從破解生命密碼、催生諾貝爾獎(jiǎng)級(jí)成果的 AlphaFold，到為谷歌節(jié)省數(shù)億美元、優(yōu)化千億級(jí)別計(jì)算資源的 AlphaEvolve，再到找到連頂尖數(shù)學(xué)家都未曾發(fā)現(xiàn)的新解法……這些顛覆性成果的背后，并非簡(jiǎn)單的模型迭代，而是一套嚴(yán)謹(jǐn)?shù)浇蹩量痰膯?wèn)題篩選法則

今天，Google DeepMind 科學(xué)負(fù)責(zé)人 Pushmeet Kohli 首次為我們揭開(kāi)這套內(nèi)部心法：他們只瞄準(zhǔn)三類問(wèn)題——具有變革性、公認(rèn) 5 到 10 年內(nèi)無(wú)人能解、但 DeepMind 卻有信心在短時(shí)間內(nèi)攻克的不可能的任務(wù)

DeepMind 的科學(xué)框架：如何篩選并攻克變革性挑戰(zhàn)

在訪談的一開(kāi)始，Pushmeet Kohli 便明確指出，DeepMind 的科學(xué)團(tuán)隊(duì)并非尋求漸進(jìn)式的改進(jìn)，而是專注于那些能夠帶來(lái)變革性影響（transformative impact）的宏大目標(biāo)。為了系統(tǒng)性地篩選這些項(xiàng)目，他們建立了一套獨(dú)特的框架和方法論，確保資源能被投入到最關(guān)鍵、最有可能產(chǎn)生顛覆性成果的領(lǐng)域。

首先，Kohli 將智能的能力劃分為三個(gè)層次，這為理解 DeepMind 的問(wèn)題選擇提供了背景：第一層：普遍人類智能 這是大多數(shù)人都具備的基礎(chǔ)能力，例如圖像識(shí)別、閱讀手寫文字等。AI 在這個(gè)領(lǐng)域已經(jīng)取得了長(zhǎng)足的進(jìn)步

第二層：專家級(jí)智能 這類智能需要經(jīng)過(guò)專門的訓(xùn)練和學(xué)習(xí)，例如醫(yī)生根據(jù)癥狀進(jìn)行診斷，或程序員根據(jù)需求編寫復(fù)雜的代碼

第三層：超人類智能 這是指那些即便是最聰明的人類專家也無(wú)法憑直覺(jué)或推理解決的問(wèn)題。一個(gè)典型的例子就是蛋白質(zhì)折疊預(yù)測(cè)：在 AlphaFold 出現(xiàn)之前，即使給一位頂尖生物學(xué)家一個(gè)蛋白質(zhì)的氨基酸序列，他也無(wú)法直接推斷出其復(fù)雜的三維結(jié)構(gòu)。解決這類問(wèn)題往往需要耗費(fèi)數(shù)年時(shí)間和數(shù)百萬(wàn)美元的實(shí)驗(yàn)成本

DeepMind 的科學(xué)項(xiàng)目正是瞄準(zhǔn)了第三個(gè)層次——那些未知的領(lǐng)域，致力于構(gòu)建能夠解決人類當(dāng)前無(wú)法解決問(wèn)題的智能系統(tǒng)。為了從眾多可能性中篩選出合適的項(xiàng)目，團(tuán)隊(duì)遵循一個(gè)由三條核心原則構(gòu)成的決策算法：

1.變革性與可行性 項(xiàng)目的首要標(biāo)準(zhǔn)是必須具備產(chǎn)生變革性影響的潛力，無(wú)論是科學(xué)、商業(yè)還是社會(huì)層面。同時(shí)，它必須是可行的，即在科學(xué)規(guī)律的范疇內(nèi)，而非像“時(shí)間旅行”那樣天馬行空的幻想。社區(qū)需要普遍認(rèn)同該問(wèn)題的解決將帶來(lái)巨大價(jià)值。2.公認(rèn)的難度 項(xiàng)目必須具有極高的挑戰(zhàn)性，以至于行業(yè)內(nèi)的普遍共識(shí)是，在未來(lái) 5 到 10 年內(nèi)無(wú)人能夠解決它。如果一個(gè)問(wèn)題在 6 個(gè)月內(nèi)就可能被其他人攻克，那么它就不屬于 DeepMind 科學(xué)團(tuán)隊(duì)的目標(biāo)范疇。他們專注于那些需要跨學(xué)科合作、頂尖 AI 研究、卓越工程能力以及龐大計(jì)算或數(shù)據(jù)資源才能解決的硬骨頭

