DeepMind CEO哈萨比斯：我们将看到一种全新的科学复兴！今正式公布AI用于核聚变的新成果

独家专访：DeepMind CEO戴密斯·哈萨比斯揭示AI科技的崭新篇章

文 | Will D. Heaven

近日，《麻省理工科技评论》独家专访了DeepMind的CEO兼联合创始人戴密斯·哈萨比斯。从青涩的学生时代到创业历程，从震惊全球的AlphaGo到革命性的AlphaFold，哈萨比斯的每一个步伐都见证了人工智能的巨大进步。

（来源：《麻省理工科技评论》）图 | 戴密斯·哈萨比斯（Demis Hassabis）

尽管AlphaFold在2021年已经声名大噪，但对于哈萨比斯来说，这不过是开始而非终点。在接受《麻省理工科技评论》采访时，他展望了AI技术的未来：“我们将见证一场全新的科学复兴。这些AI技术将持续进化，并被应用到广泛的科学领域。随着AI浪潮的涌起，更多的难题将被攻克。”

果然，在2月16日这一天，DeepMind向世界展示了AI在核聚变领域的重大突破。该公司与瑞士等离子体中心紧密合作，共同研发出一种深度强化学习算法，为核聚变研究中的等离子体磁控制带来了革命性的进展。这一成果不仅印证了哈萨比斯的预见，更展现了人工智能在解决重大科学难题上的巨大潜力。

哈萨比斯的每一个决策和DeepMind的每一项成果都令人瞩目。这位人工智能领域的领军人物正引领着他的团队，用前沿的技术和创新的思维，不断突破人工智能的边界。从AlphaGo到AlphaFold，再到如今的核聚变研究，DeepMind的创新步伐从未停歇。而这一切的背后，都离不开哈萨比斯的深思熟虑和坚定信念。他的故事不仅仅是一个创业者的成功史，更是一部人工智能的辉煌史诗。

标题：《深度强化学习在托卡马克等离子体磁控制中的应用》

最近一项研究通过深度强化学习对托卡马克等离子体进行磁控制的相关论文已经在 Nature 杂志上发表。该研究提出了一种新的方法，使用人工智能技术对等离子体进行精确控制，从而提高了核聚变研究的效率。

氢原子在极高温下产生的旋转、搅动的等离子体是核聚变研究的关键。托卡马克装置使用强大的磁场将等离子体限制在数亿摄氏度的高温下，甚至超过太阳核心的温度。为了精确控制这个过程中等离子体的状态，研究人员需要不断调整磁线圈的电压等参数。

有一种特殊的托卡马克装置名为可变配置托卡马克（TCV），它允许各种等离子体配置。为了更有效地控制TCV中的等离子体，研究人员采用了深度强化学习技术。这项新技术能够在无需人工干预的情况下自动调整磁线圈的参数，以维持等离子体的稳定。

研究团队开发了一种基于深度强化学习的模拟器，该模拟器可以模拟托卡马克中的等离子体行为。研究人员首先在这个模拟器上进行测试，然后将得到的控制系统配置应用到实际的TCV装置上。通过这种方式，他们可以实现等离子体的精确控制，避免其与管壁碰撞并恶化。

这项研究的合著者之一、SPC科学家费德里科·费利奇（Federico Felici）表示：“我们的模拟器基于多年的研究并不断更新，但即便如此，仍然需要花费大量时间计算来确定控制系统中每个变量的正确值。而深度强化学习技术的应用，使我们能够更快速、更准确地找到最优的控制系统配置。”

这项研究不仅为核聚变研究提供了一种新的工具，也为深度强化学习在物理领域的应用开辟了新的道路。未来，我们期待看到更多类似的研究，将人工智能技术与科学研究相结合，推动人类社会的进步。

