ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />

　　文 |  Will D. Heaven

　　來源：DeepTech深科技　　

　　近日，《麻省理工科技評論》獨家專訪了 DeepMind 的 CEO 兼聯(lián)合創(chuàng)始人戴密斯·哈薩比斯（Demis Hassabis），從他的學(xué)生時代聊到創(chuàng)業(yè)歷程，亦從 AlphaGo 聊到了 AlphaFold。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />圖 | 戴密斯·哈薩比斯（Demis Hassabis）（來源：《麻省理工科技評論》）

　　盡管 AlphaFold 在 2021 年名聲大噪，但很明顯這是哈薩比斯的起點，而不是終點。他對《麻省理工科技評論》說：“我們將看到一種全新的科學(xué)復(fù)興，這些 AI 技術(shù)將繼續(xù)變得更加復(fù)雜，并被應(yīng)用到廣泛的科學(xué)領(lǐng)域。隨著 AI 浪潮的興起，更多的問題將變得可以處理。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（來源：《麻省理工科技評論》）

　　如他所言，2 月 16 日，DeepMind “果真”公布了 AI 用于核聚變的新成果。當(dāng)天，該公司與瑞士等離子體中心（Swiss Plasma Center，SPC）宣布，雙方訓(xùn)練出一種深度強化學(xué)習(xí)算法，可用于核聚變研究中的等離子體磁控制。

　　相關(guān)論文以《通過深度強化學(xué)習(xí)對托卡馬克等離子體進行磁控制》（Magnetic control of tokamak plasmas through deep reinforcement learning）為題發(fā)表在 Nature 上 [1]。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（來源：Nature）

　　據(jù)悉，氫原子在極高溫下產(chǎn)生一個旋轉(zhuǎn)、攪動的等離子體，托卡馬克使用強大的磁場將等離子體限制在數(shù)億攝氏度溫度下，甚至要高于太陽核心溫度，從而進行核聚變發(fā)生研究。

　　值得一提的是，SPC 的托卡馬克較為特殊，它允許各種等離子體配置，因此得名可變配置托卡馬克（variable-configuration tokamak，TCV）。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />圖 | 包含等離子體的 TCV 3D 模型，周圍是各種磁線圈（來源：DeepMind & SPC/EPFL）

　　托卡馬克通過一系列磁線圈形成并保持等離子體，這些線圈的設(shè)置，特別是電壓，必須仔細控制。否則，等離子體可能與管壁碰撞并惡化。為了防止這種情況發(fā)生，SPC 的研究人員首先在模擬器上測試他們的控制系統(tǒng)配置，然后再實際應(yīng)用到 TCV 上。

　　“我們的模擬器基于 20 多年的研究，并不斷更新，”SPC 科學(xué)家兼該研究的合著者費德里科·費利奇（Federico Felici）說，“但即便如此，仍然需要長時間的計算來確定控制系統(tǒng)中每個變量的正確值。”

　　核聚變研究突破的一個關(guān)鍵就是發(fā)現(xiàn)控制等離子體的智能方法。這給了 DeepMind 大展身手的空間。DeepMind 的專家開發(fā)了一種 AI 算法，在模擬中嘗試許多不同的控制策略。

　　根據(jù)收集到的經(jīng)驗，該算法生成了一種控制策略，以產(chǎn)生所需的等離子體配置。等離子體的配置與其在設(shè)備中的形狀和位置有關(guān)。這意味著科學(xué)家可以用它來研究限制和控制等離子體的新方法。

　　據(jù)介紹，DeepMind 首先使用該算法運行許多不同的設(shè)置，并分析每個設(shè)置產(chǎn)生的等離子體配置。然后，該算法被要求以另一種方式工作 - 通過識別正確的設(shè)置來產(chǎn)生特定的等離子體配置。

　　經(jīng)過訓(xùn)練后，基于 AI 的系統(tǒng)能夠創(chuàng)建和維護各種等離子體形狀和高級配置，包括同時在容器中維護兩個獨立等離子體的配置。并在 SPC 的模擬器上進行訓(xùn)練。