3.顛覆共識(shí)的信心 盡管外界普遍認(rèn)為該問(wèn)題需要 5 到 10 年才能解決，但 DeepMind 團(tuán)隊(duì)必須有充分的信心，相信自己能夠憑借獨(dú)特的方法，在預(yù)期時(shí)間的一半甚至三分之一內(nèi)取得突破

只有當(dāng)一個(gè)潛在項(xiàng)目同時(shí)滿足這三個(gè)嚴(yán)苛的條件時(shí)，團(tuán)隊(duì)才會(huì)正式立項(xiàng)。這個(gè)框架確保了 DeepMind 能夠持續(xù)地在最具挑戰(zhàn)性的科學(xué)前沿取得突破?；谶@個(gè)框架，他們產(chǎn)出的成果也根據(jù)其主要影響被分為三類：

科學(xué)影響： AlphaFold 是最杰出的代表。它解決了困擾生物學(xué)界數(shù)十年的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)問(wèn)題，將過(guò)去耗時(shí)數(shù)年、耗資百萬(wàn)美元的過(guò)程縮短到幾秒鐘和幾美分。自 2020 年發(fā)布以來(lái)，AlphaFold 已被全球科研人員廣泛應(yīng)用，成為引用率最高的科學(xué)論文之一，其核心貢獻(xiàn)者 Demis Hassabis 和 John Jumper 也因此獲得了諾貝爾獎(jiǎng)，其科學(xué)影響力不言而喻

商業(yè)影響： AlphaEvolve 是一個(gè)很好的例子。它是一個(gè)由 Gemini 驅(qū)動(dòng)的代碼優(yōu)化智能體，旨在解決那些頂尖計(jì)算機(jī)科學(xué)家也難以優(yōu)化的復(fù)雜問(wèn)題。例如，通過(guò)優(yōu)化谷歌數(shù)據(jù)中心的作業(yè)調(diào)度算法，AlphaEvolve 成功節(jié)省了整個(gè)計(jì)算集群約 0.7% 的算力，這在谷歌的龐大規(guī)模下意味著巨大的成本節(jié)約。同時(shí)，它還顯著提升了 Gemini 模型自身的訓(xùn)練速度。有趣的是，AlphaEvolve 在解決公開(kāi)的數(shù)學(xué)難題時(shí)也表現(xiàn)出色，對(duì) 75% 的問(wèn)題達(dá)到了當(dāng)前最優(yōu)水平，并對(duì)其中 20% 的問(wèn)題找到了超越人類數(shù)學(xué)家的更優(yōu)解

社會(huì)影響： SynthID 是一個(gè)致力于解決生成式 AI 風(fēng)險(xiǎn)的典范。隨著生成內(nèi)容的質(zhì)量越來(lái)越高，區(qū)分真實(shí)內(nèi)容和 AI 合成內(nèi)容變得愈發(fā)困難。SynthID 是一種先進(jìn)的數(shù)字水印技術(shù)，它可以在 AI 生成的文本、圖像和視頻中嵌入一種人眼無(wú)法察覺(jué)但機(jī)器可以檢測(cè)的信號(hào)，且這種信號(hào)對(duì)常規(guī)的圖像編輯和轉(zhuǎn)換具有魯棒性。谷歌已將該技術(shù)應(yīng)用于所有模態(tài)的生成式 AI 內(nèi)容中，旨在維護(hù)信息生態(tài)系統(tǒng)的透明度和可信度，讓用戶能夠清晰地了解內(nèi)容的來(lái)源

從專用模型到通用智能：IMO 金牌

國(guó)際數(shù)學(xué)奧林匹克（International Mathematical Olympiad, IMO）是中學(xué)生數(shù)學(xué)競(jìng)賽的巔峰，其問(wèn)題難度極高，考驗(yàn)著深刻的邏輯推理和創(chuàng)造力。DeepMind 將其視為衡量和推動(dòng) AI 推理能力的重要標(biāo)尺。訪談中，Pushmeet Kohli 詳細(xì)講述了團(tuán)隊(duì)如何從構(gòu)建專用模型，最終發(fā)展到利用通用模型在 IMO 競(jìng)賽中取得金牌級(jí)水平的歷程，這不僅是一個(gè)技術(shù)上的巨大飛躍，也體現(xiàn)了 DeepMind 科學(xué)團(tuán)隊(duì)與 Gemini 團(tuán)隊(duì)之間緊密的合作模式

