Latest / The Long View / 特别篇 · Google I/O 给 AI 科学的路线转向 — 从 AlphaFold 到 Gemini for Science

Transcript

特别篇 · Google I/O 给 AI 科学的路线转向 — 从 AlphaFold 到 Gemini for Science · The Long View

0:00
欢迎收听The Long View。
0:01
w。
0:02
今天我们花一整集，把这周麻省理工科技评论上一篇我觉得分量很重的文章讲清楚—作者Grace Huckins，
0:10
s，题目是《Google I/O显示A I驱动科学的路线正在转向》。
0:16
为什么单独花一期讲它？
0:18
因为这篇文章看起来在写Google I/O一个十几分钟的演讲段落，
0:23
但底下藏的，是一个会决定未来十年科学怎么做的路线分歧。
0:29
我读完之后，发现里面有不少术语、典故、
0:33
技术背景，如果只是扫一遍，那种"原来如此"的感觉就抓不住。
0:40
所以这一期，我打算把那个分歧、双方在赌什么、
0:43
为什么Google正在悄悄换边，从头到尾讲透。
0:48
先把那个核心画面定一下。
0:50
本周Google在I/O开发者大会的主题演讲上，
0:54
Google DeepMind的 C E O Demis Hassabis s 上台讲科学板块的收尾。
1:00
他说了一句很重的话—他说"我们现在正站在奇点的山脚下"。
1:06
原话是 standing in the foothills of the singularity。
1:10
但奇怪的是，他用来佐证这句话的演示，
1:13
是Google一个叫WeatherNext的天气预测软件，
1:17
去年提前给牙买加发出了Melissa飓风的登陆警报，
1:21
可能因此救了一些人的命。
1:24
这一组对照非常错位—一个人说"我们站在奇点的山脚下"，
1:30
那应该意味着机器智能就要超过人类智能、
1:34
世界即将被剧烈改变；
1:36
但他举的例子，是一个非常垂直、非常工程化的天气预测模型救了一些人。
1:44
一个救灾系统，怎么算是奇点的山脚？
1:47
这正是Huckins抓住不放的那个矛盾。
1:50
帮你解释一下"奇点"这个词。
1:53
这是上世纪八十年代数学家、科幻作家Vernor Vinge提出的概念，
1:58
后来Ray Kurzweil把它带进了大众语境—指的是A I在某一刻递归地、
2:04
加速地超越人类智能，把社会、经济、科学、
2:09
甚至生物学全部翻一遍的那个临界时刻。
2:13
所以Hassabis说"奇点的山脚下"，
2:16
是在调用一整套关于"机器很快就要超过我们"的叙事—这是非常重的一句话，
2:23
不是随口讲的。
2:25
那WeatherNext又是什么？
2:26
它属于DeepMind在科学方向上"专门为单个问题做的A I"那一类。
2:33
传统的天气预报，是基于物理方程的数值模拟，
2:36
叫N W P，数值天气预报，几十年来一直在跑超级计算机。
2:44
WeatherNext这一代是图神经网络驱动的端到端模型，
2:48
输入历史气象观测数据，直接学出未来一段时间的天气。
2:54
它不再求解物理方程，而是从数据里学出物理。
2:59
这种系统在Melissa飓风那次，给牙买加提前提供了登陆点、
3:04
登陆强度的预报，让当地政府有时间疏散和加固。
3:09
这件事非常有价值，但Huckins的观察很准—这不是奇点的证据。
3:14
这只是一个很好的工程化产品。
3:17
换句话说，他嘴上讲的是奇点，手上指的是一个工程师做的好工具。
3:24
这个错位，正是这篇文章想拆给你看的。
3:28
那么这篇文章拆出来的是什么？
3:30
是A I用在科学里的两条完全不同的路线。
3:35
第一条路线，叫做"专门为科学问题做的A I"。
3:39
我们已经讲过WeatherNext，
3:41
t，更经典的例子是AlphaFold。
3:44
AlphaFold是DeepMind在二〇二〇年发布的蛋白质结构预测模型。