　　最后，研究小組直接在托卡馬克上測試了他們的新系統(tǒng)，以下為系統(tǒng)在現(xiàn)實世界條件下的表現(xiàn)。

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />動圖 | 使用強化學(xué)習(xí)控制器生成的各種不同等離子體形狀（來源：DeepMind & SPC/EPFL）

　　SPC 主任安布羅焦·法索利（Ambrogio Fasoli）說，這代表了“重要的一步”，可能會影響未來托卡馬克的設(shè)計，甚至加快通往可行聚變反應(yīng)堆的道路。

　　“從我的感受看，托卡馬克模擬器很重要，一般的托卡馬克實驗參數(shù)都是有運行人員根據(jù)歷史數(shù)據(jù)和經(jīng)驗給出的，很有可能因為各種原因局限在一些小的局域最優(yōu)化參數(shù)上，用托卡馬克模擬器+強化學(xué)習(xí)，確實有可能探索到一般人類不曾想到或者不敢嘗試的參數(shù)空間，這對于挖掘現(xiàn)有聚變裝置的潛力很有意義。”國內(nèi)一位專家表示。

　　DeepMind 的成就雖然意義重大，但只是邁向可行的聚變能源的一步。托卡馬克的狀況每天都在變化，需要在物理和模擬中進行算法改進。關(guān)于核聚變能何時準備好商業(yè)化也存在不確定性。估計從 20 年到 30 年不等，這還不包括擴大規(guī)模。這可能是一個長達數(shù)十年的后續(xù)過程。

　　盡管如此，DeepMind 斷言，人工智能可以幫助加速聚變能的上市之路。DeepMind 的喬納斯·布赫利（Jonas Buchli）在簡報中說：“我們相信人工智能是人類創(chuàng)造力的倍增器，開啟了新的探究領(lǐng)域，使我們能夠充分發(fā)揮潛力。人工智能系統(tǒng)正變得足夠強大，可以應(yīng)用于許多現(xiàn)實世界的問題，包括科學(xué)發(fā)現(xiàn)本身。”

　　這一切或許可以從 2016 年 3 月談起，在韓國首爾，DeepMind 的 CEO 兼聯(lián)合創(chuàng)始人戴密斯·哈薩比斯（Demis Hassabis）見證了該公司的 AI 技術(shù)所創(chuàng)造的歷史。

　　許多人認為圍棋是世界上最復(fù)雜的棋盤游戲，需要幾年的時間才能掌握。然而，AlphaGo，一個受訓(xùn)練后掌握古老棋盤游戲圍棋的計算機程序，與當(dāng)時圍棋界世界排名第二的韓國頂級職業(yè)選手李世石進行了五場比賽。

　　李世石賽前預(yù)測他將以“壓倒性的優(yōu)勢”擊敗 DeepMind 的 AI。然而，AlphaGo 最終以 4-1 獲勝，它的勝利同時震驚了圍棋界和 AI 專家，改變了世界對 AI 能力的看法。

　　不過，當(dāng) DeepMind 團隊在慶祝獲勝時，哈薩比斯已經(jīng)在考慮一個更大的挑戰(zhàn)。他記得當(dāng)時他與牽頭開發(fā) AlphaGo 的大衛(wèi)·西爾弗（David Silver）站在慶?，F(xiàn)場的后臺：“我對他說，‘現(xiàn)在是時候了。’”

　　預(yù)測蛋白質(zhì)的結(jié)構(gòu)：半個世紀的未解難題

　　看著 DeepMind 的 AI 下圍棋，哈薩比斯意識到該公司的技術(shù)已經(jīng)準備好應(yīng)對生物學(xué)中最重要和最復(fù)雜的難題之一：預(yù)測蛋白質(zhì)的結(jié)構(gòu)，這是一個 50 年來科研人員一直試圖解決的難題。

　　蛋白質(zhì)的三維（3D）結(jié)構(gòu)決定了它們在體內(nèi)的行為和相互作用，然而大量重要的蛋白質(zhì)仍然具有生物學(xué)家不知道的結(jié)構(gòu)。蛋白質(zhì)是許多藥物的主要靶點，也是新療法的關(guān)鍵成分，快速解鎖它們的結(jié)構(gòu)將加快新療法和疫苗的開發(fā)。如能使用 AI 準確地預(yù)測它們，將為人們了解癌癥和新冠肺炎等疾病提供寶貴的工具。

