The Future of Science With AI | Nobel Prize Dialogue London 2026

• Demis 给出贯穿全场的判断："我们正处在奇点的山脚下"（foothills of the singularity），AGI 只差几年。他把 AI 给科学带来的变化称为"数字速度的科学"（science at digital speed），有三重含义：解法本身快（AlphaFold 几秒折好一个蛋白）、解法传播快（开放数据库取代十年渗透，超 300 万研究者、190 国使用）、以及 AI 开始加速科学发现本身（上周两篇 Nature 论文里 AI 已能做实验、提假设）。

• AI 擅长的问题有一个清晰配方（Demis）：①巨大到无法暴力穷举的组合空间（围棋着法多过宇宙原子数，蛋白构象约 10³⁰⁰）②明确的目标函数 ③真实数据或精确模拟器。符合这三条就能用"深度学习模型 + 引导搜索"把不可解空间变可解——AlphaGo、AlphaFold 都是如此，Isomorphic Labs 的药物发现是同一范式的延续（化合物空间约 10⁵⁰）。

• 三位都认为 AI 真正的价值是把科学家从苦工里解放出来去做创造性思考。Paul 直言"在湿实验室做研究极其无聊"（大半时间在移液），而真正点燃科学家的是创造性的想法；Demis 和 Paul 反复强调"提出对的问题"比"解决问题"更难，也是当前 AI 完全做不到的。Demis 的"反直觉之梦"是让真正能干的助手使我们用更少而非更多技术，替我们挡住信息洪流、保护注意力空间。

• Paul 把矛头指向"被技术诱惑"的科学：他批评连 Cell 这样的顶刊都充斥"昂贵、聪明、却得不出任何有趣结论"的数据堆砌——"大数据是问题，AI 才是解药"（Demis 早年向 VC 解释 DeepMind 的话术）。对生命科学，Demis 认为不会有"细胞的牛顿三定律"，AI 是生物学的描述语言、就像数学之于物理；通往理解生命的路标是"虚拟细胞"。

• Demis 系统梳理了隐忧并落到"国际合作"这个命门：四类风险——坏人滥用、AGI 对齐（alignment problem 未解，绝非"关机开关"那么简单）、经济分配、哲学意义。他坦承理想路径本是"先以国际协作的方式把基础科学做扎实、再面对存在性问题"，但聊天机器人的商业化打乱了节奏，而当下恰恰是"最需要强国际机构、国际合作却处于低谷"的坏巧合。

核心论点：Alison Noble 主持的这份 2024 年报告，把"AI 对科学的冲击"拆成几个至今仍最相关的维度——它们构成了全场讨论的框架。

• 报告聚焦的不是"AI 有什么新能力"，而是它如何颠覆科学方法论和科学家的日常——后者被谈得太少。立项时 Alison 特意说"别回来告诉我答案是 AI"，但走出去问人，所有人眼中最具颠覆性的、当下或可见未来的力量，恰恰就是 AI。
• 五大关键议题：算力获取（UK 已有推进）、数据获取（最牵动人心，也是国际议题）、可复现性（不是新概念，但 AI 工具下挑战更大）、技能与角色变化（从单兵的"计算孤岛"走向"团队科学"team science，对某些学科是全新文化）、以及由此带来的"该合作还是该竞争"（科学家天生爱竞争）。
• 报告开篇的提问框架影响深远：AI 之于科学，是助手（assistant）、同行（peer），还是导师（tutor）？
• 两年间公众认知剧变：两年前人们问"我该怎么学 CNN"，如今因为用过 ChatGPT，大家已懂一些大语言模型的原理——"人们对 AI 的个人认知，进化得甚至比 AI 本身还快"。
• 国际态度差异显著：欧洲把 responsible AI 作为底座；印度、中国对潜力更兴奋、谈隐忧更少，但也很愿谈伦理。在印度的 AI 峰会上，"大语言模型建在西方世界数据上"是一大顾虑——不适配本地语言。

"I said: do not come back and say AI. But of course, the most disruptive thing people could see coming was how AI would affect the scientific process."（我说过：别回来告诉我答案是 AI。但人们眼中最具颠覆性的，恰恰就是 AI 会如何影响科学过程。）—— Alison Noble

