Demis Hassabis 关于 AI 在科学和药物发现中的未来

Demis Hassabis 关于 AI 在科学和药物发现中的未来

AI 作为协作研究伙伴

Demis Hassabis 将 AI 用作“思维搭档”，而不是决定性的决策者，用于头脑风暴项目创意、命名项目以及在陌生领域中概括复杂研究。他强调的是协作框架而非批判框架，利用 AI 思考问题的步骤，而不是仅仅寻找想法中的缺陷。

AI 在药物发现中的演进

AI 在人类健康中的角色正从孤立模型转向综合平台。虽然 AlphaFold 解决了蛋白质结构预测问题，Hassabis 解释说，蛋白质结构只是药物发现过程中的一步。

构建发现平台

DeepMind 正在开发一套“半打到一打” AlphaFold 级别的模型，针对药物发现管线的不同阶段。目标是创建一个几乎可以应用于任何疾病领域的集成引擎。该过程包括：

  • 预测相互作用： 超越静态蛋白质图像，预测蛋白质与其他蛋白质和分子的相互作用。
  • 预测生物影响： 开发模型预测吸收、分布、代谢、排泄和毒性（ADME），以最小化副作用。
  • 生物化学建模： 设计特定化合物，并准确确定它们在目标蛋白口袋中的结合方式和位置。

加速临床试验

在发现之外，AI 预计还能加快临床试验阶段，方法包括：

  • 患者分层： 更好地识别哪些患者最有可能从特定治疗中受益。
  • 剂量预测： 优化剂量以提升疗效和安全性。

克服监管和物理瓶颈

虽然 AI 能加速药物设计，但监管批准（如 FDA）仍是以人为中心的过程。Hassabis 认为，一旦有足够数量的 AI 设计药物成功通过传统试验，监管速度将会提升。这些证据将使监管机构能够回测 AI 模型的准确性，可能导致更高效的批准流程，甚至跳过某些冗余步骤。

Co-Scientist 与自主发现

Co-Scientist 是 Gemini 的微调版本，配备了用于假设生成、数据分析和文献概括的专用工具。目前，它充当科学家和数学家的高级研究助理。

“爱因斯坦测试”

为了验证 AI 是否具备真正的科学发明能力，Hassabis 提出了“爱因斯坦测试”：如果一个知识截止于 1901 的模型能够独立推导出 1905 年的突破（如狭义相对论），则表明其具备原创科学发现的潜力。一旦 AI 通过此测试，其在现代物理学上的输出——例如对弦理论的改进——将更值得认真对待。

递归自我改进与物理验证

递归自我改进在编码和数学等领域更为直接，因为验证者（编译器或数学证明）是即时且数字化的。而在物理科学中，“验证者”是现实世界。

为了在假设生成与验证之间闭环，DeepMind 正在投资自动化实验室。例如，在伦敦，他们正在建设一个用于材料科学的自动实验室，以测试 200,000 种现有新材料设计，包括潜在的超导体，这些设计目前人类无法快速测试。

AI 在复杂仿真中的应用：EVE Online 合作

DeepMind 与 EVE Online 合作，利用该游戏复杂的玩家驱动经济和政治联盟作为 AI 代理的“沙盒”。此合作探索 AI 如何与功能性经济体和动态剧情互动，可能充当推动叙事的“游戏主持人”，或作为帮助玩家的代理。

摘要：Google DeepMind CEO Demis Hassabis 讨论了包括 Co-Scientist 和 AlphaFold 在内的 AI 平台如何从单一工具转变为用于自主科学发现和治愈疾病的综合系统。

标题：Demis Hassabis 关于 AI 在科学和药物发现中的未来

Sources