（关注公众号并设为🌟标，获取最新人工智能资讯和产品）

在英国皇家学会举办的一场特别活动中，Google DeepMind首席执行官Demis Hassabis与著名数学家Hannah Fry教授展开了一场关于人工智能未来的深度对话。活动还邀请了其他三位诺贝尔奖得主Paul Nurse、Jennifer Doudna和John Jumper参与问答环节，共同探讨人工智能时代的科学发展方向。

在这场汇聚多位科学巨擘的论坛上，Hassabis表达了他对AI与科学融合的深刻见解。他认为，我们正站在新的科学发现黄金时代的门槛。未来的重大突破将源自跨学科合作，需要将人工智能技术与领域专家知识进行深度融合。AI不仅能够加速现有研究领域的进展，还可能开辟全新的科学探索方向。作为科学方法的坚定支持者，Hassabis强调，科学方法是人类历史上最伟大的思想成果之一，它不仅奠定了科学发展的基础，更支撑起了现代文明的进步。在人工智能这样具有革命性潜力的技术出现之际，我们比以往任何时候都更需要依循科学方法的指引。他指出，AI的发展不应仅仅依赖传统技术行业常用的A/B测试，而应被视为一个系统性的科学项目。

这种科学导向的发展路径意味着我们需要：深入理解AI系统的运作机制，建立客观的评估基准，探索技术能力的极限。同时，Hassabis提出了一个富有启发性的研究方向——借鉴神经科学的研究方法，如对虚拟神经网络进行类似功能性磁共振成像（fMRI）的分析。考虑到现代AI系统的复杂性已不亚于许多自然现象，这一领域仍有大量开创性的工作等待开展。

对话文稿

主持人Hannah Fry: 我非常荣幸能够采访今天的共同主持人——Demis Hassabis 。他是一位计算机科学家、人工智能研究员以及企业家，他在 2010 年共同创立了 DeepMind，并担任 CEO 至今。或许您对 Demis 的背景了解不多，他不仅是诺贝尔奖得主，还是被授予爵士勋章、皇家学会会员，并且因 AlphaFold 和 AlphaGo 的突破性研究而声名鹊起。他的论文引用量已超过 150,000 次。

此外，Demis 曾是一位非常成功的神经科学家、国际象棋冠军以及视频游戏设计师。我有个理论——Demis 很早就破解了通用人工智能（AGI）的秘密，并将其藏在地下室中，然后逐步向世人展示这些重大发现。可以肯定的是，每次和他的对话都极具启发性。让我们欢迎 Demis Hassabis！

嘉宾Demis Hassabis:  谢谢，谢谢大家，谢谢 Hannah！

诺奖背后

Hannah Fry: 我听说你之前完全不知道自己会获得诺贝尔奖，真的吗？

Demis Hassabis: 是的，真的。

Hannah Fry: 你是怎么得知这个消息的？

Demis Hassabis: 这背后有个有趣的故事。我们听说 AlphaFold 可能被提名，但从未奢望会获奖。那天早上，我和往常一样在工作，我的妻子也在家工作。大约 10:30 时，我们觉得应该没戏了，因为还没有任何消息。突然，我妻子的电脑响了，是 Skype 的来电声音。我们一开始还抱怨这是什么恼人的噪音，结果发现是瑞典打来的电话。他们当时非常着急，因为找不到我的号码，也没有找到 John（合作者）的联系方式。大家都有点手忙脚乱，但也正因如此，为那一刻增添了不少戏剧性。

Hannah Fry: 真是令人惊叹！我还看到你和国际象棋冠军 Magnus Carlsen 和 Hikaru Nakamura 一起举办了一场扑克之夜来庆祝。谁赢了？你的“诈唬”策略是什么？

Demis Hassabis: 那是一个非常棒的夜晚，虽然这么说听起来有点书呆子风格，但对我来说是最完美的庆祝方式。不过，我不建议和几个世界扑克冠军以及前国际象棋冠军一起打牌，除非你不在意输掉一些钱（笑）。至于我的诈唬策略，我可不能透露，否则以后就赢不了 Magnus 了。

Hannah Fry: 除了诺贝尔奖之外，还有另一个值得庆祝的成就。AlphaFold 的研究已经被引用超过 28,000 次，这真的很惊人。有没有哪些应用案例让你印象深刻？

