就感
深读这一段
讨论的问题：是什么个人经历和早期兴趣将演讲者引向了人工智能领域？
论据 / 案例：演讲者九岁接触Fidelity Chess Challenger国际象棋计算机；十一岁在Amiga 500电脑上编写了第一个AI程序（黑白棋），该程序击败了他五岁的弟弟。
02
游戏作为AI研究基石
08:00- 2010年成立DeepMind，以构建通用人工智能（AGI）为使命
- 选择游戏作为AI的试验场，因其易于生成数据、自我对弈和设定明确目标
- 围棋因其极高的复杂性（10^170种可能局面）被视为游戏AI的巅峰
深读这一段
讨论的问题：为什么游戏是发展早期AI系统的理想环境？
论据 / 案例：围棋的可能局面数量（10^170）比宇宙中的原子还多；AlphaGo在2016年以4:1击败了围棋世界冠军李世石。
03
AlphaGo的突破与自我学习
08:20- AlphaGo通过与自身进行数百万局对弈进行自我学习，不断改进策略
- 系统通过神经网络模型评估局面，高效搜索可能性空间中的最优路径
- 2016年击败李世石是现代AI的分水岭，证明了学习系统能解决被认为难以处理的问题
深读这一段
讨论的问题：AlphaGo是如何掌握围棋这项极其复杂的博弈的？
论据 / 案例：AlphaGo在2016年挑战赛第二局中下出了人类棋手从未见过的“第37手”，并最终凭借此步赢下比赛。
04
蛋白质折叠问题的挑战
13:00- 蛋白质是生命的基石，其三维结构决定功能，对理解疾病和药物研发至关重要
- 蛋白质折叠问题：能否仅从一维氨基酸序列预测其三维结构？
- Levinthal悖论指出，一个典型蛋白质可能有10^300种构象，穷举计算远超宇宙寿命
深读这一段
讨论的问题：为什么蛋白质结构预测被称为科学界的“50年难题”？
论据 / 案例：一个典型蛋白质可能存在的构象数量约为10^300；实验确定一个蛋白质结构可能耗时数月甚至数年。
05
AlphaFold的技术路径与成就
16:00- AlphaFold 2采用混合架构，整合了超过十几项创新，结合了进化、物理约束与机器学习
- 在CASP14竞赛中达到原子级精度（平均误差小于1埃），被宣布基本解决了该问题
- 系统通过迭代循环步骤（如192步）逐步精炼预测结构，最终输出高精度三维模型
深读这一段
讨论的问题：AlphaFold 2是如何实现原子级精度预测的？
论据 / 案例：AlphaFold 2在CASP13（2018年）首次引入机器学习并登顶；在CASP14中达到原子精度，其预测结构（蓝色）与实验结构（绿色）高度重合。
06
开放成果与科学影响
20:00- 开源AlphaFold并构建蛋白质结构数据库，免费向全球超过200万研究人员开放
- 数据库收录了科学界已知的约2亿个蛋白质的预测结构
- 被用于塑料污染治理（设计新酶）、研究被忽视的疾病、解析核孔复合物结构等众多领域
深读这一段
讨论的问题：AlphaFold的开放使用对科学界产生了哪些具体影响？
论据 / 案例：超过200万研究人员使用了AlphaFold；论文被引用超过3万次；数据库涵盖了约2亿个蛋白质的预测结构。
07
AI驱动科学新范式
24:00- 提出“数字生物学”概念，认为AI可能成为描述复杂生物系统的理想语言
- AlphaFold 3实现重大进展，能建模蛋白质与蛋白质、RNA、DNA及配体的相互作用
- AI方法可迁移至其他科学领域，如药物发现、材料科学、气象预测和数学
深读这一段
讨论的问题：AlphaFold的成功预示了AI在科学研究中的何种新范式？
论据 / 案例：成立Isomorphic Labs公司，旨在利用AI从根本上重塑药物发现流程；AlphaFold 3能模拟多种生物大分子间的动态相互作用。
08
AI的未来与责任
28:00- 提出猜想：自然界的任何模式或结构或许都能被经典学习算法高效发现和建模
- 指出AI是双刃剑，必须负责任地开发，以造福全人类
- 将AGI（通用人工智能）的潜在影响力与火或电的发明相提并论，强调其需要格外谨慎的引导
深读这一段
讨论的问题：在推动AI科学应用的同时，演讲者对AI的未来发展提出了哪些重要思考？
论据 / 案例：演讲者猜想，自然界中可被发现的模式或许能被经典计算高效建模，这可能对复杂性理论（如P vs NP）和信息论产生影响。
金句
- "I was fascinated by the fact that someone had actually managed to program this inanimate piece of plastic to play chess well against me." —— 我着迷于这样一个事实：竟然有人能让这块无生命的塑料棋盘和我好好下棋。
- "AlphaFold is not only very accurate, but it's also very fast. We quickly realized that it was fast enough to actually practically be able to fold all proteins known to science." —— AlphaFold不仅非常精确，而且速度极快。我们很快意识到，它的速度足以在实际中折叠已知的所有科学蛋白质。
- "I think AI may be potentially the perfect description language for biology." —— 我认为AI可能是描述生物学的完美语言。
- "If we're able to steward this technology safely through, then I think AGI could end up being the ultimate general purpose tool to help us understand the universe around us and our place in it." —— 如果我们能够安全地引导这项技术，那么我认为通用人工智能最终将成为帮助我们理解宇宙及自身位置的终极通用工具。