　　2020 年，Alphabet 旗下的 DeepMind 發(fā)布了 AlphaFold2，這是一種能將蛋白質(zhì)的形狀預(yù)測到接近原子尺度的 AI 工具。哈薩比斯說：“這是我們做過的最復(fù)雜的事情。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（來源：DeepMind 官網(wǎng)）

　　AlphaFold 的成功亦是一個更宏偉故事的一部分，其標志著 DeepMind 的發(fā)展方向已然發(fā)生改變。該公司的工作重點從游戲轉(zhuǎn)向科學(xué)，以期對現(xiàn)實世界產(chǎn)生更大影響。解決科學(xué)問題是哈薩比斯想要實現(xiàn)的目標，他也希望借此“一朝成名天下知”。他說：“這就是我創(chuàng)立 DeepMind 的原因。事實上，這就是為什么我的整個職業(yè)生涯都在 AI 領(lǐng)域。”

　　25 年來，哈薩比斯一直在斷斷續(xù)續(xù)地“思考”蛋白質(zhì)。20 世紀 90 年代，當(dāng)他還是劍橋大學(xué)的一名本科生時，他就接觸到了這個問題。哈薩比斯說：“我的一個朋友對這個問題很著迷，他會抓住任何機會（在酒吧里或者打臺球的時候）跟我說，如果我們能破解蛋白質(zhì)折疊，這將是生物學(xué)的變革。他的激情始終讓我不能釋懷。”

　　這位朋友叫蒂姆·史蒂文斯（Tim Stevens），現(xiàn)在是一名研究人員，在劍橋大學(xué)從事蛋白質(zhì)結(jié)構(gòu)研究工作。史蒂文斯說：“蛋白質(zhì)是使地球生命正常工作的分子機器”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（來源：《麻省理工科技評論》）

　　幾乎我們身體做的所有事情都會用到蛋白質(zhì)：它們消化食物、收縮肌肉、激發(fā)神經(jīng)元、探測光線以及增強免疫反應(yīng)等等。因此，理解單個蛋白質(zhì)的作用，對于理解身體是如何工作的、當(dāng)它們不工作時會發(fā)生什么、以及如何修復(fù)它們至關(guān)重要。

　　蛋白質(zhì)由一串氨基酸組成，這些氨基酸通過化學(xué)力折疊成一個復(fù)雜的既扭曲、又旋轉(zhuǎn)的結(jié)，所生成的 3D 形狀決定了它的作用。

　　例如，血紅蛋白是一種在體內(nèi)運送氧氣并使血液呈紅色的蛋白質(zhì)，它的形狀像一個小袋子，這讓它能捕獲肺部的氧氣分子。而 SARS-CoV-2 病毒的刺突蛋白結(jié)構(gòu)，使其能附著在細胞上。

　　問題在于，很難從一串氨基酸中找出蛋白質(zhì)的結(jié)構(gòu)以及功能，一條展開的氨基酸串有 10300 種可能的形式，這是與圍棋游戲中所有可能走法的規(guī)模相當(dāng)。

　　在實驗室中，使用 X 射線晶體學(xué)等技術(shù)來預(yù)測蛋白質(zhì)結(jié)構(gòu)是一項艱苦的工作。無數(shù)博士都在研究單一蛋白質(zhì)的折疊。

　　CASP（Critical Assessment of Structure Prediction，結(jié)構(gòu)預(yù)測關(guān)鍵評估）競賽成立于 1994 年，該競賽歷時已久，其旨在通過每兩年讓計算機化預(yù)測方法相互競爭來加快研究速度。然而，沒有任何一種技術(shù)能達到實驗室工作的準確性。到 2016 年，相關(guān)工作進展已經(jīng)停滯了十年。

　　2016 年，AlphaGo 獲得成功后的幾個月內(nèi)，DeepMind 雇傭了一些生物學(xué)家，并成立了一個小型跨學(xué)科團隊來解決蛋白質(zhì)折疊問題。他們研究的技術(shù)在 2018 年首次被人所知，當(dāng)時 DeepMind 以顯著優(yōu)勢擊敗了其他技術(shù)，贏得了 CASP 13 競賽的獎項。