Demis Hassabis: 这确实令人难以置信，也完全超出了我们的预期。当时我们将 AlphaFold 开源，并与研究界和我们的合作伙伴，比如 EMBL-EBI 的团队紧密合作，将这项技术推广到全球。我最喜欢的一些案例包括：研究核孔复合体结构，这是人体中最重要、最复杂的蛋白质之一；Feng Zhang 团队利用 AlphaFold 开发分子注射器，用于向身体难以到达的部位输送药物；以及朴茨茅斯大学的研究团队利用 AlphaFold 设计出可以降解塑料的酶。这些都是我特别欣赏的应用，因为它们不仅展现了技术本身的潜力，还具有深远的实际影响。

Hannah Fry: 那么，接下来会有什么新的突破？有没有类似 AlphaFold 的项目在路上？

Demis Hassabis: 有很多领域正在展开探索，其中我最喜欢的是材料设计领域。这个方向具有巨大的潜力。通过建立模型理解自然现象的物理和化学特性，我们可以在巨大的组合空间中高效地寻找最佳解决方案，比如开发新型电池，甚至有一天找到常温超导体。这一直是我的梦想之一。所以，我认为我们显然还处在这个领域的早期阶段，我会将其定义为类似 AlphaFold 1 的水平，而我们需要达到 AlphaFold 2 那样的预测能力。不过，我们已经看到了一条明确的道路。而 Gnome 项目就是这项工作的开端。我们去年将其发表在《科学》期刊上，发现了 20 万种全新的晶体，这些晶体之前从未被发现过。我认为，这展示了人工智能在材料设计等领域的潜力。

此外，另一个让我兴奋的方向是人工智能在数学领域的应用，比如解决一些重大猜想，甚至是千禧年大奖难题，人工智能可能在解决这些问题的过程中发挥重要作用。

AlphaFold项目

Hannah Fry: 说到 Gnome 项目以及 AlphaFold，你们似乎是在利用“捷径”或者将合成世界的潜力充分发挥出来，从而不需要一切都通过实验来完成。我知道你和 Paul Nurse 爵士一直在讨论“虚拟细胞”的想法，可以给我们介绍一下吗？

Demis Hassabis: Paul Nurse 爵士是我的导师之一，他在生命科学领域对我有超过 25 年的指导。他的启发性思考总让我受益匪浅。Paul 是一位生物学家，同时也是一位少见的、将生物学视为信息系统的科学家。他在这方面写了许多重要的研究论文。多年来，我们一直在讨论“虚拟细胞”的可能性——一种可以真实预测生物行为的细胞模拟。我每隔五年就会评估一下我们是否拥有足够的技术和知识来尝试这个“科学界的珠穆朗玛峰”级别的问题。过去，每次我都觉得我们还差点火候。然而，现在我相信答案是肯定的。我们可能已经拥有了足够的技术和方法，可以认真地展开这个项目。或许在未来五到十年内，我们可以逐步构建一个虚拟细胞的模型，可能会以酵母细胞为起点，因为酵母细胞是 Paul 一直研究的模式生物。

Hannah Fry: AlphaFold 2 解决了蛋白质静态结构的问题，但生物学是一个动态系统，而 AlphaFold 3 的目标似乎是朝着建模这些动态交互迈进，对吗？

Demis Hassabis:  AlphaFold 3 是我们迈出的第一步，它可以建模蛋白质与蛋白质、蛋白质与 RNA、蛋白质与 DNA 之间的两两相互作用。接下来的目标可能是建模完整的生物路径，最终或许可以建模整个细胞。我想，量子计算的到来会在这一过程中起到重要作用，特别是在分子层面的模拟中。它本身也在快速发展。正如 James 今天早上提到的，人工智能与量子计算之间正在产生有趣的交叉。我们与 Google 的量子计算团队合作紧密，比如在错误校正码等领域。当然，量子计算的一个重要用途是模拟量子系统，比如分子、原子和化合物，这可以产生大量的合成数据。不过，我对这个话题也有一个稍显“争议性”的观点。我认为经典图灵机（经典计算机）的能力可能比我们之前想象的要强大得多。我们在 AlphaFold 和 AlphaGo 等项目中都证明了这一点。

Hannah Fry: 你能具体解释一下吗？

Demis Hassabis: 比如，在围棋中，可能的棋局数量比宇宙中的原子还多（10^170），你不可能通过暴力穷举找到最佳下一步。同样，在蛋白质折叠问题中，如果用传统的穷举方式，也几乎不可能解决。然而，如果我们预先建立一个模型，利用系统的规律性并优化搜索过程，就可以在几秒钟内计算出围棋的最佳下一步，或者在几分钟内预测蛋白质的折叠结构。这些本该需要量子计算才能完成的任务，其实经典计算机也可以做到。

