Demis Hassabis:AI、模拟现实与科学前沿(Lex #475)

这段对话发生在Lex Fridman与Demis Hassabis的访谈中。Hassabis因AlphaFold获得诺贝尔化学奖后，在获奖讲座上提出了一个大胆猜想：“任何在自然界中可生成或发现的模式，都能被经典学习算法高效地发现和建模。” 本视频针对这一猜想进行展开，聚焦于高度非线性动力系统（如流体力学）——传统上认为经典计算机极难精确模拟的领域。

背景与立场：Hassabis指出，流体模拟通常需要求解纳维-斯托克斯方程，天气预报等应用耗费海量算力，被视为棘手问题。然而，DeepMind的视频生成模型（如VO）仅仅通过观看YouTube视频，就学会了模拟液体流动、透明材质受挤压时的复杂行为，甚至镜面光照效果。他曾从业游戏开发，深知传统物理引擎构建之艰难，因此对AI逆向工程物理规律的能力感到震惊。他认为，这并非巧合，而是说明这些模型从视觉数据中提取了某种“低维流形”——即表面混乱的现象背后存在简洁的结构。

关键论据：1）AlphaFold系列项目的成功：蛋白质折叠的空间组合爆炸程度极高，直接枚举需要超过宇宙年龄的时间，但通过学习建立环境模型引导搜索，问题变得可解。这证明了高维空间可被可学习的低维表征捕获。2）视频生成模型的涌现能力：模型并未被显式编程任何物理定律，却从数据中自发涌现出对物质行为的连贯模拟，暗示真实世界的模式或许普遍存在可压缩性。3）猜想的推广：Hassabis将其延伸至生物学、化学、物理学乃至神经科学，认为任何自然规律都可能被学习算法“发现”，而非必须依赖人类手工推导。

潜在反方观点：1）模型是否真正“理解”物理，还是仅进行统计模式匹配？当遇到训练分布外的极端条件（如非牛顿流体、混沌边缘）时，可能产生违背物理规律的输出。2）对数据量的依赖：罕见或反事实场景可能因缺乏样本而无法学习。3）可解释性缺陷：即使模型能预测，人类仍难以从中提取显式的科学定律，限制了作为科学发现工具的效力。4）计算不可约性挑战：某些混沌系统本质不可预测，学习算法或许只能逼近统计平均，无法给出精确因果。5）“低维流形”假设未必普适：高维系统中可能存在真正难以压缩的复杂结构，学习算法未必总能找到紧致表示。

对话也暗示，这一猜想若成立，将深刻改变科学研究范式——从基于第一性原理推导，转向让AI从数据中直接挖掘模式，再由人类解释。Hassabis承认这带有挑衅意味，确实延续了诺贝尔讲座的传统，但也为AI for Science提供了宏大的研究纲领。