3:50
我得展开讲一下，因为这是这条路线最具代表性的成就。
3:55
蛋白质折叠问题，是结构生物学里压了五十多年的世纪难题。
4:02
我们都知道，蛋白质是由氨基酸链组成的，
4:05
但它真正发挥功能、和药物结合、催化反应，
4:09
靠的是它在三维空间里折叠成的那个立体形状。
4:14
问题是—给你一段氨基酸序列，你能不能预测出它折叠成什么形状？
4:21
这件事人类做了几十年。
4:23
从一九六〇年代Anfinsen拿诺贝尔奖证明"序列决定结构"开始，
4:28
到C A S P这个国际竞赛每两年办一次，
4:32
几十支队伍同台比谁的预测准—一直到二〇二〇年，
4:38
AlphaFold2在C A S P1414上的精度，
4:42
第一次接近实验测定的水平。
4:44
这意味着原本要在实验室里花几个月、几年才能解出来的蛋白质结构，
4:51
现在几秒钟就能预测出一个高质量答案。
4:55
这件事的下游效应有多大？
4:57
DeepMind之后开源了一个数据库，
5:00
把地球上几乎所有已知物种的蛋白质结构，
5:04
两亿多个，全部预测出来，免费给全世界生物学家用。
5:09
Google自己的数据，去年说全球已经有超过三百万研究人员用过AlphaFold的预测结果。
5:16
二〇二四年的诺贝尔化学奖，颁给了Demis Hassabis和John Jumper—也就是AlphaFold的主要作者。
5:25
这是诺贝尔奖第一次直接颁给一个A I系统的工作成果，
5:29
意义非常重大。
5:31
除了AlphaFold，DeepMind这条线上后来又出了AlphaGenome—预测基因变异对基因表达的影响，
5:39
给遗传学家用的；
5:42
以及 AlphaEarth Foundations—给地球科学家用的一个基础模型，
5:46
可以处理卫星图像、气候数据。
5:50
再加上前面讲的WeatherNext。
5:51
t。
5:52
这四个系统，加起来构成了DeepMind在科学方向上"专门为单个问题做A I"的整条产品线。
6:01
这条路线的特征你听得出来—每一个都是为一个具体的科学问题量身打造的：网络结构是为那个问题设计的，
6:09
训练数据是那个领域专门积累的，做出来的模型只解一类问题，
6:15
但能解得极好，好到拿诺贝尔。
6:19
那第二条路线是什么？
6:20
叫做"做科学的A I智能体"。
6:24
这条路线的逻辑完全反过来。
6:27
它不再为每个科学问题单独训练一个模型，
6:30
而是用通用的大语言模型，也就是L L M，
6:34
加上一套调用工具、规划实验、写代码、
6:38
读论文的能力，让模型自己像一个研究员一样，
6:41
去做一个研究项目。
6:43
整段研究流程是L L M驱动的—提出假设、
6:48
设计实验、写分析代码、读文献、迭代、
6:52
出结论。
6:52
一个通用智能体，原则上可以做任何领域的科学。
6:57
这条路线，Google这次I/O端出来的产品叫Gemini for Science—直译就是"科学版的Gemini"。
7:05
它是一个总品牌，下面打包了几个L L M驱动的科学系统。
7:11
两个最重要的：第一个叫A I Co-Scientist，
7:14
t，中文可以理解为"A I副研究员"，
7:17
专门干提出科学假设的工作。
7:21
一个Stanford大学的遗传学家Gary Peltz，
7:24
z，是早期试用者之一，他在一篇《自然医学》的文章里这样描述这个工具—他说用它的感觉像是"在咨询德尔斐神谕"。
7:35
德尔斐神谕是古希腊最权威的预言来源，
7:38
凡夫请示重大决策，要去德尔斐神庙问Pythia。
7:43
Peltz这个比喻其实有点不寻常—他在说，
7:47
A I Co-Scientist给出的假设，
7:50
是那种你必须严肃对待、即使你不完全理解为什么的洞察。
7:55
第二个叫AlphaEvolve，e，
7:57
是迭代式的算法优化和数学优化系统。
8:01
它会自己写候选算法，自己测试，自己改，
8:04
跑很多轮，最后给你一个比人类工程师手写的更高效的解法。
