AI and science with Demis Hassabis | The Royal Society x Nobel Prize

• "数字速度的科学"已从单点工具变成范式。Demis 用 AlphaFold 折叠 ~2 亿个已知蛋白后提出这个说法，含三重含义：解法本身快（平均蛋白几秒折好）、传播快（放进数据库、关键词搜索即得，190 个国家、300 万+ 研究者已使用）、以及最新出现的第三重——AI 开始直接加速科学发现本身。上周《Nature》两篇论文（一篇来自 DeepMind）已展示 AI 自主做实验、提假设。

• Demis 判断我们正站在"奇点的山脚"，AGI"只有几年"之遥。真正起作用的 agentic（智能体）时代刚刚到来，他认为 10 年后回看，"现在到明年"这段会被视为划时代的起点。但他坦言工程进度跑在科学理解前面——我们还没真正搞懂自己造出来的系统，"希望科学能追上工程"。

• 方法论可被清晰刻画为三要素：一个无法暴力穷举的巨大组合空间（围棋走法多过宇宙原子、蛋白构象 ~10^300）、一个明确的目标函数、一个数据来源（真实数据或精确模拟器）。满足这三点，用深度学习建模该领域、再引导搜索，就能把不可解的空间变可解。Isomorphic Labs 就是把这套方法从蛋白结构延伸到整个药物发现链条（毒性、ADME 等），相当于"再造半打 AlphaFold"。

• 两位诺奖得主在"创造力"上高度共鸣：科学最珍贵的是提出正确问题、产生创造性想法，而湿实验里"把液体从一根管子移到另一根管子"的无聊苦力应该交给 AI。Paul 直言"问对问题比解决问题难得多"，Demis 补充现有 AI 系统"今天完全没有提问的能力"。

• 忧虑被 Demis 系统化为四层：坏人滥用通用技术（生物恐怖、流氓国家）→ AGI 对齐（自主性增强后护栏是否够强，这是未解的"alignment problem"，绝非"关机开关"那么简单）→ 经济分配（如何广泛共享收益）→ 意义与目的的哲学问题。他对人类应对能力仍乐观，但惊讶于"很少有经济学家朋友认真研究后 AGI 经济体系"。

• 贯穿全场的主线是"工程跑在科学前面"这个张力：从 AlphaFold 的成功、到 chatbot 把 AI 变成商业洪流、到对齐问题悬而未决、到呼唤新科学哲学——Demis 反复回到同一个判断：能力的进步太快，而我们对系统的理解、社会的制度、科学的方法论都没跟上。理想状态本应是"用国际合作把基础研究做扎实，再快速落地应用"，但语言模型的商业化把节奏彻底打乱了。

核心要点：报告由 Alison Noble 主持、耗时 18 个月、汇集 100+ fellows 输入，刻意不止步于"AI 很厉害"，而聚焦 AI 对科学过程与方法论的颠覆。

• 报告约两年前（2024）发布，立项时 Alison 明确要求工作组"别只回来跟我说一个词：AI"——但走访科学家后发现，大家普遍认为最具颠覆性的恰恰是 AI 如何改变科研流程与方法论。
• 五大议题：算力获取（compute，英国已有推进）、数据获取（data，国内国际都是痛点）、可复现性（reproducibility，老问题但 AI 工具放大了挑战）、技能与团队科学（从单打独斗的"筒仓"转向 team science）、以及合作还是竞争（科学家天生好胜，文化转型很难）。
• 报告开篇抛出一个贯穿全场的提问框架：AI 之于科学家，是助手（assistant）、同侪（peer）还是导师（tutor）？
• 工作方法：办了数据获取、AI 安全、大语言模型等多场 workshop（恰逢英国主办首届 AI 安全峰会），从与 fellows 的互动中提炼议题。
• 报告刻意强调规则要"分学科定制"，不能搞一刀切的"伞式规则"（umbrella rules）；新进入 AI 的领域应向成熟领域学习。

