2024年諾貝爾物理及化學獎，都出現人工智慧領域的得主，被認為諾貝爾獎也經歷其「AI時刻」。其中，化學獎共同得主哈薩比斯正是目前Google AI部門的CEO。他如何看待AI對生物化學、以至於整體科學的貢獻？人類治癒一切疾病的時間真的不遠了？
在重訓後補充蛋白質，為肌肉補充生長與修復所需的胺基酸，可能是許多人關於蛋白質最直接的聯想。但蛋白質在人體中的重要性遠遠不僅是增加肌肉量。
瑞典皇家科學院稱之為「生命體巧妙的化學工具」，蛋白質是多種組織、荷爾蒙、抗體、酵素的重要成分，控制及驅動許多化學反應，可說生命存續無法缺少蛋白質。也因此，若能設計、預測蛋白質結構，將為全人類帶來龐大益處。
2024年諾貝爾化學獎，便由開發出蛋白質設計系統的美國生物化學家貝克（David Baker），以及開發出可精準預測蛋白質結構的人工智慧科學家哈薩比斯（Demis Hassabis）及瓊珀（John Jumper）共享。39歲的瓊珀更是逾70年來最年輕的化學獎得主。
現為Google DeepMind CEO的哈薩比斯表示，獲獎感覺「不像真的」，令他難以置信。但他一直認為，「如果我們能以正確的方式打造人工智慧，它可以是協助科學家的終極工具，協助我們探索身處的宇宙。」哈薩比斯說，「我希望AlphaFold是第一個例證。」
50年來的研究難題：解析蛋白質折疊結構
蛋白質通常由20種胺基酸組成，它們連結成長串，並摺疊成複雜的立體結構。除了組成的胺基酸內容，摺疊方式也至關重要。若未能正確摺疊成應有的結構，蛋白質可能無法發揮應有的功能，甚至可能產生毒性。
在研發治療癌症、糖尿病等疾病的藥物時，找出潛在候選藥物可能與目標蛋白質結合的位置，也是設計新藥的第一步。因此，了解蛋白質的立體結構是相當重要、也具有龐大應用潛能的。
1960年代，美國生化學家安芬森（Christian Anfinsen）提出理論上可由胺基酸的排列順序，推斷出蛋白質的摺疊結構；安芬森也因此獲得1972年的諾貝爾生醫獎。1970年代以來，透過胺基酸序列預測蛋白質的立體結構，成為生物學家們的一大挑戰。
因為蛋白質的整體形狀，受到組成胺基酸的所有原子之間複雜的相互作用影響。過往，光是要分析一種蛋白質的結構，就需要使用低溫電子顯微鏡等昂貴的技術，再加上數年的反覆實驗。經過近50年，人類才破解不到20萬種蛋白質結構。
AI模型AlphaFold成功預測逾2億種蛋白質立體結構
這個生物學漫長的追索，吸引了哈薩比斯的注意力。2016年，在「AlphaGo」擊敗人類頂尖圍棋棋士後，DeepMind將精力從棋局轉投蛋白質。在擁有理論化學博士學位的電腦科學家瓊珀帶領下，展開了AlphaFold計畫。
在已知蛋白質結構資料的訓練下，深度學習模型AlphaFold2在2020年發布，以前所未有的準確性預測蛋白質結構。至今已被190個國家、超過2百萬名研究人員使用，基本上完全破解科學家已測序的2億多種蛋白質結構。
2024年發表的AlphaFold3，更進一步地預測DNA、RNA等更多生物分子的結構與相互作用，不僅限於蛋白質。DeepMind亦在2021年成立新公司Isomorphic Labs，與製藥公司合作進行現實世界的藥物開發。
AI設計藥物可望在未來數十年內治癒大部分疾病
在8月接受Google DeepMind Podcast訪問時，哈薩比斯便已預測， 如果AI設計藥物可行，人類應該可以在未來10～20年內治癒大部分的疾病，副作用也能因個人化藥物減到最小。
但他對人工智慧的益處抱有更廣泛的期待。自幼為西洋棋神童的哈薩比斯，在磨練棋藝時開始思考「思考」這件事，以及可以如何優化思考的過程。他後續進修認知神經科學，此思路又與他長久以來對物理學的興趣結合，在人工智慧領域匯流。DeepMind成立的使命，就是要打造更多的「智慧」，來解決目前人類難以解決的挑戰。
哈薩比斯希望借助通用人工智慧（AGI，泛指達到人類水平的人工智慧）的力量，回答許多重要的基礎問題。例如，目前人類發展的物理學知識版圖中，仍有許多缺口，包括量子力學如何與廣義相對論共存、標準模型解釋的侷限等。
理想情況中，當AGI引領人類社會進入前所未有的富足狀態，就能在其協助下，設計更精細的儀器、進行更大規模的實驗，探索這些難解的宇宙奧秘。
但至少在未來一段時間內，哈薩比斯認為科學研究會是人類專家與機器的協作。目前，AI可以協助證明假說，但還沒有能力提出原創的假說。問出所需的問題，提出適宜的假設，這些依然要倚賴人類科學家。
朝下一代「代理系統」邁進，Google DeepMind有自信展現優勢
在訪談中，哈薩比斯也指出，目前引起大量關注及討論的大型語言模型們，是由五、六年前研發的技術脫胎而成。即便眾人為它們找出許多創意的應用方法，這些模型具有諸多限制與不足。如欠缺分辨事實的能力（幻覺），也無法做長程規劃，基本上仍只是「被動的問答系統」。
哈薩比斯認為，能在現實世界中為使用者執行可達成目標的行動，會是下一階段的「代理系統」發展的方向。而這種代理與長程規劃的能力，正是DeepMind先前已在AlphaGo等遊戲代理中展現出的研發實力。
將模型在棋局中的規劃能力，拓展到日常任務的範疇中，是Google DeepMind目前努力的目標。哈薩比斯解釋，「你可以把它想成是結合AlphaGo與Gemini。」
相較於另一位諾貝爾獎得主、有「深度學習之父」之稱的辛頓（Geoffrey Hinton）面對人工智慧崛起的戒慎態度，哈薩比斯認為自己看待AI風險的態度較處於光譜中段。他相信人類的創造力，有能力透過國際合作，以安全的方式打造出造福全世界的AGI。
超越炒作，堅定地走在科學方法的道路上，哈薩比斯認為成立於2010年的DeepMind至今進展軌跡相當不錯。2030年達陣AGI的目標沒有改變。他說，「要說（AGI）在下個十年就會到來，我不會太意外。」