8:10
DeepMind之前公布过用它在矩阵乘法、
8:13
芯片版图优化这些底层算法上找到比已知最优更快的解。
8:19
这本质上是一种"自动化研究员"的早期形态。
8:24
这两个系统加上 Gemini for Science e 这个品牌，
8:27
是这次I/O的重头戏。
8:29
而且Google这次公开开放申请—任何研究人员都可以申请使用。
8:35
这是一个明确的对外信号—Google在押注这条线。
8:39
那么这两条路线之间，到底是什么关系？
8:43
注意，两条线不是非此即彼。
8:46
一个L L M智能体，完全可以在做研究的过程中，
8:50
去调用AlphaFold来预测蛋白质结构。
8:54
Huckins在文章里也明说—一个智能体目前还做不到不靠AlphaFold自己就推出蛋白质形状。
9:02
所以专门的工具不会消失，但它可能会从"独立的旗舰产品"，
9:07
降格成"被智能体调用的子程序"—就像今天的程序员不会自己写一个排序算法，
9:14
而是直接调用标准库。
9:17
这是路线之争里最关键的那一点：钱、人才、
9:21
新闻头条，会朝哪一边倾斜。
9:24
讲到这里就必须讲一个非常具体的人事变动—John Jumper。
9:29
r。
9:30
Jumper就是刚才说的、跟Hassabis一起拿二〇二四年诺贝尔化学奖的那位，
9:36
AlphaFold的主要作者。
9:38
他是Google内部最资深的fellow级别科学家。
9:42
今年四月，洛杉矶时报报道—Jumper现在不做科学专用A I了，
9:47
他被调去做A I编程工具。
9:50
这件事表面上的原因，是Google在编程A I这条线上落后了—Anthropic的Claude Code和OpenAI的Codex几乎垄断了开发者市场，
10:02
连Google内部的DeepMind工程师都在偷偷申请Claude Code的权限，
10:07
这件事在硅谷已经是公开的笑话。
10:10
所以Google把最强的人调去补这个洞，
10:14
从公司管理的角度完全合理。
10:17
但Huckins提出的另一种解读非常重要—这也可能是在为下一阶段的agentic科学打基础。
10:24
因为做"科学智能体"的核心能力，是写代码、
10:28
读代码、调用工具、调试。
10:31
一个能像研究员一样工作的A I，本质上是一个非常擅长编程的智能体。
10:37
所以Jumper从AlphaFold转向编程，
10:40
不一定是"放弃科学"，而可能是"在为更大的科学A I平台准备底座"。
10:47
把这件事放在一起看—Pushmeet Kohli，
10:51
i，Google Cloud的首席科学家，
10:53
本周在《Daedalus》杂志的A I与科学专刊里写下这样一句—他说，
11:00
"我们正在走向一个不只是辅助科学、而是开始去**做**科学的A I"。
11:07
Daedalus是美国艺术与科学院的旗舰季刊，
11:10
地位类似学术界的《外交事务》—在那里发表的东西，
11:14
是机构层面对外的姿态宣言，不是随便讲讲的内部口风。
11:20
把Jumper调岗、Gemini for Science的发布、
11:23
Kohli在Daedalus上的姿态，
11:25
三件事并起来看—Google的资源和叙事重心，
11:30
正在从"为每个领域做专门的科学工具"，
11:33
往"造一个会做科学的通用智能体"那边搬。
11:37
这不是一句宣言，是一组可观察的动作。
11:41
我们再补一条印证。
11:43
同一周里，OpenAI公布了一件事—它的一个内部模型，
11:47
独立证伪了一个离散几何里的猜想。
11:50
这是数学界一个长期开放的小问题。
11:54
OpenAI公布的技术报告里，请了几位数学家发表评论，
11:58
其中一位说，这可能是迄今为止生成式A I对数学最有意义的一次贡献。
12:06
这里有一个关键点Huckins没有展开，
12:08
但我替你展开一下。
12:10
这个模型，不是一个为数学专门训练的模型—OpenAI明确说，
