标签：科学发现
共 4 篇相关访谈。
前DeepMind科学家曹原：AI for Science爆发，人类角色何在
前DeepMind科学家曹原在《硅谷101》访谈中深度剖析了AI for Science爆发的技术背景、核心挑战与未来前景。他认为，AI正从代码、数学能力外溢到更广泛的科学发现领域，但形成“模型到实验”的闭环、确保可解释性与验证能力仍是关键瓶颈。人类在问题定义与价值判断上的角色不可或缺，AI科学发现距离诺贝尔级成果可能还需二三十年，其本质是推动AI本身能力跃迁的强大驱动力。
C曹原前Google DeepMind资深研究科学家，Onri Labs AI联合创始人
D
AI科研的验证困境：为何RLVR可能难以突破大科学发现
本文探讨了强化学习验证（RLVR）在科学发现领域的应用局限。核心论点在于，科学理论的验证周期极长（可达数十年甚至数世纪），且更优理论在初期可能做出更差的预测，这使得为大概念性突破设计RL训练循环异常困难。文章通过哥白尼革命、海王星发现等历史案例，论证了科学进步中判断、启发式及“不合理坚持”的关键作用，并指出AI科学家社会仍需保留具有特异性偏见的个体实例来维持多样化的研究议程。
DDwarkesh Patel播客主持人
德米斯·哈萨比斯：自然可建模，AGI是终极科学工具
DeepMind CEO德米斯·哈萨比斯在访谈中提出，自然中经演化形成的系统都可被经典算法高效建模。他畅谈了AlphaFold系列、Veo视频生成中的物理直觉、用AI构建虚拟细胞的愿景，以及未来AGI可能通过发明新科学猜想来证明自身。
D德米斯·哈萨比斯Google DeepMind CEO
哈萨比斯：AI是科学工具，更是文明分水岭
DeepMind CEO哈萨比斯在普林斯顿高等研究院访谈中，阐述了从游戏AI到科学发现的演进逻辑。他认为游戏是思考的沙盒，而AI的终极目标是成为科学探索的通用工具。他提出了关于自然模式可被高效学习的猜想，并强调在迈向AGI的进程中，建立类似国际原子能机构的新型全球治理框架至关重要。
D德米斯·哈萨比斯Google DeepMind CEO兼联合创始人，2024年诺贝尔化学奖得主