　　然而在生物學(xué)世界之外，很少有人注意到。當(dāng) AlphaFold2 兩年后問世時，情況發(fā)生了變化。AlphaFold2 贏得了 CASP 競賽，標志著在預(yù)測蛋白質(zhì)結(jié)構(gòu)上，AI 以和實驗室生產(chǎn)模型的精度誤差范圍，首次縮小到只有一個原子的寬度，生物學(xué)家對它的出色表現(xiàn)感到震驚。

　　哈薩比斯說，在首爾觀看 AlphaGo 比賽時，他想起了一款名為 FoldIt 的在線游戲，這是一款華盛頓大學(xué)蛋白質(zhì)研究人員大衛(wèi)·貝克（David Baker）領(lǐng)導(dǎo)的團隊在 2008 年發(fā)布的游戲。FoldIt 要求玩家以不同的方式折疊蛋白質(zhì)結(jié)構(gòu)，在屏幕上以 3D 圖像的形式呈現(xiàn)。游戲背后的研究人員希望，隨著很多人加入該游戲，一些關(guān)于某些蛋白質(zhì)可能形狀的數(shù)據(jù)可能會出現(xiàn)。是的，它奏效了，F(xiàn)oldIt 玩家甚至為一些新發(fā)現(xiàn)做出了貢獻。

　　二十多歲時，哈薩比斯在麻省理工學(xué)院做博士后時玩過這款游戲，讓他感到震驚的是，人類的基本直覺可以帶來真正的突破，無論是在圍棋中走一步棋，還是在 FoldIt 中找到一種新的配置。

　　哈薩比斯說：“我在想我們實際上對 AlphaGo 做了什么。我們模仿了令人難以置信的圍棋大師的直覺。我想，如果我們可以模擬圍棋中那種豁然開朗的感覺，那么為什么我們不能將其帶入到蛋白質(zhì)中呢?”

　　在某種程度上，這兩個問題并沒有太大不同。就像圍棋一樣，蛋白質(zhì)折疊是一個極其復(fù)雜的組合問題，這是暴力計算方法無法比擬的。圍棋和蛋白質(zhì)折疊的另一個共同之處是，可以獲得關(guān)于如何解決問題的大量數(shù)據(jù)。

　　其中，AlphaGo 使用了自己在過去積累的經(jīng)驗；AlphaFold 使用了蛋白質(zhì)數(shù)據(jù)庫中現(xiàn)有的蛋白質(zhì)結(jié)構(gòu)（蛋白質(zhì)數(shù)據(jù)庫是一個國際數(shù)據(jù)庫，包含了生物學(xué)家?guī)资陙聿粩嘣黾拥囊呀鉀Q的結(jié)構(gòu)）。

　　另據(jù)悉，AlphaFold2 使用注意力網(wǎng)絡(luò)（Attention Networks），這是一種標準的深度學(xué)習(xí)技術(shù)，可以讓 AI 專注于輸入數(shù)據(jù)的特定部分。這項技術(shù)支撐著像 GPT-3 這樣的語言模型，它將神經(jīng)網(wǎng)絡(luò)導(dǎo)向句子中的相關(guān)單詞。類似地，AlphaFold2 被導(dǎo)向序列中的相關(guān)氨基酸，例如在折疊結(jié)構(gòu)中可能在一起的氨基酸對。

　　史蒂文斯說：“他們把生物學(xué)家?guī)资陙硪恢痹谕苿拥乃袞|西結(jié)合在一起，然后在 AI 領(lǐng)域輕松擊敗了參與 CASP 的其他技術(shù)。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（來源：DeepMind 官網(wǎng)）