12:15
它是G P T5.55.55.5系列的通用推理模型。
12:19
这跟之前DeepMind公布AlphaProof在国际数学奥林匹克I M O上拿到银牌那件事，
12:26
性质完全不同。
12:29
AlphaProof是为数学定理证明专门训练的、
12:32
跟一个叫Lean的形式化证明系统耦合的特化系统—它属于第一条路线，
12:38
是"专门为数学做的A I"。
12:41
而OpenAI这次是通用模型—你给它一个数学问题，
12:46
它就用一般的推理能力推出来。
12:48
这是一个分水岭—通用模型在数学这种结构性最强的科学领域里，
12:54
开始能产出原创结果。
12:57
为什么这件事对Google的路线选择是个佐证？
13:00
因为它在间接证明—通用智能体在"硬科学"里是可以做出贡献的。
13:07
Huckins加了一个非常诚实的限定句，
13:09
我必须替你强调一下—她说，数学和实验科学的关键区别是，
13:14
实验科学的结论必须通过实验来验证。
13:18
所以即使通用智能体能做数学，能不能做生物、
13:23
做化学、做材料—还差一关，那关就是它必须能自己设计、
13:30
执行、解读实验。
13:32
这是agentic科学路线真正难的部分。
13:36
讲到这里，我们要展开另一个术语—递归自我改进，
13:41
英文叫 recursive self-improvement，
13:43
t，缩写R S I。
13:46
R S I这个概念，最早是A I安全圈讨论的—比如Eliezer Yudkowsky、
13:53
y、Nick Bostrom那批人，
13:55
从二〇〇〇年代就在讲。
13:58
它的标准叙事是这样的—一个A I系统聪明到一定程度，
14:02
它可以开始改进自己，改进之后变得更聪明，
14:06
再改进自己，迭代加速，最终在一段非常短的时间里突破任何人能追上的速度。
14:13
这个故事在A I安全圈里有一个专门的词，
14:17
叫foom，就是"砰"地一下起飞的拟声。
14:21
但今天讨论里出现了一个温和版本—"被引导的R S I闭环"，
14:27
guided R S I loop。
14:29
p。
14:29
这个版本是什么意思？
14:31
是开发者用一个编码智能体，去重构、改进下一代的编码智能体—每一步都有人在审。
14:40
OpenAI的总裁Greg Brockman上周公开发过一个prompt，
14:44
让Codex扫一下最近的会话，找出反复出现的手工流程，
14:50
提出最小可用的工具或者子智能体改进建议。
14:54
这就是Codex改Codex。
14:57
Mythos是Anthropic内部代号被泄漏的下一代Claude，
15:01
也是同一个方向。
15:03
为什么我要在讲A I科学这一期里讲R S I？
15:07
因为agentic科学路线，本质上跟guided R S I loop是同一种气味—你造的不是一个解题工具，
15:14
你造的是一个能造工具、能改自己的研究员。
15:19
所以Google把Jumper调去做编程，
15:22
把研究重心放在通用智能体上—这背后是一个连贯的判断—能写代码、
15:28
能改自己的智能体，才是通往科学突破的路径，
15:32
而不是再多训练几个AlphaFold。
15:34
那么Hassabis自己怎么解释这个转向？
15:37
他用得非常小心。
15:39
注意Google给那个产品取的名字—是A I Co-Scientist，
15:44
t，"副"研究员，不是A I Scientist""研究员"。
15:49
这个用词是刻意的。
15:51
Hassabis在Daedalus的访谈里这样说—他说，
15:54
"在接下来的十年左右，我们应该把A I看作帮助科学家的、
15:59
令人惊叹的工具。
16:01
再往后就很难说了，也许这些系统会变得更像合作者"。
16:07
这是非常职业的政治化措辞—它把"取代科学家"这件事推到十年之外，
16:13
给当下的研究人员一个安心的承诺：A I是帮你的，