所以，我的观点是，经典计算机可以在某种程度上建模量子系统，甚至可能超出传统理解的范围。这或许听起来有些疯狂，但我的观点是，任何自然现象往往都有某种结构。如果这种结构能够被经典机器学习系统学习到，我们或许可以用经典计算机高效地建模和搜索这些复杂系统的可能性空间。

我曾与许多世界顶尖的量子计算科学家探讨过这个想法，比如最近因其开创性量子计算研究而获得诺贝尔奖的 Zinger 教授，他认为这个想法非常有趣。另一位我的科学偶像 David Deutsch 认为这个观点“疯狂但正确”，这对我来说是极大的鼓励，也是一种认可。

AI与药物

Hannah Fry: 关于利用 AlphaFold 在药物发现领域的应用，你们现在还拥有一些非常有声望的合作伙伴。能和我们分享一下 Isomorphic 目前的重点是什么吗？

Demis Hassabis: Isomorphic 是我们从 DeepMind 分拆出来的公司，旨在从基础上重新构想药物发现过程，利用人工智能彻底改变这一领域。在开发 AlphaFold 的时候，我就已经在考虑这个方向了。药物发现是人工智能最有意义的应用之一，因为没有比治愈疾病更好的 AI 应用场景了。AlphaFold 是一项出色的工具，用于基础生物学研究，全球已有超过 200 万名研究人员使用我们发布的蛋白质结构。但仅仅知道蛋白质的结构只是药物发现过程中的一小部分。因此，在完成 AlphaFold 2 之后，我们启动了 Isomorphic，目的是在此基础上进一步扩展，开发新的机器学习系统，应用于相邻领域，比如设计化学化合物和药物化合物、测试毒性、预测药物的 ADME 性质（吸收、分布、代谢和排泄等特性）。

这些系统可以看作是 AlphaFold 的延伸模型，我们希望将这些模型最终整合在一起。我们的目标是将药物设计的时间从几年甚至十年缩短到几个月，甚至几周。这将彻底颠覆药物发现的过程。

Hannah Fry:  这听起来像是一个既能造福人类又能实现盈利的项目。你们通常是如何平衡这些项目的选择？是专注于蓝天研究，还是希望这些研究能够带来实际影响？

Demis Hassabis: 我们两者兼顾。作为一个研究导向的团队，我们会专注于下一步的科学挑战，比如 AGI 或 AlphaFold 的研究，这些挑战本身就非常引人入胜。同时，我也希望这些研究能带来实际的积极影响。如果能找到既具有科学意义又能造福社会的项目，那就是最值得投入时间和精力的方向了。AlphaFold 就是一个很好的例子。蛋白质是精巧的生物纳米机器，深入研究它们让人惊叹于大自然的工程设计。我们开发 AlphaFold 时，就已经意识到它不仅是科学上的突破，同时也会带来社会效益。而 Isomorphic 则是延续这一目标，用 AI 帮助治愈更多疾病，同时也有望成为一家极具价值的公司。这种良性循环可以为基础研究提供更多资金支持。

Hannah Fry: 在基础研究领域，你是否认为我们正处于一个即将迎来“垂直起飞”的转折点？

Demis Hassabis: 是的，我确实觉得我们站在一个新的黄金发现时代的边缘。我们需要更多跨学科的科学合作，将 AI 正确地融入科学研究中，与领域专家共同提出正确的问题。我认为其应用潜力几乎是无限的。人工智能本身也在不断进步。我们可以将现有技术直接应用于其他领域，同时也在持续改进 AI 系统。随着这些技术的指数级进步，我相信未来几年会有大量突破出现。

Hannah Fry: 今天讨论的一个主题是 AI 时代的科学会是什么样子。你是科学方法的坚定支持者，可以和我们谈谈你对未来科学的看法吗？

Demis Hassabis: 我认为科学方法可能是人类有史以来最伟大的思想，它不仅奠定了科学的基础，也支撑了现代文明。在 AI 这样强大且潜在具有变革性的技术出现的今天，我们更需要依赖科学方法，而不是像传统技术那样仅通过 A/B 测试来推进。我觉得我们应该将 AI 的发展视为一个科学项目。