核心论点：Demis 用 AlphaFold 把"AI 给科学带来什么"概括为三重速度，并判断我们已站在"奇点的山脚下"。

• 这个词组是他 2020–21 年看到 AlphaFold 后造的：团队花约一年折叠了科学已知的约 2 亿个蛋白，他意识到自己正把技术/工程领域的方法搬进一个科学问题。
• 三重含义：①解法本身的速度——AlphaFold 不仅准到让实验生物学家能用（非完美但够用），还能在几秒内折好一个普通蛋白；②解法传播的速度——一个大发现（哪怕像 CRISPR）渗透进湿实验室、成为博士生标准工具往往要 10 年以上，而 AlphaFold 与 EMBL-EBI 合作几个月就上线数据库，"一次关键词搜索就拿到结构"，如今超 300 万研究者、190 个国家用过，无需自己有湿实验室；③AI 加速科学发现本身——上周两篇 Nature 论文（一篇来自 Google DeepMind）里 AI 已能做实验、提出假设。
• "我们正处在奇点的山脚下"——他上周在 Google 年度大会上说这句话引发轰动。他强调指的不只是技术（AGI 一词由联合创始人 Shane Legg 提出），而是即将到来的、会影响科学/经济/社会方方面面的整个时代。
• 一个清醒的注脚：工程跑在了科学前面。"我希望科学能追上工程"——他既是科学家也是工程师，但商业化的聊天机器人"火上浇油"，让工程进步远超我们对系统的理解（系统仍是黑箱）。
• AlphaGo 击败世界冠军已是 10 年前（他刚从韩国回来见总统、纪念这场比赛）——这是现代 AI 时代的开端，是一记"预警信号"，社会其实有过五六年的提前量，只是未必用好了。

"I think we're in the foothills of the singularity."（我认为我们正处在奇点的山脚下。）—— Demis Hassabis

核心论点：Demis 给出一个通用判据——什么样的科学问题适合他所开创的方法。

• 三要素：①一个巨大到无法暴力穷举的组合空间（围棋的着法多于宇宙中的原子数；一个蛋白的构象数约 10³⁰⁰）；②一个清晰的目标函数（赢棋？找最优着法？最小化系统自由能？）以便"爬山"逼近解；③一个数据来源——真实数据或精确模拟器，理想是两者兼有。
• 合成数据的妙用（叙事）：PDB 数据库里约 15 万个蛋白不足以训练 AlphaFold，于是团队先用早期版本折了 100 万个蛋白，再挑出约 30 万个 AlphaFold 自己"自信判断为准确"的回灌训练——但必须极其小心，确保合成数据的分布与真实分布匹配。
• 方法本质：用深度学习模型学到该领域的一个模型，再用它引导搜索过程，把本不可解的组合空间变可解，找到"大海捞针"般、否则不可能找到的那根针。AlphaGo、AlphaFold 都是这一套。
• Isomorphic Labs（Paul 是顾问）是同一范式向药物发现的延伸："相当于再造半打 AlphaFold"——化合物空间约 10⁵⁰，AlphaFold 给出的蛋白结构只是整个药物发现流程的一小环，还要预测毒性、ADME 等生化与化学性质。

核心论点：Paul 以"湿科学家"的视角务实盘点——别小看简单的机器学习，但真正的下一步是让 AI 贯穿科研全流程。

• 已经在用的"简单但别轻视"的能力：图像分析从几天缩到几分钟；文献综述一两分钟出结果（"坦白说大语言模型给的挺无聊，但能让你起步"）。
• AlphaFold 的直接价值：做完实验、设想某个机制后丢给 AlphaFold，看它会不会触及别的东西——"它立刻能催生想法和假设"。
• 下一步：连接的闭环——不是某个孤立技术，而是让 AI 在"数据→假设→假设检验→产生新想法→产出更多数据"的循环里每一步都帮上忙，最终服务于 Paul 心中的终极目标：理解生命，而起点是理解细胞。
• 难点在数据形态：AlphaFold 靠的是"海量、以同样方式采集、汇入公共数据库"的同质数据；而多数生物数据是"深井"——不同地方、不同深度、彼此割裂，如何连接起来目前很棘手。
• Paul 的公开科学宣言："没有公共资助、统一 curation 的数据库，AlphaFold 根本不可能"——这正是为什么要做公共资助的科学。（Demis 接话："这也是我们事后开源它的原因。"）
• Alison 的平行印证（超声/healthcare AI）：协作模式十年间从"计算方→要数据"演进到"与终端用户（如超声技师）co-design 共创解决方案"，再到如今部署系统时引入实验心理学研究人是否信任、是否过度依赖工具。