去年的成果是基于兩個(gè)高度專業(yè)化的模型：

AlphaGeometry： 顧名思義，這個(gè)模型專門用于解決幾何問(wèn)題

AlphaProof： 這個(gè)模型更為復(fù)雜。它的核心是一個(gè)大型語(yǔ)言模型（LLM），但其工作方式并非直接給出答案。它首先會(huì)將自然語(yǔ)言描述的數(shù)學(xué)問(wèn)題，轉(zhuǎn)換成一種名為 Lean 的領(lǐng)域特定形式化語(yǔ)言。Lean 語(yǔ)言的優(yōu)勢(shì)在于，任何通過(guò)它生成的證明都是可以被機(jī)器驗(yàn)證的，確保了結(jié)果的絕對(duì)正確性。AlphaProof 實(shí)質(zhì)上是在所有可能的證明路徑空間中進(jìn)行智能搜索，一旦找到一條通往結(jié)論的路徑，就意味著它生成了一個(gè)形式上完全正確的證明。

這種方法雖然強(qiáng)大，但依賴于專門的模型和形式化語(yǔ)言的轉(zhuǎn)換，使得整個(gè)系統(tǒng)較為復(fù)雜且不易普及。而今年的突破則標(biāo)志著一個(gè)根本性的轉(zhuǎn)變，其核心是 DeepThink，一個(gè)基于 Gemini 2.5 Pro 的模型。這一轉(zhuǎn)變的背后，是兩個(gè)團(tuán)隊(duì)之間深度的技術(shù)轉(zhuǎn)移和協(xié)同創(chuàng)新。

從 AlphaProof 到 DeepThink 的技術(shù)轉(zhuǎn)移路徑非常關(guān)鍵：

1.利用專用模型生成高質(zhì)量訓(xùn)練數(shù)據(jù)： AlphaProof 擁有一個(gè)獨(dú)特的能力——它能生成海量的、經(jīng)過(guò)機(jī)器驗(yàn)證的、絕對(duì)正確的數(shù)學(xué)問(wèn)題及其證明。團(tuán)隊(duì)利用這個(gè)能力，讓 AlphaProof 解決了成千上萬(wàn)甚至數(shù)百萬(wàn)個(gè)數(shù)學(xué)問(wèn)題

2.反哺通用模型： 這些由 AlphaProof 生成的“問(wèn)題-正確證明”數(shù)據(jù)對(duì)，構(gòu)成了一個(gè)規(guī)模龐大且質(zhì)量極高的訓(xùn)練數(shù)據(jù)集。這些數(shù)據(jù)隨后被用來(lái)訓(xùn)練和微調(diào)下一代的 Gemini 模型。這就像是讓一個(gè)初出茅廬的學(xué)生（Gemini）學(xué)習(xí)一位數(shù)學(xué)大師（AlphaProof）的所有解題過(guò)程和思路，從而極大地提升了 Gemini 在數(shù)學(xué)和邏輯推理方面的能力

這一策略帶來(lái)了幾個(gè)革命性的成果：

從專用走向通用： 最新的 IMO 金牌級(jí)成果不再依賴于 AlphaGeometry 和 AlphaProof 這類專用模型。所有的解題能力都被成功地整合進(jìn)了 DeepThink 這一通用的 Gemini 模型中。這意味著 AI 的頂尖數(shù)學(xué)能力不再是孤立的，而是成為了一個(gè)更廣泛智能系統(tǒng)的一部分

實(shí)現(xiàn)自然語(yǔ)言交互： 新系統(tǒng)不再需要將問(wèn)題翻譯成 Lean 這樣的形式化語(yǔ)言。用戶可以直接用自然語(yǔ)言（如英語(yǔ)）輸入 IMO 級(jí)別的復(fù)雜數(shù)學(xué)題，模型就能理解并直接給出解答過(guò)程。這極大地降低了使用門檻，使其更接近人類的自然思考和交流方式