这意味着我们需要更好地理解这些系统的功能，建立基准和严格的评估方法，探索其能力的极限。同时，我认为我们可以借鉴神经科学的方法来研究 AI 系统，比如对虚拟神经网络进行类似 fMRI（功能性磁共振成像）的分析。这些系统的复杂性不亚于我们研究的自然现象，因此我们有大量工作需要完成。

Hannah Fry: 在这个过程中，科学家的直觉如何发挥作用？

Demis Hassabis: 科学家的直觉和创造力是关键。目前，AI 系统只是工具，它们擅长发现数据中的相关性、模式和结构，但无法提出自己的假设或问题。而提出正确的问题是科学中最难的部分，这仍然需要人类科学家完成。我认为在可预见的未来，这一点不会改变。

AI与科学发现

Hannah Fry: 我认为，这些人工智能系统可以成为终极工具，帮助我们加速科学发现的进程。在这一主题上，最近有一些研究表明，科学发现的进展速度在近年来有所放缓。你怎么看这个问题？有什么办法可以改变这种状况？

Demis Hassabis: 我也看到过类似的研究，并认为背后有一些有趣的假设。比如，科学现在是一项更庞大的事业，需要更大的团队和更昂贵的设备，这可能会导致一些放缓。此外，我们现在解决的问题也越来越复杂，这无疑增加了难度。我认为，未来十年，许多进展将来自跨学科的合作。通过汇集来自两个或多个领域的专家，我们可以在这些领域的交叉点取得重大突破。DeepMind 的发展就是一个很好的例子，最初是神经科学和机器学习理念的结合；AlphaFold 也是如此，它是生物学家、化学家和机器学习专家共同努力的成果。今天我们宣布了一项重要消息——Google.org 将提供 2000 万美元的基金，用于资助学术界的跨学科研究。我希望其他资助方也能加入这个努力。我们需要培养新一代的博士生和博士后，他们能够在这些不同领域的交叉点上工作。

Hannah Fry:  这是一个令人振奋的消息！2000 万美元用于支持跨学科团队的研究。Demis，谢谢你。

Demis Hassabis: 谢谢你。

四位诺奖得主同台

Hannah Fry: 接下来，我们将邀请三位诺贝尔奖得主上台，与 Demis 一起参与讨论。在他们上台之前，我想和大家分享一个趣闻。“诺贝尔奖得主”（laureate）一词源自古希腊，意为“桂冠胜者”，因为在古希腊，桂冠是胜利者的象征。每年有五个单独的奖项颁发给对人类社会贡献最大的人士，这些奖项由阿尔弗雷德·诺贝尔设立。有一个传闻是诺贝尔奖没有数学奖的原因，是因为诺贝尔的爱人最终嫁给了一位数学家。不知道大家听过这个故事没有（笑）现在让我们欢迎三位诺贝尔奖得主登台，他们分别是 John Jumper、Paul Nurse 和 Jennifer Doudna。我知道大家通常会被问到，当你得知获奖时在做什么。不过，我想换一个问题。有没有那么一个时刻，你意识到自己的工作真正具有突破性的意义？

嘉宾John Jumper: 我想我有两个这样的时刻。第一个是我们发布 AlphaFold 数据库后，我不停刷新 Twitter，看大家的反应。当时许多研究生在发推文，有人甚至惊讶地问：“他们是怎么知道我的结构的？这还没发表啊！”第二个时刻是有一次我看到《科学》杂志的一期特刊，里面有关于核孔复合体的研究，这是一种人体细胞中最大的蛋白质集合。在这期特刊的四篇论文中，有三篇都大量引用了 AlphaFold，提到了超过 100 次。这些研究完全是基于我们的工具完成的，但我们甚至都不知道他们在做这些事情。这是一个令人难以置信的时刻，我意识到我们开发的工具正在推动世界级的科学研究。

嘉宾Jennifer Doudna： 对我来说，也有两个关键时刻。第一个是在 2011 年秋天，我们与 Emmanuelle Charpentier 开始合作研究 CRISPR，这是一种细菌的免疫系统。当我们发现这是一个 RNA 指导的系统，并且可以通过编程来操控 DNA 时，我简直被惊呆了。那一刻让我意识到，细菌竟然能够做到这种程度，我们也可以利用它来以全新的方式操作 DNA。第二个时刻是 2012 年我们发表了研究后不久。我开始收到来自世界各地的电子邮件，许多人告诉我，他们已经开始在果蝇、斑马鱼甚至人类细胞中测试基因。看到整个领域的势头迅速增长，那是一种前所未有的感受。