"Public-funded data, curated in the same way, was essential. AlphaFold would have been totally impossible without that."（统一curation 的公共资助数据至关重要。没有它，AlphaFold 根本不可能。）—— Paul Nurse

核心论点：三人一致认为 AI 最大的意义不是替代科学家，而是把他们从无聊苦工中解放，去做机器做不到的事——提出对的问题、创造性思考。

• Paul 的"反浪漫"开场："在湿实验室做研究极其无聊——大半时间在把小体积液体从一根管子移到另一根。"真正点燃科学家的是创造性的想法（大多是错的，但能证伪、再前进）。所以重点是把工具变成"让人更有创造力"的助手——而大语言模型本身并不具创造性思考。
• 一个有张力的反驳：Paul 也承认，移液、盯着液面弯月、70 年代在显微镜下观察的"无聊时光"，恰恰是思考实验的好时机；真正的危险反而是"被复杂技术拖住、整天在让该死的设备跑起来，反而不再思考你要研究的生物学过程"。
• "提对问题"是当前 AI 的盲区：Demis——"提出对的问题，比解决它难得多……如何把它表述得足够具体、设好对照，今天的 AI 系统完全做不到。" Paul 补充：对的问题常常"从某个角落突然冒出来"，现有方式无法交付这种能力。Demis 判断：未来五到十年内 AI 还做不到，但之后并非不可能。
• 对年轻科学家的赋能：Demis 预测一个博士生未来几年能做的事，相当于过去整个实验室——对那些进取、聪明、有强烈动机的学生是巨大赋能，而且工具像手机 App 一样分布全球，"在任何国家都能用上世界最先进的技术"，无需非得搬到顶级研究中心。他给学生的建议：AI 已"出笼"装不回去，要像他 90 年代拥抱家用电脑和互联网那样钻进去、真正理解它怎么运作（STEM 仍值得学，懂原理才能把工具用得更好）。
• Demis 的"反直觉之梦"：当助手真正能干（也许就差几年），他希望我们能因此用更少技术，而不是更多——今天我们被一堆"试图劫持注意力"的不智能系统（社媒等）狂轰滥炸；而一个真正为你工作的 AI，可以让你说"我 10 点到 6 点要深度思考，别打扰我，到晚上把我关心的事总结给我"，从而守护我们的心智与注意力空间。
• Alison 点出制度性障碍："我们不奖励放慢脚步的人"——学术界尤其，不抢第一就发不了论文；需要重新设计奖励机制，去激励那些深入探索、理解新方法的人。

"Asking the right question is much harder than solving it... current AI systems have no way of doing that today."（提出对的问题，比解决它难得多……今天的 AI 系统完全没办法做到。）—— Demis Hassabis