"我说过：别回来只告诉我'AI'。但你真去问科学家，他们看到最具颠覆性的事，就是 AI 会如何改变科学过程本身。" —— Alison Noble

核心要点：作为皇家学会外事秘书频繁出访，Alison 观察到欧洲强调"负责任 AI"、印度中国更被潜力点燃，而西方数据偏见是全球性隐忧。

• 各地共性关切：可复现性、AI 对学术出版（同行评审、写论文）的影响。皇家学会去年专门办过一场关于"出版未来"的会议。
• 区域差异明显：欧洲把"负责任 AI"（responsible AI）作为科学的底层支撑；印度、中国则更被潜力激发，谈忧虑更少，但同样关心伦理与负责任议题。
• 在印度 AI 峰会上，一个突出担忧是：大语言模型建立在西方世界的数据之上，难以很好迁移到本地语言。
• Alison 认为，正因为科学应当跨越地理边界，各国科学院（national academies）反而是开展这类对话的好场所——真正的壁垒是数据获取与信息共享。

核心要点：Demis 在 2020/2021 看到 AlphaFold 后提出"science at digital speed"，原指两重含义，如今正在浮现第三重。

• 第一重——解法速度：AlphaFold 不仅精度足够让实验生物学家可用，而且平均几秒就能折好一个蛋白。
• 第二重——传播速度：传统上，即便是 CRISPR 这种重磅方法，从发明到渗透进湿实验、成为博士生日常工具，往往要 10 年以上。而 AlphaFold 与欧洲生物信息研究所（EMBL-EBI）合作，几个月内把折好的结构放进数据库，之后"简单到像一次关键词搜索"——至今 190 个国家、300 万+ 研究者使用过，你甚至不需要拥有湿实验室就能取用结构、在其上构建。
• 第三重——AI 加速发现本身：这是现在才明显起来的。上周《Nature》两篇论文（一篇来自 Google DeepMind）已展示 AI 做实验、提出假设。
• Demis 把这视为自己一生工作的"元贡献"：与其亲手做某一项科学，不如造出"帮助科学发现的终极工具"——他认为 AGI 就是这个工具，而现在越来越多人开始看到他 20 年前就看到的东西。

"我们花了大约一年，把科学已知的全部 2 亿个蛋白都折叠了一遍。那一刻我意识到，我们正在把技术与工程领域的方法，用到一个科学课题上。" —— Demis Hassabis

核心要点：Demis 上周在 Google 年度大会上抛出"奇点的山脚"一说引发轰动，他认为 agentic 时代刚开始真正起作用，AGI 距今只有几年。

• "奇点"指的不只是技术（AGI 一词由联合创始人 Shane Legg 提出），而是技术周围更广的社会、科学、经济变化——他认为这会影响一切。
• AlphaFold 2020 年完成，在 AI 里已算"远古时代"；今年距 AlphaGo 也 10 年了，Demis 刚从韩国回来见总统、纪念那场对弈 10 周年——回头看，那场比赛标志着现代 AI 时代的开端。
• 他强调"我们其实有过预警"：过去五六年社会有充分的提前量，只是很多人当时以为 AlphaGo 是异常值、是孤例。如今通用系统真的变得很强，"我们应当非常认真地对待"。
• 关键张力：工程进度跑在科学理解前面。"我们造的系统不只是黑盒"，但理解其深层机制的研究"落后于实际性能的进展"；chatbot 与 LLM 的商业化"火上浇油"。Demis 自称既是科学家也是工程师，"我特别想看到科学追上工程"。
• Alison 补充了一个体制性阻力：学术界不奖励"放慢脚步"的人——尤其在学界，不抢第一就发不了论文。我们需要重新设计奖励机制，去奖励那些真正深入理解方法论的人。

"如果 10 年后回看，我想我们会觉得现在、明年这段时间——这个刚刚真正运转起来的 agentic 时代——是一切的开端，而且那个改变会是划时代的。" —— Demis Hassabis