注：文中图片包含等离子体的TCV 3D模型和磁线圈，由DeepMind和SPC/EPFL联合提供。核聚变研究的新突破中，DeepMind展现了其在人工智能领域的独特优势。在控制等离子体的挑战面前，DeepMind的专家开发了一种先进的AI算法，通过模拟尝试多种不同的控制策略。这种算法根据收集到的经验，生成了一种精准的控制策略，能够产生所需的等离子体配置。等离子体的配置与其在设备中的形状和位置息息相关，这意味着科学家可以借此研究新的限制和控制等离子体的方法。

据了解，DeepMind首先运行了多种不同的设置，并分析了每个设置产生的等离子体配置。随后，该算法被要求以新的方式工作，即识别正确的设置以产生特定的等离子体配置。经过训练后，这个基于AI的系统不仅能够在模拟器中创建和维护各种等离子体形状和高级配置，包括在容器中同时维护两个独立等离子体的配置，还能在托卡马克上展现出强大的现实表现能力。值得一提的是，这个系统在托卡马克上的测试动图展示了其强大的潜力。

在专家眼中，托卡马克模拟器对于探索聚变能源领域具有深远的意义。传统的托卡马克实验参数往往受限于历史数据和经验，可能局限于某些局部优化参数。而结合托卡马克模拟器与强化学习，则有望突破这一局限，探索出人类未曾想到或不敢尝试的参数空间，充分发掘现有聚变装置的潜力。

DeepMind 的成果虽然令人振奋，但仅仅是迈向可行聚变能源的一步。托卡马克装置的状况每天都在变化，需要在物理和模拟中持续进行算法改进。关于核聚变能商业化时间表的问题，仍然存在不确定性，估计需要 20 到 30 年的时间，甚至更长，这还不包括扩大规模所需的时间。

尽管如此，DeepMind 坚信人工智能可以加速聚变能源的上市进程。DeepMind 的乔纳斯·布赫利在简报中表示，人工智能是人类创造力的倍增器，能够开启新的探究领域，使我们充分发挥潜力。人工智能系统已经足够强大，可以应用于许多现实世界的问题，包括科学发现本身。

这一切可以追溯到 2016 年 3 月，那时 DeepMind 的 CEO兼联合创始人戴密斯·哈萨比斯见证了公司 AI 技术创造的历史。当时，AlphaGo 这个经过训练的掌握古老棋盘游戏围棋的计算机程序，与围棋界世界排名第二的韩国顶级职业选手李世石进行了五场比赛。围棋曾被认为是世界上最复杂的棋盘游戏，需要数年的学习和练习才能掌握。AlphaGo 的表现震惊了世界，展示了人工智能在复杂决策任务中的潜力。

如今，DeepMind 和其他研究机构正在利用人工智能探索聚变能源的新领域。虽然路途漫长且充满挑战，但人工智能的加入让我们看到了实现可行聚变能源的曙光。我们期待着这一领域的未来发展，以及人工智能在推动科学进步方面的巨大潜力。李世石赛前预测他会以压倒性的优势击败DeepMind的人工智能，AlphaGo最终以4-1的比分取得了胜利。这场胜利不仅震惊了围棋界和AI专家，还改变了世界对AI能力的看法。

当DeepMind团队在欢庆胜利时，哈萨比斯已经在考虑更大的挑战。站在庆祝现场的后台，他与牵头开发AlphaGo的大卫·西尔弗分享了自己的想法：“现在是时候挑战新难题了。”

那就是预测蛋白质的结构——半个世纪的未解难题。看着DeepMind的AI在围棋盘上展现出惊人的能力，哈萨比斯意识到，该公司的技术已经准备好应对生物学领域最复杂、最重要的难题之一。

蛋白质的三维结构决定了它们在体内的行为和相互作用。许多重要的蛋白质仍然存在着未知的结构。这些蛋白质是许多药物的主要靶点，也是新疗法开发的关键。如果能够快速解锁它们的结构，将大大加快新疗法和疫苗的研发速度。而如果能够使用AI来准确预测这些结构，将为人们了解癌症和新冠肺炎等疾病提供宝贵的工具。