核心论点：Paul 尖锐批评"为用技术而用技术"的科学，Demis 给出方法论解药——AI 是生命科学的描述语言。

• Paul："技术变得危险地诱人。"他点名 Cell 期刊：如今充斥着"聪明、昂贵、只有少数人做得起，却得不出任何有趣结论"的研究——"他们甚至无意得出有趣结论，因为太陶醉于自己开发了某种技术。我已经读不下去 Cell 了。"问题是人的问题，不是计算机能解的：这一切的目的是理解，而不是收集数据。
• Demis 完全同意，并把它放进自己的框架："大数据是问题，AI 是解药"——这是他早年向（仍一头雾水的）风投解释 DeepMind 时的话术。社会和科学（大型强子对撞机等）正制造数据洪流，复杂度超出最聪明头脑能理解的极限，且往往无法化成优雅的数学方程。
• 由此得出他的标志性论断："AI 是生物学的完美描述语言，正如数学之于物理。" 我们不会得到"细胞的牛顿三定律"——生命太涌现、太动态；但这不意味着没有规律可循，只是它更像一个模拟（simulation），这正是"虚拟细胞"思路的由来。同理可推广到经济学这类"以人为原子单位"的涌现系统。
• 一个已兑现的例证：天气与飓风预测——过去要超算做两周流体力学计算，如今 AI 模型几小时给出同等甚至更准的结果；去年已用于预测 Hurricane Melissa 的路径，对提前预警一个国家是天壤之别。
• 务实提醒：当下多数 AI 应用还停留在"处理日常文书、解读图像"这类平凡但有用的"第一步"；但如何把工具用对，本身就是一个创造性的、考验品味（taste）的问题——这同样适用于商业（不少 CEO "为了用 AI 而用 AI"，其实"那个问题用统计学就够了，硬上 AI 反而碍事"）。

"Big data is the problem, AI is the solution."（大数据是问题，AI 是解药。）—— Demis Hassabis

核心论点：围绕"能否模拟一个细胞"，Paul 给出生物学家的怀疑与洞见，Demis 给出 AI 为何可能超越人类既有知识。

• Paul 对主流路径的否定：有人把细菌细胞简化到 4–500 个基因、建 400 个微分方程去预测——"如果你有 400 个微分方程还预测不了任何你想要的东西，那只能说你不擅长微分方程。"更要命的是这些动力学几乎都在体外（in vitro）测定，体内（in vivo）几乎肯定不是那样。"我们离解决这个问题还差得远。"
• Paul 的核心洞见——"有目的的秩序"（order with purpose）：细胞不只是在熵增的世界里造出秩序，而是造出"为存活与繁殖服务、且自然选择能在其上起作用"的秩序，这极其难刻画。
• 一个亲手做的实验（叙事）：测细胞群体的蛋白合成速率，发现变异极高——有的细胞只有正常水平的 50%，有的高出 50%；但若此刻偏离均值，10 分钟后又回到均值。这很反直觉（几百个反应本该平均出一个很"紧"的值）。Paul 的解读：生物学家总以为一切被严密调控，其实细胞"很松垮、很随意"（floppy and sloppy）——就像电脑出错时我们"关机再开机"，细胞做不到关机，但若足够松垮，也许就永远不会卡死在错误的控制态里。"这套思路（配合 AI 这类工具）正是我会用来逼近这个问题的方式。"
• Paul 的诺奖式"疯狂"：他当年把人类基因撒到不复制的酵母细胞上——"任何认真想过的人都不会这么做，但它成了。" 引出一个俏皮建议：也许该给 AI 模型加一个"疯狂度旋钮"，调到"恰到好处的疯"。
• Demis 的回应——学习系统能超越其创造者：AlphaGo 不是靠写死的启发式（围棋每个子等价、太直觉、太关乎模式，写不出像棋类"子力价值"那样的规则），而是从自我对弈的数据里学，结果发现了人类下了 2000 多年都没发现的新策略。这是关键差异：写死方程的系统很难超越创造者已有的知识，而通用的学习系统有潜力在人类专家协助下突破我们当前的知识边界——这是人类造过的任何工具都不具备的。
• 建模的两个必答问题（Demis）：①除非要把整个星球模拟到量子层级，否则必须圈定一个可近似外部一切的自洽边界系统；②内部需要多粗的粒度才足以支撑你关心的预测。他还感叹化学奇妙地"夹在物理与生物之间"、可以把量子物理抽象掉——也许科学别处也能这样切分。他目前的想法：先做细胞核作为一个合适的子单元起点。

"We biologists think everything is tightly regulated. Actually it isn't—it's very floppy, very sloppy."（我们生物学家以为一切都被严密调控，其实不然——它很松垮、很随意。）—— Paul Nurse

