DeepMind CEO哈萨比斯：咱们将看到一种全新的科学复

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />

　　文 | Will D. Heaven

　　来历：DeepTech深科技　　

　　近来，《麻省理工科技谈论》独家专访了 DeepMind 的 CEO 兼联合创始人戴密斯·哈萨比斯（Demis Hassabis），从他的学生时代聊到创业进程，亦从 AlphaGo 聊到了 AlphaFold。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />图 | 戴密斯·哈萨比斯（Demis Hassabis）（来历：《麻省理工科技谈论》）

　　尽管 AlphaFold 在 2021 年名声大噪，但很明显这是哈萨比斯的起点，而不是结尾。他对《麻省理工科技谈论》说：“咱们将看到一种全新的科学复兴，这些 AI 技能将持续变得愈加杂乱，并被运用到广泛的科学范畴。跟着 AI 浪潮的鼓起，更多的问题将变得能够处理。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（来历：《麻省理工科技谈论》）

　　如他所言，2 月 16 日，DeepMind “果然”发布了 AI 用于核聚变的新效果。当天，该公司与瑞士等离子体中心（Swiss Plasma Center，SPC）宣告，两边练习出一种深度强化学习算法，可用于核聚变研讨中的等离子体磁操控。

　　相关论文以《经过深度强化学习对托卡马克等离子体进行磁操控》（Magnetic control of tokamak plasmas through deep reinforcement learning）为题宣布在 Nature 上 [1]。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（来历：Nature）

　　据悉，氢原子在极高温下产生一个旋转、搅动的等离子体，托卡马克运用强壮的磁场将等离子体约束在数亿摄氏度温度下，乃至要高于太阳中心温度，然后进行核聚变产生研讨。

　　值得一提的是，SPC 的托卡马克较为特别，它答应各种等离子体装备，因而得名可变装备托卡马克（variable-configuration tokamak，TCV）。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />图 | 包含等离子体的 TCV 3D 模型，周围是各种磁线圈（来历：DeepMind & SPC/EPFL）

　　托卡马克经过一系列磁线圈构成并坚持等离子体，这些线圈的设置，特别是电压，有必要细心操控。否则，等离子体或许与管壁磕碰并恶化。为了避免这种状况产生，SPC 的研讨人员首要在仿照器上测验他们的操控体系装备，然后再实践运用到 TCV 上。

　　“咱们的仿照器依据 20 多年的研讨，并不断更新，”SPC 科学家兼该研讨的合著者费德里科·费利奇（Federico Felici）说，“但即便如此，依然需求长期的计算来确认操控体系中每个变量的正确值。”

　　核聚变研讨打破的一个要害便是发现操控等离子体的智能办法。这给了 DeepMind 大展身手的空间。DeepMind 的专家开发了一种 AI 算法，在仿照中测验许多不同的操控战略。

　　依据收集到的经历，该算法生成了一种操控战略，以产生所需的等离子体装备。等离子体的装备与其在设备中的形状和方位有关。这意味着科学家能够用它来研讨约束和操控等离子体的新办法。

　　据介绍，DeepMind 首要运用该算法运转许多不同的设置，并剖析每个设置产生的等离子体装备。然后，该算法被要求以另一种办法作业 - 经过辨认正确的设置来产生特定的等离子体装备。

　　经过练习后，依据 AI 的体系能够创建和保护各种等离子体形状和高档装备，包含一起在容器中保护两个独立等离子体的装备。并在 SPC 的仿照器上进行练习。

　　终究，研讨小组直接在托卡马克上测验了他们的新体系，以下为体系在实际世界条件下的体现。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />动图 | 运用强化学习操控器生成的各种不同等离子体形状（来历：DeepMind & SPC/EPFL）

　　SPC 主任安布罗焦·法索利（Ambrogio Fasoli）说，这代表了“重要的一步”，或许会影响未来托卡马克的规划，乃至加速通往可行聚变反响堆的路途。

　　“从我的感受看，托卡马克仿照器很重要，一般的托卡马克试验参数都是有运转人员依据前史数据和经历给出的，很有或许由于各种原因限制在一些小的局域最优化参数上，用托卡马克仿照器+强化学习，的确有或许探求到一般人类不曾想到或许不敢测验的参数空间，这关于发掘现有聚变设备的潜力很有含义。”国内一位专家表明。

　　DeepMind 的成果尽管含义严重，但仅仅迈向可行的聚变动力的一步。托卡马克的状况每天都在改动，需求在物理和仿照中进行算法改善。关于核聚变能何时准备好商业化也存在不确认性。估量从 20 年到 30 年不等，这还不包含扩展规划。这或许是一个长达数十年的后续进程。