核心要点：Demis 把"哪类问题适合这套方法"提炼成三个可操作条件，AlphaGo、AlphaFold、Isomorphic 都是同一范式的实例。

• 巨大组合空间：必须是暴力穷举做不了的。围棋走法比宇宙原子还多；一个蛋白的构象估计有 ~10^300 种。
• 明确目标函数：赢一局棋？找最佳一步？最小化系统的自由能？得有一个可以"爬山"逼近的目标。
• 数据来源：真实数据或精确的模拟器，理想情况两者都有。两者之间还有有趣的互动——用已有数据造模拟器、再生成合成数据。
• AlphaFold 的合成数据故事：PDB 里的 15 万个蛋白不够用，于是他们先做出一个早期版 AlphaFold，折了 100 万个蛋白，再挑出其中 30 万个"模型自己有把握是准确的"回灌训练——但要非常小心合成数据的分布是否匹配真实分布。
• 满足这三点，就能用深度学习模型学到该领域的模型、引导一个搜索过程，把本来不可解的组合空间变可解，找到"大海捞针"般本来不可能找到的那根针。

"我喜欢这类问题空间，因为它们没法用任何暴力方法解决。" —— Demis Hassabis

核心要点：AlphaGo 击败围棋世界冠军后，Demis 意识到同一套方法能延伸到药物发现——这正是 Isomorphic 的逻辑，Paul Nurse 是其顾问。

• 药物化合物空间约 10^50；其中可能有一个或多个化合物，恰好匹配某种疾病所需的性质。问题在于：你能否找到它、能否合成它。
• Isomorphic 的本质是再开发"半打以上的 AlphaFold 级系统"——蛋白结构只是整个药物发现链条中的一个小组件，他们还在用类似方法预测生物化学、化学性质，比如毒性和 ADME（吸收/分布/代谢/排泄）属性。

核心要点：作为自称的"湿科学家"，Paul 既盛赞 AlphaFold 即时催生假设，也指出生物数据的"碎片化"是连接闭环的真正难点。

• 最朴素的机器学习已经很有用：图像分析从过去几天缩到几分钟；做文献综述一两分钟就能出结果——"虽然大语言模型给你的东西挺无聊的，恕我直言，但至少让你起了个头"。
• AlphaFold 的妙处在于即时性："我们做实验、想象可能的机制、丢进 AlphaFold，立刻就生成想法和假设。"
• 下一步是把 AI 嵌进实验室的连接式工作闭环：数据 → 假设 → 验证假设 → 产生新想法 → 产出更多数据，循环往复，每一环都有 AI 帮忙，而不只是某个孤立技术。
• 真正的难点在数据类型：AlphaFold 受益于"以同样方式采集、存进公共数据库"的海量同质数据；但大量生物数据并非如此采集——Paul 形容像"散落各处、深浅不一的水井"，如何把它们连起来"目前有点棘手"。
• 一个反复出现的论点：没有公共资助的数据，就没有 AlphaFold。Paul 借此为公共资助科学辩护，Demis 也强调正因如此他们事后选择开源。

"为什么我们要做公共资助的科学？没有那个公共数据库，AlphaFold 根本不可能存在。" —— Paul Nurse

核心要点：两位诺奖得主一致认为，AI 最大的价值是把科学家从苦力中解放出来，专注于创造性思考与提出正确问题——而这恰是当前 AI 做不到的。

• Paul 一句话点题："在湿实验室做研究无聊透顶……我们大部分时间都在把一小管液体从一根管子移到另一根管子。"——这种活完全可以交给机器人，而要保留并发展的是创造性思考。
• 一段有意思的小交锋：主持人说"盯着移液器看液面，其实是思考实验的好时机"；Paul 回忆 70 年代"我连那个都不用做，就盯着显微镜看，有大把时间思考"，但又补一句——用复杂技术时你会把全部时间耗在"让那破技术能跑起来"，反而停止思考生物学过程本身。
• Demis 笑称这正是"当年你没法把我骗进湿实验室的原因，Paul，我宁愿待在数字世界"，但完全认同：技术若用得对，应该把时间还给创造性思考——也就是伟大科学家所说的"品味"（taste）、设定假设、选对问题。
• Demis 反复强调："提出正确的问题，比解决它难得多。"——什么才是对的问题、怎么把它表述得足够具体、围绕它设置怎样的对照，"现在的 AI 系统今天完全没有能力做这些"。
• 对年轻人的建议：AI 这只猫已经放出袋子、不会再回去了；但你可以像他在 90 年代拥抱家用电脑和互联网那样"扎进去"，深入理解 STEM 与技术如何运作——哪怕你不再亲手写那么多代码，懂原理会让你把工具用得好得多。他判断未来一个博士生能完成的工作量"相当于过去一整个实验室"，而且这些工具像手机 App 一样分布到全球，任何国家最有天赋、最有动力的学生都可能做出今天必须搬到顶级中心才能做的前沿科学。