核心论点：面对"算力鸿沟会不会把世界其他地方甩下"，Demis 的回答是——这是想象力问题，不是钱的问题。

• Alison：可走联邦分析（federated analysis，共享算力、只取回结果）、研究"不依赖超大算力的计算方式"、提供算力可及性等多条路，"这只是技术方案的演进"。
• Demis 把它点破为能源问题："能源现在基本等于智能"（经由芯片和数据中心，几乎一对一相关），而英国能源最贵之一，扩张受限。
• 但他强调这更是创造力与想象力的问题：造最新前沿模型要几百亿美元算力——学术界根本不该去做（"美国有 5 家、中国有 3 家在做，足够了"，也追不上）。学者真正该做的是研究黑箱：理解、压力测试它们能做什么、边界在哪、加监控工具、做不耗算力的 benchmark。
• 因为开源模型已经足够好：Google 的 Gemma 4 能在单台笔记本上跑、更别说小型大学集群；中国的小模型也很好，仅落后前沿 6–12 个月（"去年此时它们就是前沿水平"）。用这些就能做大量出色的 AI 科学，以及把 AI 用于其他领域——"这在一年前还不可能"。
• 给学者的态度建议：别被 FOMO 牵着走，"最好的科学家会屏蔽噪音"——就像 DeepMind 在 2010 年顶着"AI 是死胡同"的质疑坚持那样。而且这是做真正跨学科工作最容易的时代：用这些工具能以前所未有的速度把自己带到其他领域的"合理水平"。

"There's five companies doing that in the US, three in China. If I were in academia, I'd study the black boxes—the analysis, the stress testing, the limits."（美国有五家、中国有三家在造前沿模型。我若在学术界，会去研究黑箱——分析、压力测试、找出它们的极限。）—— Demis Hassabis

核心论点：Demis 系统地把风险分层，并指出最棘手的，是恰在最需要国际合作时、国际机构却处于低谷。

• 四层风险：①坏人滥用通用技术（从个体流氓、生物恐怖分子到流氓国家）；②AGI 技术风险——系统越自主越强大（这正是 agentic 时代的第一步），我们设的护栏（guardrails）够不够强、能否约束它们仍按我们最初的意图行事；③即便解决前两者，还有经济分配问题（如何把收益尽可能广地分给更多人和国家）；④再之后是关于意义与目的的哲学问题。
• 关键诚实：alignment problem（对齐问题）远未解决，绝不是"关机开关在哪"那么简单——"去读点相关的书"。这正是 Asimov 用机器人故事警告过的：机器人三定律不管用，加第零定律也不管用，因为会在特定语境里被曲解。
• 他认为护栏研究"也许更适合在学术界和公民社会做，而不是大科技公司自己批改自己的作业"。从当前系统的可引导性看，他对此谨慎乐观，但承认这是未解难题。
• 最深的结构性忧虑：理想路径本应是"先以国际协作的方式把基础科学做扎实（同时仍可快速推进 AlphaFold、攻克癌症这类应用），等社会准备好了再面对存在性问题"。但聊天机器人的商业化打乱了这个节奏——技术装不回盒子里了。如今需要围绕标准或认证流程做国际合作，而且必须是国际性的——偏偏当下地缘政治撕裂、国际机构处于低谷，"这是一个糟糕的巧合：恰恰在最需要强国际机构与合作时，我们正处于它的最低点"。他对人类的创造力仍乐观，但前提是先认清挑战——他很惊讶"没有更多经济学家朋友认真研究一个后 AGI 时代该如何运转的经济系统"。

"It's a bad confluence: just at the moment we need strong international institutions and collaboration, we're in the nadir of that phase."（这是一个糟糕的巧合：恰在我们最需要强国际机构与合作的时刻，我们正处于它的最低谷。）—— Demis Hassabis