2020年，Alphabet旗下的DeepMind发布了AlphaFold2，这是一款能将蛋白质的形状预测到接近原子尺度的AI工具。哈萨比斯表示：“这是我们迄今为止最复杂的成就。这款工具的出现，标志着人工智能在生物学领域的应用取得了重大突破，也为我们解决许多医学难题提供了新的可能性。（来源：DeepMind官网）

深邃而精准的成功故事背后，AlphaFold不仅展示着DeepMind实力的转变，更是象征着一段更加辉煌的征程的开始。该公司开始转向科学研究，不再局限于游戏的探索，决心在现实世界留下深远的影响。解决科学问题一直是哈萨比斯的追求，他希望通过自己的努力，让DeepMind在AI领域大放异彩。他说：“DeepMind的创立初心就是为了这个。”这便是哈萨比斯在AI领域奋斗的原因所在。不仅如此，这也诠释了他对整个职业生涯的追求与热爱。

历经二十五年风风雨雨，哈萨比斯一直对蛋白质抱有深深的思考。早在剑桥大学就读本科时，他就开始接触到这个问题。据哈萨比斯回忆，一位挚友蒂姆·史蒂文斯对这个话题的激情深深感染了他。史蒂文斯不仅是哈萨比斯的知己好友，也是现在剑桥大学蛋白质结构研究领域的杰出研究者。他坚信：“蛋白质是维系生命运转的分子机器。”的确如此，蛋白质在我们的生命活动中扮演着至关重要的角色。

（来源：《麻省理工科技评论》）

在我们身体的每一个角落，蛋白质都在默默发挥着它的作用：消化食物、收缩肌肉、激发神经元活动、捕捉光线以及增强免疫反应等等。要深入了解人体运行机制、探究其故障成因及修复方法，理解单个蛋白质的功能至关重要。蛋白质由氨基酸组成，这些氨基酸通过复杂的化学力作用折叠成特定的形状，每个氨基酸的精确排列和结合方式决定了蛋白质独特的三维结构及其功能。这一结构既扭曲又旋转，充满了生命的力量与奥秘。蛋白质是生物体中至关重要的组成部分，它们有着各种复杂的功能和形态。以血红蛋白为例，它的特殊形状如同一个小袋子，能够捕获肺部的氧气分子并运送至全身。同样，SARS-CoV-2病毒的刺突蛋白结构使其能够附着在人体细胞上。要从一串氨基酸中解析出蛋白质的结构和功能却是一项极为艰巨的任务。因为展开的氨基酸串有高达 10300 种可能的形式，这与围棋游戏中所有可能的走法相当。

实验室中，利用X射线晶体学等技术预测蛋白质结构是一项充满挑战的工作，许多博士数年专注于单一蛋白质的折叠研究。历史上，自1994年成立的CASP竞赛旨在通过每两年一次的计算机化预测方法竞赛来加速研究进程。尽管有多种技术竞相涌现，但尚未有任何一种技术能够达到实验室工作的预测精度。直到2016年，相关研究陷入了停滞不前的十年。

正是在这样的背景下，DeepMind的跨学科团队崭露头角。仅仅几个月后，在AlphaGo取得巨大成功后，他们开始着手解决蛋白质折叠问题。他们的技术在2018年首次公开亮相，以显著优势赢得了CASP 13竞赛的奖项。这一重大突破在生物学领域之外并未引起广泛关注。