　　AlphaFold 已被用于各類研究

　　過去一年里，AlphaFold2 的影響力逐漸擴大。DeepMind 已經(jīng)發(fā)布了該系統(tǒng)的詳細工作原理，并發(fā)布了源代碼。該公司還與歐洲生物信息學(xué)研究所（European Bioinformatics Institute）建立了一個公共數(shù)據(jù)庫，該數(shù)據(jù)庫正在填充 AI 預(yù)測的新的蛋白質(zhì)結(jié)構(gòu)，目前有大約 80 萬個條目，DeepMind 表示明年將增加超過 1 億個條目——幾乎是科學(xué)已知的所有蛋白質(zhì)。

　　英國 AI 藥物研發(fā)公司 Exscientia 的首席科學(xué)家、牛津大學(xué)蛋白質(zhì)信息學(xué)實驗室負責(zé)人夏洛特·迪恩（Charlotte Deane）表示，許多研究人員仍未完全理解 DeepMind 的成就。迪恩也是 DeepMind 去年在科學(xué)期刊 Nature 上發(fā)表 AlphaFold 的論文的審稿人之一，她說：“它改變了你可以問的問題。”

　　世界各地的一些團隊已經(jīng)開始在抗生素耐藥性、癌癥和新冠病毒等研究中使用 AlphaFold。費城?？怂共趟拱┌Y中心的羅蘭·鄧布拉克（Roland Dunbrack）是早期使用者之一，其領(lǐng)導(dǎo)的團隊多年來一直在使用計算機預(yù)測蛋白質(zhì)結(jié)構(gòu)。

　　AlphaFold 為鄧布拉克的工作帶來了前所未有的準確性，他說：“它們足夠精確，可以做出生物學(xué)判斷，解釋癌癥基因的突變。我們之前一直嘗試用電腦生成模型，但經(jīng)常出錯。”

　　鄧布拉克說，現(xiàn)在當(dāng)同事們請他為蛋白質(zhì)建模時，他對他所提供的東西更有信心了。他說，“（不然）我真的很緊張，擔(dān)心他們會回來找我說，‘我們的錢都打水漂了，你的模型很糟糕——它沒有用。’”

　　鄧布拉克表示，AlphaFold 仍然會出錯。但當(dāng)它運行良好時，很難區(qū)分它的預(yù)測和實驗室產(chǎn)生的結(jié)構(gòu)之間的區(qū)別。他在一個名為 ColabFold 的計算機平臺上運行 AlphaFold 預(yù)測，該平臺由哈佛大學(xué)支持并在 Google GPU 上運行。他說：“每天晚上睡覺前，我都會配置一個預(yù)測，運行它要花上幾個小時。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />（來源：DeepMind 官網(wǎng)）

　　即使是最好的 AI 也會出現(xiàn)愚蠢的錯誤

　　“這是一個非常有用的工具，我實驗室里的每個人都在使用。”加州大學(xué)舊金山分校的結(jié)構(gòu)生物學(xué)家克利門特·維巴（Kliment Verba）說。維巴主要研究癌癥，但在 COVID-19 大流行的最初幾周，他加入了一個由研究 SARS-CoV-2 病毒的研究人員組成的松散聯(lián)盟，他想弄清楚 SARS-CoV-2 病毒的蛋白質(zhì)是如何劫持宿主蛋白質(zhì)的。

　　維巴和他的同事已經(jīng)為他們感興趣的病毒蛋白生成了部分結(jié)構(gòu)，但仍然缺少一部分。許多蛋白質(zhì)都擁有多個結(jié)構(gòu)域。結(jié)構(gòu)域是蛋白質(zhì)中密集折疊的單元，一般每個結(jié)構(gòu)域有幾百個氨基酸長，而且每個結(jié)構(gòu)域都有著自己單獨的功能。一個結(jié)構(gòu)域可能與 DNA 結(jié)合，另一個結(jié)構(gòu)域可能與另一個蛋白質(zhì)結(jié)合，以此類推。鄧布拉克說：“它們就像是多頭野獸。”

　　從結(jié)構(gòu)上講，域就像一根繩子上的結(jié)，由松散的、纏繞在一起的線連接起來。在維巴正在研究的蛋白質(zhì)中，其團隊已經(jīng)弄清楚了繩子的粗略形狀，但還沒有弄清楚所有繩結(jié)的詳細結(jié)構(gòu)。沒有這些細節(jié)，他們就無法解釋它是如何工作的。