核心论点：被问到 AGI 与意识，Demis 把"智能"和"意识"明确分开，并主张先过 AGI 这一关、不要急着去造意识体。

• 大脑是否可计算？Demis 的英雄是图灵（Turing）。他与 Roger Penrose、Stuart Hameroff（主张大脑里有"量子"成分）分歧——"我所有的神经科学工作里都没见到那种证据；感觉像是'把两件我们不懂的怪事凑到一起'"。他的假设：大脑在极限意义上一切皆可计算。
• 一个常被忽略的前提：我们其实不知道意识是什么，它不是一个良定义（well-posed）的问题。自我意识、身份感这些可能是必要但不充分的成分。
• AGI ≠ 意识：他当年特意用 AGI 而非旧词"强 AI（strong AI）"，正因为"强 AI"暗示了意识，把"通用智能"和"意识"混为一谈。在他看来二者可分离——看动物就知道：猫狗有很多地方显得相当有意识，却不如人聪明，说明存在某种梯度。他不觉得现有工具有任何意识的影子，但"它们可能会有"。
• "两道 Rubicon"：他的建议是先跨过第一道——造出 AGI 这类极聪明、极精准、超能干的工具，给社会时间，并用这些工具更好地去研究"意识是什么"（他估计有了这类工具，10 年内能把这个问题问清楚）；至于第二道——是否真要去创造有意识的实体——"在我看来我们并不想。这些（AGI）挑战本身已经够大了，何必把两件事搅在一起、同时跨过去？"

"Let's cross one Rubicon first—AGI—and not conflate it with trying to create conscious entities. Those are big enough challenges in themselves."（让我们先跨过 AGI 这一道 Rubicon，而别把它和'创造有意识的实体'混在一起。光是前者就已经是足够大的挑战。）—— Demis Hassabis

核心论点：在哲学、科研文化与收尾里，三人共同把讨论拉回"工具在变，但科学的灵魂没变"。

• 科学哲学：Paul 推崇 Popper——你无法证明某事为真，只能证伪，久而久之才接受它"可能对"；但他坚决反对存在单一的"黄金标准科学方法"——物理、生物、气候学的做法各不相同（"一些最伟大的物理学家在思考气候时一塌糊涂，因为他们非要从 A 到 Z 完全理解，并以此标准批评别人"）。我们没有好好教"如何思考科学"。
• Demis："哲学的时代到了——如果我现在是哲学家，这会是史上最激动人心的时刻。"我们既需要更新的科学哲学（如何把模拟、把"逆向工程黑箱"纳入科学方法；以及"什么才算理解"——黑箱或许能被反推成数学方程），也需要新的伦理哲学家——一个 Kant、Wittgenstein 或 Spinoza 级别的人，来回答如果技术问题都解决了之后、关于伦理、美德与意义这些最重要的问题。（Paul 打趣："如果是 Wittgenstein，那我们就都该保持沉默了。"）
• 科研文化与年轻科学家：Paul 认为科学界文化"没那么糟，媒体爱夸大"，不必过度自责；Alison 则指出年轻科学家承受巨大发表压力（怕成果先被 arXiv 上别人发了），需要资深者站出来说"我要你成为最好的科学家，而不是看发表数量"——质量永远胜过数量，"这道理如此显然，人们居然意识不到，实在惊人"。
• 收尾：科学还是同一个游戏吗？ 类比 2016 年 Lee Sedol 输给 AlphaGo 后退役（"这不再是同一个游戏了"）。Demis 的回答更微妙：Lee Sedol（他称之为"围棋界的费德勒"，previous decade 最强者）当时已近职业生涯尾声；而 AI 来临确实改变了棋艺与人和棋的关系——但象棋如今比以往更受欢迎：人们不爱看电脑互搏，就像我们仍想看百米飞人 Usain Bolt 而非比人快的汽车，我们想看的是同类能做到什么。
• 一个落到科学的隐喻：围棋高手都说想知道"这门游戏的奥秘"，但"他们真的想知道吗？"——科学也一样。Demis 自陈有一种近乎病态的、不可餍足的好奇心驱动一生，去理解自然与宇宙的规律、乃至实在的本质；Paul 也说科学的根本驱动是"对未知的好奇"，工具重要但不改变这一本质。
• Demis 的乐观收束：未来 10–20 年将是科学发现的"新文艺复兴、新黄金时代"，回头看，AlphaFold 只会是我们借助 AI 攻克的众多难题中的一个例子——"但它会带来代价"。

"In the next 10 to 20 years we're going to live through a new renaissance—a golden age of scientific discovery. Hopefully AlphaFold will just be one example."（未来 10 到 20 年，我们将经历一场新文艺复兴——科学发现的黄金时代。但愿 AlphaFold 只会是其中一个例子。）—— Demis Hassabis