两年后的AlphaFold2的出现改变了这一切。当AlphaFold2再次赢得CASP竞赛时，人工智能在预测蛋白质结构上的精度误差范围缩小至仅一个原子的宽度，生物学家们为之震惊。这意味着AI技术的预测能力已经接近实验室生产模型的精度水平，这无疑是一个里程碑式的突破。这一进展不仅令科学家们瞩目，也为未来的生物医学研究开辟了新的道路。哈萨比斯在首尔观看AlphaGo比赛时，回忆起了FoldIt这款游戏。这款由华盛顿大学的蛋白质研究人员大卫·贝克团队在2008年发布的在线游戏，要求玩家以不同的方式折叠蛋白质结构，并在屏幕上以3D图像的形式展示。哈萨比斯在年轻时在麻省理工学院做博士后时也曾玩过这款游戏。他震惊地发现，人类的基本直觉可以在围棋中走一步棋或在FoldIt中找到新的配置时带来真正的突破。

哈萨比斯表示，他在思考AlphaGo的实现方式时，意识到他们实际上是在模仿围棋大师的直觉。他思考，如果可以在围棋中模拟那种豁然开朗的感觉，那么是否也可以在蛋白质折叠中模拟这种感觉呢？在某种程度上，这两个问题的复杂性是相似的。就像围棋一样，蛋白质折叠是一个极其复杂的组合问题，超出了暴力计算的能力。围棋和蛋白质折叠的另一个共同之处是，它们都拥有大量关于如何解决问题的数据。

近日，AlphaFold2这一深度学习技术引起了广泛关注。它运用注意力网络（Attention Networks），使AI能够专注于输入数据的特定部分。这一技术类似于支撑着GPT-3这样的语言模型，引导神经网络聚焦于相关部分，如句子中的单词。而在蛋白质结构预测领域，AlphaFold2则聚焦于氨基酸序列中的关键部分。据DeepMind官网报道，史蒂文斯表示：“AlphaFold2结合了生物学家数十年的研究成果，在AI领域轻松击败了其他参与CASP的技术。”

AlphaFold的影响力已经逐渐扩大，尤其是在过去的一年里。DeepMind已经公布了该系统的详细工作原理，并大方地分享了源代码。该公司还与欧洲生物信息学研究所合作，共同构建一个公共数据库。这个数据库正在利用AI预测的新蛋白质结构填充数据，目前已包含约80万个条目。DeepMind预计明年将增加超过1亿个条目，几乎囊括所有已知的科学蛋白质结构。这一巨大的进步无疑将开启新的科研领域。

英国AI药物研发公司Exscientia的首席科学家、牛津大学蛋白质信息学实验室负责人夏洛特·迪恩表示，许多研究人员尚未完全理解DeepMind的成就。迪恩也是DeepMind在Nature上发表AlphaFold论文的审稿人之一，她评价道：“这项技术彻底改变了科研问题的范畴。”

全球各地的科研团队已经开始利用AlphaFold这一神奇工具，在抗生素耐药性、癌症和新冠病毒等领域的研究中大展身手。其中，费城福克斯蔡斯癌症中心的罗兰·邓布拉克博士领导的团队便是早期受益者之一。多年来，他们一直在尝试使用计算机预测蛋白质结构，而AlphaFold的出现，为他们的研究带来了前所未有的精准度。

邓布拉克博士表示，AlphaFold的预测结果精确到足以进行生物学判断，解释癌症基因的突变。他提到，过去他们虽然尝试用电脑生成模型，但往往误差较大。如今，他对AlphaFold的预测结果充满信心，甚至同事们也对他所提供的模型更加信赖。他坦言，以前总是担心模型不准确，同事们会对他的工作产生质疑。

尽管AlphaFold表现出色，但邓布拉克博士也指出，这款工具并非完美无缺。偶尔也会出现错误。当他成功地在名为ColabFold的计算机平台上运行AlphaFold预测时，其效果之好令人难以区分其与实验室产生的结构之间的差异。这个平台得到了哈佛大学的支持，并在Google GPU上运行。邓布拉克博士说：“我每天睡前都会设置一个预测任务，这需要几个小时才能完成。”

AlphaFold已成为科研工作者们不可或缺的工具。正如邓布拉克博士所言，“这是一个非常有用的工具，我实验室里的每个人都在使用。”尽管它偶尔会出现错误，但其带来的益处远大于缺陷，让人们对未来的科研充满了期待。

