Demis Hassabis 論 AI 在科學與藥物發現的未來

Demis Hassabis 論 AI 在科學與藥物發現的未來

AI 作為協作研究夥伴

Demis Hassabis 使用 AI 並非作為最終決策者，而是作為「對手」來腦力激盪專案點子、命名專案，以及在不熟悉的領域中概括複雜研究。他強調的是協作框架而非批判框架，利用 AI 思考問題的步驟，而不是僅僅尋找想法的缺點。

AI 在藥物發現中的演變

AI 在人類健康領域的角色正從孤立模型轉向完整平台。AlphaFold 解決了蛋白質結構預測問題，Hassabis 說明蛋白質結構僅是藥物發現流程中的一步。

建立發現平台

DeepMind 正在開發一套「半打到一打」的 AlphaFold 級別模型，針對藥物發現管線的不同階段。目標是打造一個可套用於幾乎所有疾病領域的整合引擎。此過程包括：

  • 預測相互作用： 超越靜態蛋白質圖像，預測蛋白質與其他蛋白質及分子的相互作用。
  • 預測生物影響： 開發模型以預測吸收、分佈、代謝、排泄與毒性（ADME），以降低副作用。
  • 生化建模： 設計特定化合物，並精確確定它們在目標蛋白質口袋中的結合方式與位置。

加速臨床試驗

除了發現階段，AI 預計也能加速臨床試驗階段，方法包括：

  • 患者分層： 更好地辨識哪些患者最有可能受益於特定治療。
  • 劑量預測： 優化劑量以提升療效與安全性。

克服法規與實體瓶頸

雖然 AI 能加速藥物設計，但法規批准（如 FDA）仍是以人為中心的流程。Hassabis 認為，一旦有足夠多的 AI 設計藥物成功通過傳統試驗，法規審批速度將會提升。這些證據能讓監管機構回測 AI 模型的準確性，可能導致更有效率的批准程序，甚至跳過某些冗餘步驟。

Co‑Scientist 與自主發現

Co‑Scientist 是經過微調的 Gemini 版本，配備了生成假說、資料分析與文獻摘要的專用工具。目前它作為科學家與數學家的高階研究助理使用。

「愛因斯坦測試」

為了驗證 AI 是否具備真正的科學發明能力，Hassabis 提出「愛因斯坦測試」：若一個知識截止於 1901 的模型能獨立推導出 1905 年的突破（如特殊相對論），即顯示其具備原創科學發現的能力。一旦 AI 通過此測試，其在現代物理（例如對弦理論的改進）上的輸出將更值得重視。

遞迴自我改進與實體驗證

遞迴自我改進在程式碼與數學等領域較為直接，因為驗證者（編譯器或數學證明）是即時且數位的。而在物理科學中，「驗證者」是現實世界。

為了在假說生成與驗證之間形成閉環，DeepMind 正投資自動化實驗室。例如，在倫敦他們正在建造一座自動化材料科學實驗室，以測試 20 萬個現有新材料設計，包括潛在的超導體，這些設計目前無法由人類快速測試。

AI 在複雜模擬中的應用：EVE Online 合作計畫

DeepMind 與 EVE Online 合作，利用該遊戲複雜且由玩家驅動的經濟與政治聯盟作為 AI 代理測試的「沙盒」。此合作探索 AI 如何與功能性經濟與動態劇情互動，可能成為推動敘事的「遊戲大師」或協助玩家的代理。

摘要：Google DeepMind 執行長 Demis Hassabis 討論了 AI 平台（包括 Co‑Scientist 與 AlphaFold）如何從單一工具轉變為整合系統，以實現自主科學發現與治療疾病的目標。

標題：Demis Hassabis 論 AI 在科學與藥物發現的未來

Sources