當(dāng)被問(wèn)及這種強(qiáng)大的數(shù)學(xué)能力是否能泛化到其他領(lǐng)域時(shí)，Kohli 坦言這本身就是一個(gè)前沿的研究問(wèn)題，目前尚無(wú)定論。團(tuán)隊(duì)正在通過(guò)嚴(yán)謹(jǐn)?shù)南趯?shí)驗(yàn)（ablation studies）來(lái)系統(tǒng)性地研究，即通過(guò)在訓(xùn)練數(shù)據(jù)中添加或移除這些數(shù)學(xué)證明數(shù)據(jù)，來(lái)觀察模型在其他非數(shù)學(xué)任務(wù)上的表現(xiàn)變化，從而以經(jīng)驗(yàn)性的方式來(lái)探索數(shù)學(xué)推理能力與其他通用智能之間的關(guān)聯(lián)

從 AlphaFold 數(shù)據(jù)庫(kù)到 AI 協(xié)同科學(xué)家

Pushmeet Kohli 強(qiáng)調(diào)，DeepMind 的使命不僅在于實(shí)現(xiàn)科學(xué)突破，更在于將這些突破性的能力交到全世界的科學(xué)家手中，從而加速整個(gè)人類科學(xué)的進(jìn)步。AI Co-scientist（AI 協(xié)同科學(xué)家）則代表了這一理念的未來(lái)方向。

其中最成功的案例就是 AlphaFold。團(tuán)隊(duì)并沒(méi)有將這個(gè)強(qiáng)大的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)系統(tǒng)保留為內(nèi)部工具，而是采取了多種方式使其普惠全球：

開(kāi)放數(shù)據(jù)庫(kù)： 他們利用 AlphaFold 預(yù)測(cè)了地球上幾乎所有已知蛋白質(zhì)的結(jié)構(gòu)，并將這些超過(guò) 2 億個(gè)預(yù)測(cè)結(jié)構(gòu)全部免費(fèi)公開(kāi)在一個(gè)名為 AlphaFold Database 的數(shù)據(jù)庫(kù)中。

賦能全球研究者： 這一舉措徹底改變了結(jié)構(gòu)生物學(xué)的研究范式。正如 Kohli 所描述的，一位在巴西或非洲研究被忽視的熱帶病的研究者，過(guò)去可能因?yàn)槿狈Y金和設(shè)備而無(wú)法獲得其研究靶點(diǎn)蛋白質(zhì)的結(jié)構(gòu)。現(xiàn)在，他/她只需訪問(wèn)一個(gè)網(wǎng)頁(yè)，輸入蛋白質(zhì)序列，點(diǎn)擊按鈕，就能在幾秒鐘內(nèi)獲得高質(zhì)量的結(jié)構(gòu)預(yù)測(cè)。這極大地拉平了全球科研資源的差距

提供 API 接口： 除了數(shù)據(jù)庫(kù)，他們還通過(guò) API 的形式讓開(kāi)發(fā)者和研究機(jī)構(gòu)能將 AlphaFold 的能力集成到自己的研究流程中。

同樣的理念也體現(xiàn)在其他項(xiàng)目中，例如 AlphaGenome，團(tuán)隊(duì)為其開(kāi)發(fā)了定制的用戶界面（UI），讓研究者可以方便地探索人類基因組中的變異如何影響基因功能。這些努力的核心思想是，將復(fù)雜的 AI 模型封裝成易于使用的工具，讓非 AI 領(lǐng)域的專家也能從中受益。

展望未來(lái)，AI Co-scientist 項(xiàng)目將這種理念推向了一個(gè)新的高度。它不再僅僅是一個(gè)解決特定問(wèn)題的工具，而是一個(gè)模擬并增強(qiáng)整個(gè)科學(xué)研究過(guò)程的智能系統(tǒng)

多智能體協(xié)作系統(tǒng)： AI Co-scientist 的核心是一個(gè)多智能體（multi-agent）系統(tǒng)，其中 Gemini 模型扮演了科學(xué)研究生態(tài)中的多個(gè)不同角色。它既是“假設(shè)生成者（hypothesis generator）”，負(fù)責(zé)提出新穎的科學(xué)想法；又是“審稿人（reviewer）”和“批判者（critique）”，負(fù)責(zé)嚴(yán)格地審視和挑戰(zhàn)這些想法的邏輯和可行性。系統(tǒng)內(nèi)部會(huì)進(jìn)行想法的生成、批判、排序和迭代，模擬了一個(gè)高效運(yùn)轉(zhuǎn)的科研團(tuán)隊(duì)