　　尽管如此，DeepMind 断语，人工智能能够协助加速聚变能的上市之路。DeepMind 的乔纳斯·布赫利（Jonas Buchli）在简报中说：“咱们信任人工智能是人类发明力的倍增器，敞开了新的探求范畴，使咱们能够充分发挥潜力。人工智能体系正变得满足强壮，能够运用于许多实际世界的问题，包含科学发现自身。”

　　这一切或许能够从 2016 年 3 月谈起，在韩国首尔，DeepMind 的 CEO 兼联合创始人戴密斯·哈萨比斯（Demis Hassabis）见证了该公司的 AI 技能所发明的前史。

　　许多人以为围棋是世界上最杂乱的棋盘游戏，需求几年的时刻才干把握。但是，AlphaGo，一个受练习后把握陈旧棋盘游戏围棋的计算机程序，与其时围棋界世界排名第二的韩国尖端作业选手李世石进行了五场竞赛。

　　李世石赛前猜测他将以“压倒性的优势”打败 DeepMind 的 AI。但是，AlphaGo 终究以 4-1 取胜，它的成功一起震动了围棋界和 AI 专家，改动了世界对 AI 才能的观点。

　　不过，当 DeepMind 团队在庆祝取胜时，哈萨比斯现已在考虑一个更大的应战。他记住其时他与牵头开发 AlphaGo 的大卫·西尔弗（David Silver）站在庆祝现场的后台：“我对他说，‘现在是时分了。’”

　　猜测蛋白质的结构：半个世纪的未解难题

　　看着 DeepMind 的 AI 下围棋，哈萨比斯意识到该公司的技能现已准备好应对生物学中最重要和最杂乱的难题之一：猜测蛋白质的结构，这是一个 50 年来科研人员一向企图处理的难题。

　　蛋白质的三维（3D）结构决议了它们在体内的行为和相互效果，但是很多重要的蛋白质依然具有生物学家不知道的结构。蛋白质是许多药物的首要靶点，也是新疗法的要害成分，快速解锁它们的结构将加速新疗法和疫苗的开发。如能运用 AI 准确地猜测它们，将为人们了解癌症和新冠肺炎等疾病供给名贵的东西。

　　2020 年，Alphabet 旗下的 DeepMind 发布了 AlphaFold2，这是一种能将蛋白质的形状猜测到挨近原子规范的 AI 东西。哈萨比斯说：“这是咱们做过的最杂乱的作业。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（来历：DeepMind 官网）

　　AlphaFold 的成功亦是一个更雄伟故事的一部分，其标志着 DeepMind 的发展方向已然产生改动。该公司的作业重点从游戏转向科学，以期对实际世界产生更大影响。处理科学问题是哈萨比斯想要完成的方针，他也期望借此“一朝成名全国知”。他说：“这便是我创建 DeepMind 的原因。事实上，这便是为什么我的整个作业生涯都在 AI 范畴。”

　　25 年来，哈萨比斯一向在时断时续地“考虑”蛋白质。20 世纪 90 时代，当他仍是剑桥大学的一名本科生时，他就触摸到了这个问题。哈萨比斯说：“我的一个朋友对这个问题很入神，他会捉住任何时机（在酒吧里或许打台球的时分）跟我说，假如咱们能破解蛋白质折叠，这将是生物学的革新。他的热情一向让我不能放心。”

　　这位朋友叫蒂姆·史蒂文斯（Tim Stevens），现在是一名研讨人员，在剑桥大学从事蛋白质结构研讨作业。史蒂文斯说：“蛋白质是使地球生命正常作业的分子机器”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（来历：《麻省理工科技谈论》）

　　简直咱们身体做的一切作业都会用到蛋白质：它们消化食物、缩短肌肉、激起神经元、勘探光线以及增强免疫反响等等。因而，了解单个蛋白质的效果，关于了解身体是怎么作业的、当它们不作业时会产生什么、以及怎么修正它们至关重要。

　　蛋白质由一串氨基酸组成，这些氨基酸经过化学力折叠成一个杂乱的既歪曲、又旋转的结，所生成的 3D 形状决议了它的效果。

　　例如，血红蛋白是一种在体内运送氧气并使血液呈赤色的蛋白质，它的形状像一个小袋子，这让它能捕获肺部的氧气分子。而 SARS-CoV-2 病毒的刺突蛋白结构，使其能附着在细胞上。

　　问题在于，很难从一串氨基酸中找出蛋白质的结构以及功用，一条打开的氨基酸串有 10300 种或许的方法，这是与围棋游戏中一切或许走法的规划适当。

　　在试验室中，运用 X 射线晶体学等技能来猜测蛋白质结构是一项艰苦的作业。很多博士都在研讨单一蛋白质的折叠。

　　CASP（Critical Assessment of Structure Prediction，结构猜测要害评价）竞赛成立于 1994 年，该竞赛历时已久，其旨在经过每两年让计算机化猜测办法相互竞争来加速研讨速度。但是，没有任何一种技能能到达试验室作业的准确性。到 2016 年，相关作业进展现已阻滞了十年。

