【演講】哈薩比斯劍橋演講：AlphaFold是開頭，古典電腦上限未到

這場演講有幾個值得拿出來說的點：第一，AlphaFold 的規模感——兩億個蛋白質結構，相當於十億年的博士生工時，一年內跑完；第二，他對古典電腦能做多少這件事的猜想，比大多數人敢講；第三，DeepMind 從遊戲 AI 跨到科學的邏輯，不是跨界，是同一套方法換了戰場；第四，他對 AGI 時程的態度——既不否認，也不誇大，就說我們大概在進度上；第五，他對年輕人的建議，說的是學會快速吸收新知，不是學哪個技能。合起來看，這是一個把 AI 當科學工具在認真做的人，跟矽谷那套先衝再說的氣味完全不同。

◎兩億個蛋白質，不是數字遊戲

AlphaFold 解決的問題是這樣的：一個蛋白質的形狀決定它在身體裡做什麼，但從基因序列預測形狀，可能的排列組合高達 10 的 300 次方。實驗室裡，一個博士生花四五年只能搞定一個蛋白質結構；全球已知的蛋白質有兩億個。AlphaFold 2 在 2020 年被宣告解決了這個問題，之後 DeepMind 用了一年，動用大量 Google 雲端算力，把這兩億個結構全部跑完，免費公開給全世界用。哈薩比斯說，那等於十億年的博士生工時，在一年內完成。現在全球超過兩百萬名研究者在用，引用次數超過三萬次。這不是一個 AI 公司在講自己有多厲害——這是生物研究的基礎設施被換掉了。

◎遊戲 AI 和蛋白質，是同一道題

哈薩比斯花了不少時間解釋 AlphaGo 怎麼運作，很多人可能覺得這是在懷舊。但他要講的是：圍棋有 10 的 170 次方種可能局面，蛋白質有 10 的 300 次方種可能形狀，這兩個問題的本質一樣——搜尋空間大到無法暴力窮舉，必須讓神經網路學會哪個方向值得找。AlphaGo 在 2016 年韓國對決結束的隔天，他就決定把同一套技術拿去做蛋白質，不是靈機一動，是方法論上的直接延伸。他把這類問題叫做 root node problems——解開一個，底下一整棵樹的問題都跟著能做。這個邏輯，比任何一個具體成果都更值得記住。

◎古典電腦能做多少，他的猜想比多數人敢講

演講尾段他提了一個猜想，措辭很小心，但意思很清楚：蛋白質是量子系統，照理說要用量子電腦才能精確模擬，但 AlphaFold 用的是普通的神經網路，跑在普通的伺服器上，照樣算出了原子級精度的結構。他的推論是：只要自然界裡存在某種結構，某種規律，古典的學習演算法就有辦法把它找出來，近似它。如果這個猜想成立，量子電腦的必要性就得重新評估，至少在科學模擬這個領域。這不是他在替自己的技術路線護航——他是在說，圖靈機的上限，可能比我們以為的還要高得多。

◎AGI 時程：他說大概在進度上

DeepMind 在 2010 年創立時，內部把這件事定義為二十年任務。現在過了十五年，哈薩比斯說我們大概在進度上。他沒有宣布 AGI 要來了，他說他希望幾年後再回劍橋，到時候也許可以講那場演講。他現在做的是把搜尋與規劃能力疊加在 Gemini 這類大型多模態模型上，再往機器人方向走，他認為機器人在未來兩三年會有大幅進展。他對 AGI 的態度很特別：既不像某些公司喊得震天價響，也不假裝這件事很遠。他只是在做，然後報告進度。

◎給年輕人的建議：不是學哪個技能，是練快速吸收

有學生問他，在 AI 改變這麼快的情況下，該選什麼職涯方向。他的回答很直接：他仍然建議學程式與數學，因為懂底層的人能把 AI 工具用得更深；但同時，程式設計會因為 AI 而對更多人開放，未來可能用自然語言就能寫程式，這對創意型的人是機會。然後他說了一句他認為真正重要的事：練習自己快速學習新知識的能力，因為接下來十年就是這樣。沒有說要學哪個框架，哪個語言。這是一個見過 AI 冬天，也見過 AlphaGo 擊敗世界冠軍的人，給出的答案。

哈薩比斯做的這些事，套一個詞就是科學加速，但那個詞太輕了。他實際上是在說：過去幾百年科學發現的速度，是被實驗室的物理限制鎖住的；現在那把鎖開始鬆動。AlphaFold 是第一個清楚的證明。接下來是藥物開發，材料，天氣，量子——他認為幾乎每個領域都能套用同一套邏輯。矽谷喜歡說改變世界，他在劍橋這間老講堂裡，用數字和方法論說給你聽。信不信，你自己判斷。