　　不過，他們意識到，這種蛋白質(zhì)是 DeepMind 已經(jīng)在 AlphaFold 上運行并在網(wǎng)上共享的蛋白質(zhì)之一。AlphaFold 的預(yù)測并不完美，它卷起來的線不太對，但它具有蛋白質(zhì)的四個結(jié)構(gòu)域的形狀，研究人員利用 AlphaFold 對這些結(jié)構(gòu)域預(yù)測，并根據(jù)它們的大致形狀將它們排列起來，這已經(jīng)非常接近。

　　維巴說：“我清楚地記得我看到它的那一刻，這是驚人的。我們現(xiàn)在是世界上唯一擁有完整結(jié)構(gòu)的公司。”他們很快發(fā)表了關(guān)于此次科學(xué)發(fā)現(xiàn)的相關(guān)出版物。

　　維巴認為 AlphaFold 的優(yōu)勢在于找到尚未被充分研究的蛋白質(zhì)結(jié)構(gòu)。他說：“許多我們關(guān)心的蛋白質(zhì)已經(jīng)被研究了幾十年，很多人將畢生精力投入其中，所以我們對它們的樣子有了相當(dāng)好的了解。”但這仍然留下了許多未知領(lǐng)域。

　　例如，維巴對激酶很感興趣，激酶是一種在調(diào)節(jié)細胞正常功能中起著關(guān)鍵作用的酶。如果它們停止正常工作，可能會導(dǎo)致癌癥。人體中大約 500 種激酶，只有大約一半被充分了解過，其余的被稱為黑暗激酶。

　　像維巴和鄧布拉克這樣的研究人員，對于開發(fā)針對激酶的抗癌藥物很感興趣，而這正是 AlphaFold 的局限性所在。

　　因為在實驗室中研究蛋白質(zhì)的結(jié)構(gòu)成本很高，通常只有在蛋白質(zhì)被選為有希望的候選者時才會進行，而這可能需要幾個月的藥物發(fā)現(xiàn)過程。迪恩表示，AlphaFold 希望能夠扭轉(zhuǎn)這一局面，以便加速該過程。她說：“現(xiàn)在我可以從結(jié)構(gòu)開始，確定它的表面哪里有識別位點，以及哪里是可以結(jié)合藥物分子的地方。”

　　然而，正如迪恩承認的那樣，要完全理解藥物和蛋白質(zhì)之間的相互作用，不僅需要一個靜態(tài)結(jié)構(gòu)。蛋白質(zhì)不會靜止不動，它們的結(jié)構(gòu)可通過微妙的重新配置進行循環(huán)。維巴說：“很多時候，這些小的轉(zhuǎn)變是生物功能的關(guān)鍵。”

　　更重要的是，一種蛋白質(zhì)可能在一種狀態(tài)下接受藥物，而在其他狀態(tài)下則不接受。從研究人員目前所看到的情況來看，AlphaFold 似乎只預(yù)測了這些結(jié)構(gòu)最常見的狀態(tài)，而這對于藥物開發(fā)來說可能并不重要。

　　當(dāng)藥物與蛋白質(zhì)結(jié)合時，蛋白質(zhì)也會改變形狀，從而影響藥物的作用。在最壞的情況下，藥物與蛋白質(zhì)的結(jié)合或?qū)︵徑鞍踪|(zhì)產(chǎn)生不可預(yù)測的連鎖反應(yīng)，甚至可能逆轉(zhuǎn)藥物的設(shè)計功能——例如激活而非抑制某些功能。

　　在阿斯利康，分子 AI 部門的負責(zé)人奧倫奎斯特（OlaEngkvist）認為 AI 生成的結(jié)構(gòu)最終將有助于識別藥物靶標——但現(xiàn)在還不是時候。他說：“為了實現(xiàn)變革，AlphaFold 需要有更好的計算方法來理解蛋白質(zhì)動力學(xué)，并處理更大的蛋白質(zhì)復(fù)合物。”