16:17
不是替你的。
16:19
但Huckins在文章末尾扔了一句非常犀利的回击—她说，
16:23
"但任何一个有效的科学合作者，都必须自己也是一个合格的科学家"。
16:29
换句话说—如果Hassabis说的"山脚下"那个比喻是真的，
16:33
那么"合作者"这个词最终就意味着"和你同等级、
16:38
甚至超过你的同行"。
16:40
"合作者"是过渡用语，不是终点。
16:43
最后，我想讲一个这篇文章里很容易被忽略的点—Hassabis在I/O上跟记者Mike Allen对谈时，
16:51
讲到了他当年为什么走上A I这条路。
16:56
他说，他年轻的时候观察到一件事—基础物理学从一九七〇年代之后，
17:01
进步停滞了。
17:03
这个观察非常值得展开。
17:05
所谓物理学的"七〇年代停滞"—指的是这样一段历史。
17:10
从牛顿到爱因斯坦广义相对论，到量子力学，
17:14
再到二十世纪六七十年代完成的标准模型—人类用大约三百年时间，
17:20
搭起了对宇宙最底层规律的完整图景。
17:24
但是从七〇年代标准模型完工之后，物理学就一直卡在那里—大统一理论没出来；
17:32
把量子力学和广义相对论统一起来的量子引力理论没出来；
17:37
弦理论提了几十年，还没有一个能被实验验证的预言；
17:43
暗物质和暗能量占宇宙百分之九十五，没人知道它们是什么。
17:48
理论物理学的下一次革命，已经被等了五十年。
17:52
Hassabis当时问自己一个问题—这种停滞，
17:56
是问题本身太难，还是人脑的认知能力到了天花板？
18:00
如果是后者，那么也许只有一种比人脑更强的智能才能突破。
18:06
这就是他做A I的原始动机—他想用A I越过人类思维的限制，
18:11
去解物理学解不开的问题。
18:14
把这条线拉回来看，就能理解这篇文章里那个"奇点山脚下"为什么对他来说不是营销口号。
18:23
在他的心里，这就是终点—一个能比顶尖人类物理学家想得更深、
18:29
更远的A I科学家，把物理学从五十年的停滞里推出来。
18:34
这是一个非常具体的愿景，不是抽象的科幻。
18:39
那么这对我们意味着什么？
18:41
三件事。
18:43
第一，AlphaFold这种"为一个领域造一个A I"的范式，
18:47
可能正在变成上一代。
18:49
不是它不好—AlphaFold太好了—而是支撑它的资源逻辑可能撑不下去了。
18:55
如果通用智能体未来能调用专门工具，那为什么还要再投五年时间、
19:01
几十亿美金、去做下一个AlphaFold？
19:05
除非那个领域的回报极高—比如药物发现，
19:08
所以Google旗下的Isomorphic Labs，
19:11
s，做A I制药的子公司，本周刚融了二十亿美金的B轮，
19:16
这是Google在保留这条路线作为对冲。
19:20
第二，A I做科学这件事，下一阶段的瓶颈不是模型—而是实验闭环。
19:26
能自己读文献、自己写假设、自己写代码，
19:29
今天的L L M已经做得越来越好。
19:33
但要做真正的科学，得自己设计实验、执行实验、
19:37
解读实验。
19:39
这就需要A I智能体能驱动实验机器人、
19:42
能跟生物实验室的湿实验设备对话、能跟天文望远镜调度系统对话。
19:48
这一块还非常早期，但你会看到接下来几年这是一个明确的赛道。
19:55
第三，"合作者"那个词不要被它温柔的外壳骗了。
19:59
Hassabis自己讲—再往后会变成合作者。
20:03
"合作者"是一个过渡词。
20:05
一旦A I在某个领域跟你平起平坐，下一步就是超过你。
20:10
十年之内A I是工具，十年之外可能就不是。
20:14
所以这篇文章我希望你听完之后记住的核心问题不是"AlphaFold还重要吗"—是"在你的领域里，
20:22
做研究的人到底什么时候不再是人"。
20:26
今天这一期就到这里。
20:27
这是The Long View五月二十五号的一期特别篇—下一期我们回到日常的四个分类。
20:34
谢谢你陪我把这篇文章读完。