"我一直觉得，提出正确的问题，比解决它难得多。" —— Demis Hassabis

核心要点：在解放创造力的延长线上，Demis 提出一个反直觉的愿景——用真正智能的个人助理把我们从信息洪流中解放出来。

• 他坦言今天我们被"不智能的系统"（社交媒体等）持续轰炸、争夺注意力，但又不得不一头扎进去，因为有用的信息就埋在这股噪声里。
• 他的梦想是：再过几年 Gemini/LLM 成为真正能干的助理后，你可以对它说"我今天 10 点到 6 点要深度思考，别打扰我，帮我总结世界上发生的、我关心的事，傍晚再告诉我"——从而保护我们的心智与注意力空间，把信息采集这件事整体委托出去。
• 现场笑点：Paul 接梗"我都能想象我的研究生想开溜了——'我现在要去做深度思考了'"，全场会意。

核心要点：Paul 警告高影响力期刊正陷入"为炫技而收集数据、却得不出任何有趣结论"的诱惑，Demis 则用"大数据是问题，AI 是解药"回应。

• Paul 直言：技术变得"危险地诱人"。一些高调期刊发明某种看问题的方式、堆砌大量数据，又贵又只有少数人做得起，"但根本得不出任何有意思的结论"。他点名《Cell》——"曾是一本伟大的期刊，我现在读不下去了，全是这种东西，因为他们根本不去想这一切意味着什么"。
• 他的核心判断：这是个人的问题，不是计算能解决的——"这一切的目的是为了理解，而不只是收集数据"。
• Demis 顺势认同，并以自己博后在 MIT 看连接组学（connectomics）为例："当时我就想，这究竟能在功能上告诉我们关于大脑的什么？"——很有诱惑力的数据采集方式，但未必回答科学问题。
• 他翻出早年对 VC 的 pitch："大数据是问题，AI 是解药。"——当年 VC 还一头雾水，不懂 DeepMind 到底想干嘛。他认为科学里的大机器、大型对撞机产出海量数据，其复杂度已超出"哪怕最聪明的人脑"所能理解，而且往往无法化成优雅的数学方程。

"我读不下去《Cell》了。它全是这种东西，他们没有结论，因为他们根本不去想这一切意味着什么。" —— Paul Nurse

核心要点：Demis 提出一个核心类比——AI 之于生物学，正如数学之于物理学；生物太涌现、太动态，更适合用仿真而非方程刻画。

• "我们不会得到细胞版的牛顿三大运动定律，它太涌现、太动态了"——但这不代表没有规则、没有可发现的东西，只是它更像一个仿真。
• 由此推广到经济学这类涌现动态系统（以已经极其复杂的人类为"原子单元"）：怎么对这类系统做科学？Demis 的思路是用 AI 理解数据、找出结构，再在其上构建模拟器——就像他们对天气做的那样。
• 天气案例：用 AI 预测飓风路径，英国气象局（Met Office）已在使用，去年成功用于飓风 Melissa。过去需要超级计算机做两周流体力学计算，现在几小时就能给出同等甚至更准的结果——对于要提前警告一个国家飓风路径而言，这是天壤之别。
• 一个务实提醒：Demis 说过去几年很多 CEO 从"没听说过 AI"到"我们得搞点 AI"，但他常对他们说："不，你那个问题用统计就够了，根本不需要 AI，硬套大模型反而会碍事。"——能否对问题用对工具，本身也是"品味"问题。

