The Hardest Problem 深度访谈

开场把 Demis Hassabis 定位为 Google DeepMind CEO、诺贝尔奖得主，以及当代 AI 发展中极具影响力的人物。主持人指出，AI 对普通人生活最深的影响未必来自聊天机器人或图像生成器，而是隐藏在药物设计、灾害检测、核聚变和量子计算等科学工具中。她回顾 Hassabis 从国际象棋神童、游戏开发到认知神经科学博士和 DeepMind 创始人的经历，并提出核心问题：他将如何使用手中的 AI 权力。

访谈正式开始后，主持人说明这不是关于财务或管理风格的常规采访，而是希望与 Hassabis 一起做一场实时解释式对话。她用积木代表不同 AI 项目和模型，引出 DeepMind 的项目版图。Hassabis 解释自己三十多年前进入 AI 的重要原因，是希望推进科学和医学，并一直把 AI 看作可能实现这一目标的终极工具。主持人随后指出，相比 Gemini 等公众熟悉的模型，更值得讨论的是那些多数时间对人们不可见、却真正改变生活的 AI 系统。

Hassabis 回忆自己在剑桥本科时期接触蛋白质折叠问题：蛋白质支撑身体和生命活动，其三维结构在很大程度上决定功能，而经典问题是能否仅凭一维氨基酸序列预测三维结构。他将其形容为生物学中的费马大定理式难题，既有科学挑战性，也非常适合未来 AI 方法。更重要的是，一旦解决这一问题，就能打开药物发现和疾病理解的下游可能性，因为传统测定单个蛋白结构需要多年努力和高昂成本。

主持人回到 2021 年 AlphaFold 团队会议中的关键时刻。按结构生物学传统，团队原本考虑建立服务器，让科学家提交蛋白序列并等待预测结果。但 Hassabis 在会上意识到，AlphaFold 不仅准确，而且能在数秒内完成预测，于是迅速估算已知自然界蛋白数量、计算资源和处理速度，发现一年内折叠约 2 亿个蛋白是可行的。因此，与其搭建请求系统，不如直接预测所有科学界可能需要的蛋白结构，并建立免费数据库供全球科学家使用。

Hassabis 说明 AlphaFold 已预测几乎所有科学已知蛋白结构，并会随着新测序数据每年更新。由于基因测序速度大幅提升，结构生物学曾远远落后，而 AlphaFold 让蛋白结构预测能跟上新发现序列。它尤其帮助资源较少、研究对象较冷门的科学家，例如研究作物、植物和气候韧性的团队，可以直接进入真正关心的生物问题。它也帮助研究疟疾、恰加斯病、利什曼病等被忽视疾病的非营利组织，减少早期结构测定负担，推进药物发现。

主持人追问 AlphaFold 是否已经催生普通人可使用的新药。Hassabis 表示，已有超过 300 万科学家使用 AlphaFold，几乎每位生物学家都在某种程度上受益，一位药企科学家甚至认为未来几乎每种药物研发都会用到它。但药物发现周期仍然很长，目前很多成果仍处于理解疾病机制、确定靶点和临床试验阶段。他举核孔复合体结构解析为例，说明 AlphaFold 已显著推动基础生物学。随后他介绍 Isomorphic Labs，目标是在 AlphaFold 基础上整合更多相邻系统，提升药物设计效率，覆盖心血管、癌症、免疫等多个治疗领域。

访谈进入当下前沿，主持人引用共同诺奖得主 John Jumper 的观点：AlphaFold 只是药物发现更大问题中的一部分。Hassabis 回应说，团队正在构建许多可以组合的组件。AlphaFold 提供蛋白结构这一关键支点，但真正的药物研发还需要理解蛋白表面哪一部分承担关键功能，并进一步决定是阻断还是增强该蛋白的作用。这个段落把讨论从单一结构预测推进到多系统协同的端到端药物设计框架。