　　2016 年，AlphaGo 获得成功后的几个月内，DeepMind 雇佣了一些生物学家，并成立了一个小型跨学科团队来处理蛋白质折叠问题。他们研讨的技能在 2018 年初次被人所知，其时 DeepMind 以明显优势打败了其他技能，赢得了 CASP 13 竞赛的奖项。

　　但是在生物学世界之外，很少有人注意到。当 AlphaFold2 两年后面世时，状况产生了改动。AlphaFold2 赢得了 CASP 竞赛，标志着在猜测蛋白质结构上，AI 以和试验室出产模型的精度差错规模，初次缩小到只要一个原子的宽度，生物学家对它的超卓体现感到震动。

　　哈萨比斯说，在首尔观看 AlphaGo 竞赛时，他想起了一款名为 FoldIt 的在线游戏，这是一款华盛顿大学蛋白质研讨人员大卫·贝克（David Baker）领导的团队在 2008 年发布的游戏。FoldIt 要求玩家以不同的办法折叠蛋白质结构，在屏幕上以 3D 图画的方法呈现。游戏背面的研讨人员期望，跟着很多人参加该游戏，一些关于某些蛋白质或许形状的数据或许会呈现。是的，它见效了，FoldIt 玩家乃至为一些新发现做出了奉献。

　　二十多岁时，哈萨比斯在麻省理工学院做博士后时玩过这款游戏，让他感到震动的是，人类的根本直觉能够带来真实的打破，无论是在围棋中走一步棋，仍是在 FoldIt 中找到一种新的装备。

　　哈萨比斯说：“我在想咱们实践上对 AlphaGo 做了什么。咱们仿照了令人难以置信的围棋大师的直觉。我想，假如咱们能够仿照围棋中那种恍然大悟的感觉，那么为什么咱们不能将其带入到蛋白质中呢?”

　　在某种程度上，这两个问题并没有太大不同。就像围棋相同，蛋白质折叠是一个极端杂乱的组合问题，这是暴力计算办法无法比拟的。围棋和蛋白质折叠的另一个共同之处是，能够获得关于怎么处理问题的很多数据。

　　其间，AlphaGo 运用了自己在曩昔堆集的经历；AlphaFold 运用了蛋白质数据库中现有的蛋白质结构（蛋白质数据库是一个世界数据库，包含了生物学家几十年来不断添加的已处理的结构）。

　　另据悉，AlphaFold2 运用注意力网络（Attention Networks），这是一种规范的深度学习技能，能够让 AI 专心于输入数据的特定部分。这项技能支撑着像 GPT-3 这样的言语模型，它将神经网络导向语句中的相关单词。类似地，AlphaFold2 被导向序列中的相关氨基酸，例如在折叠结构中或许在一起的氨基酸对。

　　史蒂文斯说：“他们把生物学家几十年来一向在推进的一切东西结合在一起，然后在 AI 范畴轻松打败了参加 CASP 的其他技能。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（来历：DeepMind 官网）

　　AlphaFold 已被用于各类研讨

　　曩昔一年里，AlphaFold2 的影响力逐步扩展。DeepMind 现已发布了该体系的具体作业原理，并发布了源代码。该公司还与欧洲生物信息学研讨所（European Bioinformatics Institute）建立了一个公共数据库，该数据库正在填充 AI 猜测的新的蛋白质结构，现在有大约 80 万个条目，DeepMind 表明下一年将添加超越 1 亿个条目——简直是科学已知的一切蛋白质。

　　英国 AI 药物研制公司 Exscientia 的首席科学家、牛津大学蛋白质信息学试验室负责人夏洛特·迪恩（Charlotte Deane）表明，许多研讨人员仍未彻底了解 DeepMind 的成果。迪恩也是 DeepMind 去年在科学期刊 Nature 上宣布 AlphaFold 的论文的审稿人之一，她说：“它改动了你能够问的问题。”

　　世界各地的一些团队现已开端在抗生素耐药性、癌症和新冠病毒等研讨中运用 AlphaFold。费城福克斯蔡斯癌症中心的罗兰·邓布拉克（Roland Dunbrack）是前期运用者之一，其领导的团队多年来一向在运用计算机猜测蛋白质结构。

　　AlphaFold 为邓布拉克的作业带来了史无前例的准确性，他说：“它们满足准确，能够做出生物学判别，解说癌症基因的骤变。咱们之前一向测验用电脑生成模型，但常常犯错。”

　　邓布拉克说，现在当搭档们请他为蛋白质建模时，他对他所供给的东西更有决心了。他说，“（否则）我真的很严重，忧虑他们会回来找我说，‘咱们的钱都吊水漂了，你的模型很糟糕——它没有用。’”

　　邓布拉克