"我过去常说，AI 是生物学的完美描述语言，就像数学之于物理学。" —— Demis Hassabis

核心要点：构建虚拟细胞是 Paul 与 Demis 谈了 30 年的梦想；Paul 用一个蛋白合成实验揭示细胞"松垮"的反直觉特性，作为思考起点。

• Paul 先泼冷水：有人把细胞简化到 400-500 个基因、列 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，那只能说你微分方程学得不好"，而且这些动力学几乎都是体外（in vitro）测的，体内（in vivo）多半不是那样。结论：我们离解决这个问题还差得很远。
• 他偏好的笨办法：把细胞切成若干"黑箱"域，不管箱内发生什么，只关心关键输入和关键输出，看这种简化能否产出有用的东西。
• "松垮"实验（最具体的故事）：测量细胞内蛋白合成速率。同一培养物的均值完全一致；但看群体，变异大得惊人——有大量细胞只有正常水平的 50%，也有高出 50% 的。生物学家总以为一切都被"紧密调控"，其实根本不是，而是"非常松垮、非常邋遢（floppy and sloppy）"。更怪的是，如果你此刻在钟形曲线的边缘，10 分钟后又会回到均值。
• Paul 的猜想（自承"可能全是胡扯"）：上百个反应本该相互平均、把波动抹平、变得很紧，但它没有。也许这种"松垮"恰恰有用——类比电脑出毛病时我们不知道为什么、直接关机重启；细胞做不到重启，但如果它足够松垮，也许就永远不会卡死在"控制空间里某个出不来的怪角落"。
• Demis 接话：30 年前他若做这个，会用一堆微分方程或规则（像深蓝那类老式 AI），但本科时他就清楚这条路通不到通用智能——一阶逻辑描述不了语言（"我们半数时候都说得不合语法，却照样听懂彼此"）。AlphaGo 印证了这点：围棋无法手写启发式（每个棋子等值，象棋里管用的"子力价值"在围棋里全失效），只能从自我对弈中直接学，结果发现了人类下了 2000 多年都没见过的新棋路。
• 他由此点出现代系统的独特之处：它们能学习、是通用的，因此有潜力在人类专家帮助下超越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。"你的车不会突然自己飞起来，但这种系统可以涌现出你没为它设计的能力。"
• 关于虚拟细胞的具体起点：Demis 透露当前想从细胞核切入，认为可能是个好的子单元（subunit）——Paul 当场吐槽"非常复杂"，Demis 也承认"大概还是太复杂了"。

"我们生物学家总以为一切都被严密控制。其实它不是，它非常松垮、非常邋遢。也许这恰恰在告诉我们一些东西。" —— Paul Nurse

核心要点：Demis 认为算力本质上是能源问题，但更是"创造力与想象力问题"——学术界不该烧钱造前沿模型，而应攻黑盒理解、用开源模型做真科学。

• 算力=能源=智能：芯片与数据中心让能源几乎和智能一一对应。英国能源是全球最贵之一，扩规模很吃力。
• 但 Demis 强调这归根到底是创造力问题：造最新前沿模型要数百亿美元算力，学界和研究所"根本不该想这件事，那毫无意义"——前沿有足够多公司在做（美国约 5 家、中国约 3 家）。
• 学术界真正该做的、且不需要大算力的事：黑盒的分析与理解、压力测试、能力边界探测、监测工具、benchmark。
• 工具已经到位：开源模型如 Gemma 4 能在一台笔记本上跑，更别说小型大学集群可轻松跑多个实例；优秀的中国小模型同样如此，"它们距前沿只有 6 个月到 1 年——去年此时它们就是前沿水平"，体积却很小。
• 他给学界的总忠告：别被 FOMO 带跑，"就像 2010 年我们做 AI 时，字面意义上没有任何人做、所有人都觉得我们疯了、学界把它当死胡同"。真信你做的事，就该屏蔽噪声，扎进你有独特优势的赛道——而跨学科正是这样的赛道，因为现在用这些工具"上手别的领域比以往任何时候都快"。