　　DeepMind 計劃在下一個版本的程序中解決這些問題，其中一項工作是生成蛋白質(zhì)形狀的多種變體，試圖捕捉其動態(tài)變化。蛋白質(zhì)移動的方式是由復(fù)雜的化學(xué)原理和物理原理控制的，所以一個完整的移動模型可能需要向 AlphaFold 提供關(guān)于這一過程的大量額外信息。這種方法的缺點是，信息可能會變成一種約束，從而降低了工具的預(yù)測能力。

　　2021 年夏天，DeepMind 發(fā)布了 AlphaFold Multitimer，旨在預(yù)測蛋白質(zhì)復(fù)合物的結(jié)構(gòu)，也就是由多種蛋白質(zhì)聚集在一起的超結(jié)構(gòu)。但它的準確性遠不如 AlphaFold，而且容易出現(xiàn)更明顯的錯誤。

　　即使是最好的 AI 也會出現(xiàn)愚蠢的錯誤，哈薩比斯表示，AlphaGo 在敗給李世石的一局中犯了一個基本錯誤。他說：“你可以認為這是一個 bug。但問題是，這個 bug 存在于它的知識體系之中——你不能直接進入其中并調(diào)試它。”

　　這是因為在不從根本上影響神經(jīng)網(wǎng)絡(luò)工作的情況下，你無法輕易地修補神經(jīng)網(wǎng)絡(luò)。哈薩比斯說：“硬編碼的修復(fù)會損害 AI 的學(xué)習(xí)能力，因為它怎么知道何時使用它們？這與學(xué)習(xí)的意義背道而馳。”

　　因而，DeepMind 正在收集 AlphaFold 最嚴重錯誤的例子，并訓(xùn)練它正確處理這些錯誤。哈薩比斯希望研究人員破解 AlphaFold，找出不可行的地方，并與他的團隊分享結(jié)果，這樣他們就能讓下一個 AlphaFold 變得更好。

　　“AI for Science”：DeepMind 開啟新篇章

　　借助 AlphaFold，DeepMind 開啟了新篇章。該公司正在投資一個名為“AI for Science”的團隊，在過去的幾個月里，它已經(jīng)發(fā)表了一系列出版物，涉及從天氣預(yù)報到數(shù)學(xué)、量子化學(xué)和核聚變等領(lǐng)域。它們都沒有 AlphaFold 的影響力，但雄心的廣度是顯而易見的。哈薩比斯說：“我還沒有一個寫滿了想要解決的問題的手冊，但我心里已經(jīng)有雛形了。”

ink="" style="border: 0px none; vertical-align: middle; display: block; margin: 0px auto; max-width: 640px;" />圖 | 目前 DeepMind 官網(wǎng)上顯示的研究種類（來源：DeepMind 官網(wǎng)）

　　AlphaFold 也標志著哈薩比斯的新篇章。2021 年 11 月，他宣布獲得了一份新工作：他現(xiàn)在正兼任 DeepMind 的領(lǐng)導(dǎo)職務(wù)和初創(chuàng)公司 Isomorphic Labs 的 CEO。后者是 Alphabet 的一家新姊妹公司，將專注于將 AI 的力量帶入生物技術(shù)和醫(yī)學(xué)領(lǐng)域。

　　對于未來規(guī)劃，哈薩比斯并沒有詳述太多，他說：“我們才剛剛開始，所以沒有太多可說的?；旧?，我認為還有很多東西像 AlphaFold 一樣——藥物研發(fā)途徑的不同方面都將適應(yīng) AI，”他補充道，“我的意思是，真正地去做（研發(fā)）——而不是徒有其表的小分析工具。”

　　在哈薩比斯官宣 Isomorphic Labs 的博客文章中，他寫道：正如數(shù)學(xué)被證明是物理學(xué)的正確描述語言一樣，AI 可能會在生物學(xué)中扮演類似的角色。

 

　　將這些工作融入到自己的創(chuàng)業(yè)中，可以更容易地投入所需的精力和資源。他說：“在 DeepMind 雇傭大量化學(xué)家是沒有意義的。”然而另一個事實是，盡管 DeepMind 迄今為止一直專注于純研究（而不是為母公司 Alphabet 的產(chǎn)品做貢獻），但是這家初創(chuàng)公司將主要尋找如何為大型制藥公司帶來新事物。