（来源：DeepMind 官网）

即使是最好的人工智能也会有失误。尽管如此，AlphaFold仍然以其卓越的预测能力，在众多科研领域中发挥着重要作用。克利门特·维巴是加州大学旧金山分校的结构生物学家，他的主要研究领域是癌症。但在 COVID-19 大流行的初期，他的关注点转向了 SARS-CoV-2 病毒，尤其是该病毒的蛋白质如何劫持宿主蛋白质的问题。

维巴和他的研究团队已经对某些病毒蛋白的结构进行了深入研究，但仍有一些部分难以捉摸。蛋白质是由多个结构域组成的复杂分子，每个结构域都有自己独特的几百个氨基酸序列和特定功能。想象一下，一个结构域可能与 DNA 结合，另一个可能与另一个蛋白质相互作用。邓布拉克曾形象地比喻它们为“多头野兽”。

从结构角度看，这些结构域就像绳子上的结，由松散的线缠绕而成。维巴的团队已经大致了解了蛋白质的整体形状，但对于每个绳结的具体结构仍然知之甚少。没有这些细节信息，他们无法全面理解这个蛋白质的工作原理。

他们意识到这种蛋白质是 DeepMind 已经使用 AlphaFold 工具进行研究的对象之一。AlphaFold 的预测虽然并不完美，但它为蛋白质的四个结构域提供了大致的形状。研究人员利用这些预测，根据这些结构域的大致形状将它们排列起来，已经取得了非常接近实际结构的成果。

当维巴第一次看到 AlphaFold 的预测结果时，他被深深地吸引了。他回忆道：“我清楚地记得那一刻，我看到了它，这太令人惊叹了。”他表示他们的研究团队现在是唯一拥有这个蛋白质完整结构的公司，并很快发表了相关的科学研究成果。

维巴认为 AlphaFold 的优势在于它能够发现那些尚未被充分研究的蛋白质结构。他说：“虽然许多我们关注的蛋白质已经被研究了很长时间，我们对它们的样子有一定的了解，但仍然有许多未知领域等待我们去探索。”AlphaFold 的出现无疑为结构生物学研究带来了新的视角和可能性。维巴是一位对激酶研究充满热情的科学家。激酶，这种在细胞正常功能调节中发挥关键作用的酶，一旦停止正常工作，可能导致癌症的发生。在人体中，大约存在500种激酶，但仅有半数得到了充分的研究，其余的则被称为“黑暗激酶”。

像维巴和邓布拉克这样的研究人员，对开发针对激酶的抗癌药物抱有极大兴趣。这正是AlphaFold的局限所在。在实验室中研究蛋白质的结构是一项成本高昂的任务，通常只在蛋白质被选为有希望的候选者时才会进行。这一过程可能需要数月之久。AlphaFold的目标是扭转这一局面，以加速药物发现过程。迪恩表示：“现在，我可以从结构出发，确定其表面哪里存在识别位点，以及哪里可以结合药物分子。”

要完全理解药物和蛋白质之间的相互作用，并非易事。正如迪恩所承认的，蛋白质的结构是动态的，它们通过微妙的重新配置进行循环。维巴指出：“很多时候，这些微小的转变是生物功能的关键。”更重要的是，一种蛋白质可能在某种状态下接受药物，而在其他状态下则拒绝。从研究人员目前观察到的来看，AlphaFold似乎只预测了这些结构最常见的状态，这对于药物开发来说可能并不重要。

当药物与蛋白质结合时，蛋白质的形状会发生变化，从而影响药物的作用。在最坏的情况下，药物与蛋白质的结合可能会产生不可预测的连锁反应，甚至可能逆转药物的设计功能——例如激活某些功能而非抑制。这意味着，在开发针对黑暗激酶的药物时，研究人员需要更深入地了解蛋白质的动态行为，并考虑药物可能产生的各种反应。在阿斯利康的分子AI部门，负责人奥伦奎斯特（OlaEngkvist）对未来充满期待但保持谨慎。他认为AI生成的结构在识别药物靶标方面具有巨大潜力，但目前尚未成熟。他强调：“要实现真正的变革，AlphaFold需要突破现有的计算限制，以理解蛋白质的动力学特征，并处理更为复杂的蛋白质复合物。”