嘉宾Paul Nurse: 我可能是这里最年长的了（笑）。我要追溯到 1985 年。当时，我的实验室研究了控制细胞周期的基因，也就是控制细胞分裂的过程。这对于所有生物体的生长和发育都是至关重要的。我们确定了相关基因，但老实说，谁会在意酵母呢？我自己很在意，但大多数人并不关心。我发现我们的研究当时并没有得到太多关注，所以我在想，人类是否也有相同的基因？那时离人类基因组测序完成还有很远的路要走。于是，我们做了一个非常疯狂的实验，我想和大家分享它到底有多疯狂。我们用一种在酵母中无法生长的突变体，因为它缺少了这个基因。然后，我们拿到了一份人类的 cDNA 文库（首个被制备出来的此类文库），并将其中的基因“撒”到这个有缺陷的酵母中。我们的理论是，如果人类有一个基因可以完成这个缺陷基因的功能，酵母细胞就能吸收它，将其表达出来，并恢复生长和分裂。我们就可以找回这个基因并证明人类确实拥有它。

这个实验本不应该成功，因为酵母和人类可能在 15 亿年前就已经分化了。我们却在要求这个基因在 15 亿年后依然能够工作。令人惊讶的是，它竟然成功了！当时，获取基因序列花了几个月时间。在那段时间里，我每天都在想：“明天回到实验室，我一定会发现这个实验其实并不成功。”但它一直都成功。这是让我第一次意识到，也许我们的工作可能会受到认可，因为这次研究已经超越了酵母，涉及到了人类。

提问环节

观众 1: 今天的活动真是令人印象深刻，非常感谢你们以这样精彩的讨论为活动收尾。我有一个比较轻松的问题：如果你能穿越时空回到 18 岁或 21 岁的时候，告诉当时的自己一句话，让他确信自己正在做出正确的人生选择，你会说什么？但不允许提到诺贝尔奖（笑）。

Demis Hassabis: 这对我来说有点复杂，因为我在 18 岁时其实就有了今天的计划。令人惊讶的是，它真的实现了。但如果让我告诉那时的自己什么，我可能会说：“享受旅程吧，一切都会成功。”作为一名从 4 岁就开始下国际象棋的人，我习惯了长期规划，所以我当时已经为未来制定了许多计划。但我认为，如果能更放松地享受当下，那可能会更好。

John Jumper: 我的建议可能和 Demis 的完全相反（笑）。我会告诉 18 岁的自己，做现在正确的事情，相信“人生的梯度下降”法则。只要你对当下保持开放，未来一定会有有趣的事情等着你。

Jennifer Doudna: 我会告诉 18 岁的自己，跟随自己的热情，永不放弃，不要听那些唱反调的人。作为一个没有学术背景的人，我无法相信原来可以因为追随自己的好奇心而获得报酬。现在 50 多年过去了，我依然觉得这难以置信。

Paul Nurse: 我想补充一点，我认为现在是生物学和 AI 的黄金时代。能生活在这个时代，见证这些突破，是一件非常幸运的事情。

观众2： 我是来自科学博物馆的 Roger Highfield。我有一个建议，我们是否可以设计一些“炫酷”的 AI 硬件，让它们能够像 Google 的 Sycamore 量子计算机一样，成为科学博物馆的藏品？另外一个更严肃的问题是，AI 系统虽然擅长提供答案，但在提供机制性见解方面却表现不足。它们的数十亿个参数没有实际的物理意义。这是否会成为公众信任 AI 的一个障碍？什么时候我们才能看到 AI 能够像物理学那样为我们揭示生物学的“规律”，带来真正的机制性见解？

Demis Hassabis: 我觉得这其实是一个很有趣的话题。虽然有些人对此非常担忧，但我认为我们正处于一个转折点。我之前提到过，AI 是一门工程科学。过去 5 到 10 年里，我们终于建造出了值得研究的系统，比如 AlphaFold 和 Transformer 模型。在此之前，系统还不够复杂，不值得投入精力进行深入研究。现在，这些系统已经有足够的复杂性，学术界正在认真研究它们。此外，这些系统也在自我改进。最起码，我们将处于一个能够让 AI 系统用语言、数学或代码解释自己的阶段。