"如果我在学术界，我会去研究黑盒：理解它们、压力测试它们、找出它们能力的边界——这些事都不需要很大的算力。" —— Demis Hassabis

核心要点：Demis 把忧虑系统化为递进的几层，其中"对齐问题"被强调为未解的硬核研究课题，绝非"关机开关"那么简单。

• 忧虑一：坏人滥用通用技术——从个体的流氓分子、生物恐怖分子，到流氓国家，把通用技术挪作有害用途。
• 忧虑二：AGI 的技术风险（对齐）——系统越来越自主、越来越强大（这也是为什么走向 agentic 时代），我们设的护栏是否足够强，能把系统行为约束在最初意图之内？"这是个超级难的问题。"
• 忧虑三与四：即便解决前两者，还有经济问题（如何把收益尽可能广泛地分享给更多人和国家），以及最终的哲学问题（意义与目的）。Demis 仍乐观，因为他坚信人类的智慧、尤其在急性压力下总能挺身而出，但"我很惊讶，认真研究'后 AGI 经济体系'的经济学家朋友居然这么少"。
• 关于护栏能否被绕过：Demis 从当前系统的"可引导性"（steerability）出发持谨慎乐观，但强调这是个未解的"alignment problem"——"任何以为这简单得像'关机开关在哪'的人，去读点相关材料就知道不是那么回事"。他援引阿西莫夫的机器人故事作为警告：机器人三定律不管用，加个第零定律也不管用，因为它在特定情境下会被曲解。
• 他描绘了一个"糟糕的时间巧合"：恰恰在最需要强国际机构与合作的时刻，我们却处在国际合作的低谷（nadir）、国际机构碎片化——而 AGI 的安全需要国际级的标准或认证流程，地缘政治让这变得极难。理想本应是"用国际合作把基础研究做扎实，再快速落地像 AlphaFold 这样的应用、甚至在 AGI 到来前攻克癌症，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把这条路彻底改写了。

"任何以为这件事简单得像'关机开关在哪'的人，去读点相关资料就知道完全不是那么回事。这就是阿西莫夫用他所有机器人故事警告我们的事。" —— Demis Hassabis

核心要点：Demis 以图灵为偶像、认为大脑"在极限意义上可计算"，并主张智能与意识可分离——应先过 AGI 这道河，给社会时间，再决定是否要造有意识的实体。

• 关于"人脑所做的一切是否可计算"：Demis 说他一生的英雄是图灵；他与 Roger Penrose、Stuart Hameroff 等人多次交流，他们主张大脑里有"量子"成分，但"我至今没在任何神经科学工作中看到证据"。他形容那种主张像"把两个我们都不完全理解的奇怪东西硬凑到一起"，但也谦逊地说"Roger 是了不起的人，也许他对"。他的假设是：大脑里几乎一切在极限意义上可计算。
• 一个关键澄清：意识尚非"良定义问题"（well-posed problem），我们甚至不清楚自己在问什么。自我意识、身份感这些可能是必要但不充分条件。
• 为什么造 AGI 而非沿用旧词"strong AI"：旧称把"通用智能"与"意识"混为一谈，而 Demis 认为两者是可分离的属性——看动物，猫狗在很多方面感觉相当有意识，却没人类聪明，说明智能存在梯度、可与意识分开。他不觉得现有工具有任何意识的迹象，但认为它们将来可能会有。
• 他的"魔法棒"建议——两道卢比孔河：先跨过第一道（AGI，极其能干、精准的工具），给社会时间，并用这些工具更好地提出"什么是意识"这个问题、做相关神经科学；他判断有了这类工具，10 年内就能更好地探讨。然后第二道河才是社会要面对的下一个问题——我们是否真的想创造有意识的实体？"在我看来我们并不想，这些挑战本身已经够大了，何必把两道河同时跨过去？"

"智能和意识在我看来是可分离的属性。看看动物——猫狗在很多方面感觉相当有意识，却没有人类聪明。" —— Demis Hassabis

核心要点：三人一致认为没有单一"黄金标准"科学方法，而 Demis 进一步呼吁——现在是哲学家最激动人心的时刻，既要新科学哲学，也要新伦理哲学。

• Paul 引 Popper：你无法证明某事为真，只能证明它为假，过一阵子才姑且接受它"可能为真"。他主张应该教"如何思考科学、如何做科学"，但坚决反对存在某种放之四海皆准的科学方法——物理、生物、气候学的做法各不相同。"有些世界顶级物理学家在气候问题上一塌糊涂，因为他们非要从 A 到 Z 完全搞懂才肯接受，于是用做物理的方式去要求别的领域。"
• Demis 接得很有力："如果我是哲学家，现在会是有史以来最激动人心的时刻。"——一方面需要更新的科学哲学：仿真该怎么用、黑盒该如何逆向工程，都得纳入科学方法的一部分；而且"什么算理解"也要重新定义（这些黑盒或许将来能被反推回数学方程）。
• 另一方面，他呼唤新一代伟大哲学家——像康德、维特根斯坦、斯宾诺莎那样——来回答：如果技术问题都解决了，新的伦理哲学、美德、目的将是什么？"这些会是最重要的问题。"
• 现场幽默：Demis 调侃"如果来的是维特根斯坦，那我们就该一直保持沉默了"，全场会意（指维特根斯坦"对不可说的，应保持沉默"）。