DeepMind正致力于在下一个版本的程序中解决这些问题。其中一项重要工作是通过生成蛋白质形状的多种变体，试图捕捉其动态变化。蛋白质的运动方式受到复杂化学和物理原理的控制，因此构建一个完整的运动模型可能需要向AlphaFold提供大量关于这一过程的额外信息。这种方法也存在缺陷，即过多的信息可能会成为一种约束，反而降低工具的预测能力。

在2021年夏天，DeepMind推出了AlphaFold Multitimer，旨在预测蛋白质复合物的结构。其准确性远不及AlphaFold，且更容易出现明显的错误。尽管如此，专家们依然对AI的潜力充满信心。

哈萨比斯坦言，即使是最好的AI也会犯错。他回忆起AlphaGo与李世石的对决中，有一局AI犯了一个基本错误。他说：“你可以将其视为一个bug，但这个bug存在于AI的知识体系中，我们无法直接介入并调试。”

DeepMind正在收集AlphaFold犯错最严重的案例，并致力于训练它正确处理这些错误。哈萨比斯鼓励研究人员揭示AlphaFold的不足，并分享给团队，以便他们共同完善下一个版本的AlphaFold。这就是“AI for Science”新篇章的开启。

在AlphaFold的光芒下，“AI for Science”团队正逐渐崭露头角。DeepMind已经在多个领域发表了一系列研究成果，从天气预报到数学、量子化学和核聚变等。尽管这些成果的影响力尚未超过AlphaFold，但从其涵盖的广泛领域可见其雄心壮志。哈萨比斯透露：“我虽未手握详尽的问题解决手册，但心中已有蓝图。”

（配图：目前DeepMind官网上显示的研究种类，来源：DeepMind官网）

AlphaFold不仅标志着DeepMind的新里程碑，也是哈萨比斯个人事业的新起点。去年11月，他宣布身兼DeepMind领导职务和初创公司Isomorphic Labs的CEO。这家Alphabet的新姊妹公司致力于将AI带入生物技术和医学领域。对于未来规划，哈萨比斯谦虚地表示：“我们才刚刚开始，一切尚在探索之中。我相信还有许多领域像AlphaFold一样能够受益于AI。但我所追求的不仅仅是表面的分析工具，而是真正的研发创新。”

在这个充满挑战与机遇的时代，DeepMind和哈萨比斯正带领我们迈向一个AI与科学融合的新纪元。期待他们未来的更多精彩表现！在深具启示性的博客文章中，哈萨比斯在 Isomorphic Labs 宣布了他的观点。他认为，正如数学已被验证为描述物理学的精准语言一样，人工智能可能在生物学领域扮演着类似角色。将这样的理念融入创业之中，我们能够更加聚焦地投入资源和精力。他明确指出：“在 DeepMind 雇佣大量化学家并无多大意义。”尽管 DeepMind 一直专注于纯粹的研究工作，而不是为母公司 Alphabet 的产品贡献力量，Isomorphic Labs 将致力于探索如何为大型制药公司带来创新。哈萨比斯进一步比喻道：“你可以将其想象成 DeepMind 对谷歌所做的那样。我们的研究对谷歌的百种产品产生了深远影响；你所接触的几乎所有谷歌产品都蕴含了 DeepMind 的技术精髓。相应地，Isomorphic Labs 可以看作是我们在谷歌之外，于现实世界中的拓展出口。”他的言论充满远见，令人期待这个新兴企业如何在生物学领域引入创新的 AI 技术并开辟新的疆界。