不过，我认为生物学不像物理学那样可以用简单的规律来解释。生物学更复杂，更像是一种交互作用的网络。所以，与其期待像牛顿定律那样的理论框架，我们可能更需要的是可以不断探索和验证的模拟系统。此外，我还提到过，可以将神经科学技术应用到人工神经网络的研究中。通过结合这些方法，我们应该能够更深入地理解 AI 系统的机制，甚至达到类似于对自然大脑研究的深度。未来五年内，我们应该能够摆脱目前“黑箱”的局面。

观众 3:  刚才提到了 AI 对社会科学的潜在影响。我想反过来问一下，在你们看来，社会科学的研究如何能够帮助塑造 AI 的未来？如何通过社会科学将这种工程科学与应用领域和背景的深度理解结合起来，从而实现跨学科的转型？

Paul Nurse:  首先，我认为我们确实需要更加关注社会科学。作为科学家，我们需要认识到人类的互动是非常复杂的，因此我不确定社会科学在一开始能给我们提供多大的帮助。但我们必须考虑它的潜力。我可以想象一些具体的社会科学问题，比如交通系统中的人类行为模式研究，或者理解人类互动的机械层面。这些问题可能是社会科学对 AI 帮助的起点。当然，情感理解也是一个很难的领域，但我们需要逐步解决。

John Jumper: 我认为“注意力机制是我们所需要的一切”确实是一种过于简化的说法。比如 AlphaFold 的开发并不是简单地拿现成的 Transformer 架构来应用于蛋白质结构预测。它需要几年的时间去研究和优化，其中包含很多新的想法和创新。注意力机制确实是一个重要的组成部分，但它并不是全部。我们还开发了许多改进的架构，比如“Evoformer”。AI 研究领域的创新仍在不断涌现，这些研究正在解锁新的数据源，并从现有数据中学到更多东西。例如，AlphaFold 是在使用与其他研究者相同数据的情况下，能够从中学习到更多知识的一个案例。这说明 AI 研究的潜力非常大，我们还将看到更多令人兴奋的突破。

Demis Hassabis: 我完全同意 John 的观点。Transformer 架构确实非常重要，但我预测它不足以单独支撑未来的 AGI 系统。我们可能还需要其他几个类似的重大突破，而这些突破尚未到来。

观众 4: 非常感谢，这是一场精彩的会议。今天的主题是用 AI 改善科学研究，通常的建议是让科学家学习更多关于 AI 的知识并加以利用。但如果反过来看，有哪些 AI 目前无法做到的事情是科学家应该重点训练以提升其价值的？

Jennifer Doudna: 感谢这个问题。我一直在思考数据问题，今天也多次提到过。对于生物学来说，数据的质量和数量都是很大的挑战。通常，我们需要大量高质量的数据来训练模型。我希望 AI 能帮助科学家学习如何更聪明地收集数据。即便是稀疏的数据，也可以通过合理设计提供足够广泛的覆盖，为模型训练奠定坚实的基础。目前，作为实验科学家，我们在设计实验时通常不会考虑这一点，但我们可以开始这样做。

观众 5： 作为一名长期与社会科学家合作的研究者，我认为社会科学的一个大问题是数据收集，尤其是隐私问题。这让研究变得比其他科学领域更困难。另外，我有个实际问题：AI 能否解决普通感冒的问题？请问你们的研究在这方面有什么进展吗？

Paul Nurse:  这是一个棘手的问题。科学研究并不总是那么简单。不过，我想说更重要的一点是，我们必须争取公众的支持。这非常关键。每当新技术出现，总会引发担忧。这并不新鲜。问题在于，我们需要与公众对话，而不是让这些讨论被某些利益群体劫持。这些群体通常声称自己代表公众，但实际上他们更多地代表自己的利益或激情。因此，我们需要找到合理的方式与公众进行建设性的讨论。例如，我之前提到的“协商式民主”就是一个可能的解决方案，尽管成本较高，但我认为非常重要。如果不能争取公众的支持，我们将无法充分发挥这些科学突破的潜力，无论是更好地理解世界还是将发现应用于公共利益。