驚人的洞察力： 這種內(nèi)部的思想碰撞機(jī)制讓系統(tǒng)能夠產(chǎn)生出乎意料的深刻見(jiàn)解。Kohli 分享了一個(gè)軼事：團(tuán)隊(duì)曾邀請(qǐng)倫敦帝國(guó)理工學(xué)院的一位教授提供一個(gè)他所在領(lǐng)域的前沿難題。當(dāng)團(tuán)隊(duì)將 AI Co-scientist 生成的幾條核心假設(shè)反饋給這位教授時(shí)，他驚愕地發(fā)現(xiàn)，其中排名第一的假設(shè)，正是他自己的團(tuán)隊(duì)耗費(fèi)數(shù)年心血研究、并且剛剛投稿到頂級(jí)期刊的最新成果。他一度懷疑自己的論文被泄露了。這個(gè)故事有力地證明了 AI Co-scientist 已經(jīng)能夠獨(dú)立地思考，并觸及到人類科學(xué)研究的最前沿

AI Co-scientist 的終極愿景：在未來(lái)，當(dāng)谷歌宣布一項(xiàng)由 AI 促成的重大科學(xué)突破時(shí)，實(shí)現(xiàn)這一突破的將不再是傳統(tǒng)的頂尖科研機(jī)構(gòu)的博士團(tuán)隊(duì)，而可能是世界某個(gè)角落里的一位普通人，他僅僅因?yàn)閾碛袕?qiáng)大的 AI 工具作為伙伴，便得以釋放其創(chuàng)造力，做出了諾貝爾獎(jiǎng)級(jí)別的貢獻(xiàn)

未來(lái)展望：邁向“科學(xué) API”的時(shí)代

在訪談的最后，話題轉(zhuǎn)向了對(duì)未來(lái)的展望，即我們是否會(huì)最終擁有一個(gè)“科學(xué)的 API（API for science）”。這個(gè)概念的背后，是 AI 正在逐步降低各領(lǐng)域?qū)I(yè)技能門檻的大趨勢(shì)。正如今天編寫軟件已經(jīng)比十年前容易得多，未來(lái)從事高水平的科學(xué)研究是否也能變得更加普及？

Pushmeet Kohli 對(duì)此表示了肯定的看法，但他同時(shí)指出了實(shí)現(xiàn)這一愿景的核心挑戰(zhàn)——“歸約問(wèn)題（the specification question）”

無(wú)論是編程還是科學(xué)研究，最困難的部分之一往往不是執(zhí)行，而是清晰、準(zhǔn)確地定義問(wèn)題本身。一個(gè)程序應(yīng)該做什么？一個(gè)科學(xué)實(shí)驗(yàn)的目標(biāo)是什么？這背后需要深刻的洞察力和嚴(yán)謹(jǐn)?shù)倪壿?/p>

*因此，通往“科學(xué) API”的道路，關(guān)鍵在于構(gòu)建能夠讓用戶（無(wú)論是開(kāi)發(fā)者還是科學(xué)家）與 AGI（通用人工智能）進(jìn)行高效、自然溝通的交互界面。我們需要讓 AI 更好地理解人類模糊、高層次的意圖，并將其轉(zhuǎn)化為精確、可執(zhí)行的步驟。

這不僅是一個(gè)技術(shù)問(wèn)題，也是一個(gè)產(chǎn)品和設(shè)計(jì)問(wèn)題。如何設(shè)計(jì)接口，如何收集和利用用戶反饋，如何建立一個(gè)從人類靈感到 AGI 執(zhí)行的無(wú)縫溝通渠道，將是未來(lái)幾年 AI 社區(qū)需要重點(diǎn)解決的問(wèn)題。這恰恰凸顯了像主持人 Logan Kilpatrick 這樣的開(kāi)發(fā)者關(guān)系專家的重要性，他們是連接 AI 技術(shù)與實(shí)際使用者之間的橋梁

總而言之，從 AlphaFold 到 AI Co-scientist，再到對(duì)未來(lái)“科學(xué) API”的構(gòu)想，DeepMind 正在系統(tǒng)性地利用 AI 解鎖科學(xué)的邊界，并致力于將這些強(qiáng)大的能力賦予每一個(gè)人，最終目標(biāo)是構(gòu)建一個(gè)人類智慧與機(jī)器智能協(xié)同共進(jìn)，共同解決人類面臨的最重大挑戰(zhàn)的新時(shí)代