DeepMind创始人：AI 的强大，超乎我们的想象(7)

Lex Fridman：或许你可以给出一些解决 AlphaFold 的方法，与游戏不同，这是真正的物理系统。这当中什么是非常难解决的？有哪些跟解决方案是相关的？

Demis Hassabis：AlphaFold 是迄今为止我们构建的最复杂、可能也是最有意义的系统。

我们起初构建的 AlphaGo 和 AlphaZero 都是与游戏相关，但最终目标不仅仅是破解游戏，而是使用它们来引导通用学习系统，并应对现实世界的挑战。我们更多是希望致力于像蛋白质折叠这样的科学挑战，AlphaFold 是我们的第一个重要证明点。

就数据来说，创新数量大概需要30多种不同的组成算法，放在一起来破解蛋白质折叠。一些重大的创新是围绕物理学和进化生物学，建立了硬编码来约束像蛋白质中键角之类的东西，但不会影响学习系统，因此，系统仍能从案例中学习物理。

假设只有大约15万个蛋白质，即使经过40年的实验，也大概只有约5万种蛋白质结构会被发现。训练集比通常使用的数据量要少得多，但当中使用了像自我提取等各种技巧。因此，使用 AlphaFold 做一些非常有信心的预测时，将其放回训练集中使训练集更大，对 AlphaFold 工作至关重要。

实际上，为了解决这个问题，需要进行大量的创新，AlphaFold 产生的是一个直方图，一种蛋白质中所有分子之间的成对距离的矩阵，它们必须是一个单独的优化过程来创建三维结构。要使 AlphaFold 真正地从端到端，可直接从氨基酸的碱基序列到三维结构，跳过中间步骤。

从机器学习中也可以发现，越是端到端，就越能使系统变得更好，系统比人类设计者更善于学习约束条件。在这种情况下，三维结构要比有中间步骤更好，因为那必须手工进入下个步骤。最好的办法是让梯度和学习一直流经系统，从终点到想要的最终输出，再到输入。

Lex Fridman：关于 AlphaFold 的设想，那或许是生物学中一个漫长旅程的早期步骤，你认为同样的方法是否预测更复杂的生物系统的结构和功能、多蛋白质相互作用；其作为一个起点，能模拟越来越大的系统，最终模拟像人的大脑、人体这样的东西吗？你认为这是一个长期的愿景吗？

Demis Hassabis：当然，一旦我们有了足够强大的生物学系统，治疗疾病和理解生物学就是我的 To Do List 上的首要任务，这也是我亲自推动AlphaFold 的原因之一，AlphaFold 只是一个开始。

AlphaFold 解决了蛋白质结构这个巨大的问题，但生物学是动态的，我们所研究的所有东西都是蛋白质液体结合。与分子发生反应，搭建通路，最终形成一个虚拟细胞，那是我的梦想。我一直同很多生物学朋友交谈，其中就包括了克里克研究所的生物学家 Paul Nurse。对生物学和疾病发现来说，构建一个虚拟细胞是不可思议的，因为你可以在虚拟细胞上进行大量实验，最后阶段再进入实验室来验证。