观众 6: 今天讨论了很多伟大的科学研究。但对于那些不理解科学或者对科学抱有怀疑态度的人群，你们有多担心他们可能会拒绝这些突破？我们应该如何应对这一问题？

John Jumper: 在我的科研生涯中，我发现团队合作的力量非常重要，也非常有趣。我在 Google DeepMind 时有幸参与团队合作，甚至在攻读博士学位前也有类似的经历。不过，博士期间的工作通常更孤独，专注于一个非常具体的课题。团队合作不仅能提高科研效率，也能激励科学家继续努力。科学总是伴随着大量的失败和偶尔的重大成功，而这些成功通常是团队合作的成果。如果你在科研中找不到乐趣，你很难坚持下去。而几乎所有伟大的科学家似乎都在享受他们的工作。

观众7 :  关于包容性问题，到 2050 年，非洲将拥有全球最多的年轻人口。这些年轻人将为世界服务，这是人类持续发展的关键。请问当前科学界如何确保非洲被纳入全球科学共同体？我必须提到，Google 和 Google DeepMind 在支持非洲年轻人发展 AI 能力方面做得非常棒，但除此之外，科学界还在做些什么？

Jennifer Doudna: 我想回应刚才关于非洲的问题。我们在创新基因组学研究所（Innovative Genomics Institute）的一项计划让我特别自豪。过去三年里，我们的团队定期前往肯尼亚，与当地科学家合作，帮助他们理解 CRISPR 技术。这些科学家回到自己的社区后，与学生一起开展科学实验，激发他们的兴趣。这种影响力是深远的，也是非常有意义的。

观众 8:  我是从化学领域转到数字科学的学者。化学中的技术进步，比如显微技术，总能打开其他研究领域的大门。AI 也有类似的潜力。但今天的讨论显示，很多 AI 的进步主要来自工业界，而非学术界。Paul，你谈到了研究文化，以及当前的科研奖励机制可能不利于创新。我们如何改变这种全球文化，尤其是当没人愿意冒险成为第一个改变现状的人时？

Paul Nurse: 这确实是个问题，因为学术界的文化和现有的奖励机制不一定鼓励创新。在当前体系下，科学家倾向于选择更安全的研究方向，以确保能发表论文并获得经费支持。要改变这种情况，需要全球科研文化的转变。我们需要重新审视如何评价科学成功，以及如何激励科学家进行更具创新性和风险性的研究。这需要学术界、资助机构和政策制定者的共同努力。

我稍微补充一下吧。我们生活在一个大数据的时代，有时标准太低，仅仅是报告大量的大数据似乎就已经足够了。一些非常高知名度的期刊似乎只是在发布大量数据的研究文章。但我们需要更多关注大数据世界中的创造力。创造力在这种情况下很容易被忽视，尽管实际上，大数据如果采用创造性的方法，可以带来巨大的机会。我们需要思考什么是创造力，我本可以花很长时间讨论这个问题，但现在时间有限。所以，我只想说，我们需要在同事和学生中鼓励创造性思维，而这与简单地收集大量数据是不同的。如果对大数据采取创造性的方式处理，它确实可以带来令人惊叹的成果。

Jennifer Doudna: 我希望能看到更多这样的事情发生。我认为在这方面有巨大的机会，这让我对 Google 正在做的事情也充满期待。我相信我们都有机会在这一领域加强合作，让更多人能因为追随自己的好奇心而获得支持和资助。

Demis Hassabis:  有太多话题可以展开讨论，但时间有限。我想说，对于如何鼓励下一代科学家来说，我个人的英雄之一是费曼。他不仅是以物理学书籍著称，他写给普通人的书更是激励了我投身科学的原因。我真的认为所有的学生都应该读他的书，比如《别闹了，费曼先生！》（Surely You're Joking, Mr. Feynman!）和《发现的乐趣》（The Pleasure of Finding Things Out）。这些书比任何其他书籍都更好地展示了站在知识前沿的激动人心之处。这些书让我在 10 岁或 11 岁时感受到科学的乐趣和魅力。我认为，把科学的这些乐趣和激动人心的感觉传递给孩子们非常重要。费曼是一个在科学中找到无尽乐趣的典范，他的故事和精神是极好的榜样。

Hannah Fry: 非常感谢各位的精彩发言！

【往期回顾】

💡 看到很多读者在问"如何开始AI转型"，我们建了个实战派AI团队（成员来自复旦、浙大、华为、阿里等），专注帮企业做"轻量级"AI落地：

• 🎯 公司该从哪个环节开始用AI？

• 🛠️ 具体怎么落地才不会踩坑？

• 💰 投入产出比怎么才最大？

我们团队专注企业AI解决方案

联系负责人：Milo-1101（仅限企业客户）

素材来源官方媒体/网络新闻