"如果我现在是个哲学家，这会是有史以来最激动人心的时刻。我们需要一种新的、或更新的科学哲学。" —— Demis Hassabis

核心要点：面对"AI 能否改善科研文化、减少对年轻人的压榨"之问，Paul 主张别过度自责，Alison 直指抢发压力，两人共同回到一个朴素结论——数量根本不重要。

• Paul 的回应偏冷静："科学家和所有人一样，有好有坏，偶尔会有人不端。但我觉得没必要被这事缠住——媒体喜欢渲染'他们都在造假'，其实很罕见。我们的文化没那么糟，当然永远可以改进，但别太苛责自己。"
• Alison 则点出真实压力：年轻科学家承受着"现在就要出结果"的压力，还要担心成果在 arXiv 上被抢先发表（scooped）。她认为更资深的人应该站出来说"我要你成为最好的科学家，而不在乎论文数量"——宁可几篇出色论文，也不要堆数量。
• 两位诺奖得主在收尾时几乎异口同声："数量根本不重要。""重要的是你产出的质量，始终如此。这道理如此显然，人们居然意识不到，真是令人惊讶。"

"数量根本不重要。重要的是你产出的质量，始终如此——这道理如此显然，人们竟意识不到，真令人吃惊。" —— Paul Nurse

核心要点：以"科学是否还是同一个游戏"作结，Demis 用围棋与好奇心给出答案——工具会变，但科学家对未知的好奇不变；未来 10-20 年将是科学的"黄金时代"。

• 主持人以 2016 年李世石败给 AlphaGo 后说"这不再是同一个游戏了"作引。Demis 澄清"事情更复杂些"：他最近在韩国见到李世石，状态很好；李世石"有一种 AI 侵入自己领域的切身体验，全世界或许能从他身上学到东西"。他曾称李世石为"围棋界的费德勒"——18 次世界冠军、过去十年最强者，但当时已近职业生涯尾声，所以"退役"这事有些被混为一谈。
• Demis 坦承那场比赛对他这个"棋手"本人也带着苦乐参半与伤感（他年轻时曾非常职业地下国际象棋，一度差点成为职业棋手）。对弈前夜两人还开玩笑：若人生际遇不同，他俩或许会坐在棋盘对面。
• 但他给出乐观对照：国际象棋如今观赏度空前，人们并不在乎看电脑互弈——就像我们有了比人快的汽车，仍然在乎博尔特的百米飞人。"我们想看的是我们人类同胞能做到什么。"
• 一个与科学相关的隐喻：围棋在亚洲被视为不止是游戏，而是一种神秘艺术、阴阳之道，被认为蕴含宇宙的某些奥秘。最好的棋手都说想知道这个游戏的奥秘，"但他们真的想知道吗？这是个问题"——科学亦然。Demis 自承有一种"近乎病态的、永不满足的好奇心"驱动着他一生，去理解自然与宇宙的法则、实在的本质。
• Paul 与 Alison 收束同一主题：AI 是帮你以不同方式做科学的工具，这是正面而非负面；但科学的驱动力——对未知的好奇、理解此前不理解之事——本质不变。
• Demis 的乐观结语：他非常确信，未来 10 年我们将进入"科学发现的新文艺复兴、新黄金时代"；"未来 10 到 20 年我们会活在某种黄金时代，回头看时，AlphaFold 只会是我们借 AI 之力攻克的众多例子之一。"

"未来 10 年，我非常确信我们将进入一个我所说的新文艺复兴——一个科学发现的新黄金时代。回头看，AlphaFold 将只是其中一个例子。" —— Demis Hassabis