库兹韦尔：AI革命将继续以指数级发生

　　瑞典皇家科学院当地时间10月8日宣布，将2024年诺贝尔物理学奖授予约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。

　　为什么诺奖纷纷花落AI领域？也许正验证了全球知名未来学家、奇点大学创始人库兹韦尔新预言的准确性。他是比尔·盖茨口中“最擅长预测人工智能未来的人”。“深度学习”“脑机接口”“3D打印”“DNA结构破解”“超算力芯片”…… 库兹韦尔做出过147次预测，其中86%已经成真！

　　在重磅新作《奇点更近》中，库兹韦尔说：当前超级计算机的计算能力已远超模拟人脑所需。现在，我们正在进入指数增长的陡峭阶段。这些进步都建立在库兹韦尔定义的“加速回报率”之上：技术持续进步，而计算和信息技术成本呈指数下降，每一次进步都让下一阶段的迭代变得简单。

　　奇点到来前的世界究竟会怎样。不妨一起看看库兹韦尔的最新的预测。

　　21世纪20年代：

　　AI与生物技术的结合

　　文 | 库兹韦尔

　　来源 | 《奇点更近》

　　当你把汽车送到修理店维修时，技师对其零部件及其工作原理了然于胸。汽车工程学实质上是一门精确的科学。因此，得到精心维护的汽车几乎可以无限期使用下去，即使是损毁最严重的汽车在技术上也有修复的可能。但人体却并非如此。在过去200年里，尽管现代医学取得了许多令人惊叹的进步，但医学仍未成为一门精确的科学。医生仍然在做许多已知有效却并不完全理解其工作原理的事情。很多医学知识建立在粗略的近似的基础之上，这些近似对大多数患者而言通常是有效的，但可能并不适合你。

　　要让医学成为一门精确的科学，需要将其转变为一种信息技术，使其能够从信息技术的指数级进步中获益。这一深刻的范式转变目前正在稳步进行，它涉及将生物技术与AI和数字模拟相结合。正如我将在本章中所讲的，我们已经看到了直接的收益，涉及药物发现、疾病监测和机器人手术等多个方面。例如，在2023年，第一种采用AI端到端设计的药物进入了Ⅱ期临床试验，用于治疗一种罕见的肺部疾病。1但AI与生物技术融合最根本的好处最为显著。

　　在过去，医学完全依赖于艰苦的实验室实验和人类医生将专业知识传授给下一代，医学新进展是缓慢而线性的研究过程的结果。但是，AI可以从比人类医生掌握多得多的数据中学习，并且可以从数十亿次医疗手术中积累经验，而不是像人类医生一样，在整个职业生涯中最多只能做数千台手术。

　　此外，由于AI受益于其以指数级速度改进的底层硬件，随着AI在医学领域发挥越来越重要的作用，医疗保健行业也将获得指数级的收益。通过使用这些工具，我们已经开始通过数字方式搜索每一个可能的方案，并在几小时内而不是几年内找到生物化学问题的解决方案。

　　点击图片即可购买▼

　　目前，最重要的一类问题可能是为新出现的病毒威胁设计治疗方法。这个挑战就像从一堆足以填满游泳池的钥匙中找出能够打开特定病毒“化学锁”的那一把钥匙。人类研究员利用自身知识和认知技能也许可以确定几十种可用于治疗该疾病的分子，但实际上可能相关的分子数量通常在万亿级别。

　　在对这些分子进行筛选时，大多数显然是不合适的，不值得进行完整的模拟，但仍有数十亿种可能性需要进行更强大的计算检查。据估计，在极端情况下，物理上可能存在的潜在药物分子包含大约1060种可能性！无论确切的数字是多少，AI现在可以让科学家对浩瀚的分子海洋进行分类，以专注于那些最有可能适配特定病毒的“钥匙”。

　　想想这种穷举搜索方法的优势吧。在我们当前的研发模式下，一旦有了一种潜在可行的治疗药物，我们就可以组织几十个或几百个人类受试者，然后在数月或数年的时间内花费数千万或数亿美元成本对他们进行临床试验。然而，很多时候，这第一个选择并不是理想的治疗方法，因为它需要探索其他替代方案，而这些替代方案也需要几年的时间来测试。在这些结果出来之前，人们很难取得更多的进展。美国的监管程序涉及三个主要的临床试验阶段，根据麻省理工学院最近的一项研究，只有13.8%的候选药物能够通过美国食品和药物管理局的批准。最终，将一种新药推向市场通常需要10年的时间，平均成本估计在13亿~26亿美元。

　　在过去几年中，医学研究在AI辅助下取得突破的速度明显加快。2019年，澳大利亚弗林德斯大学的研究人员利用生物模拟器发现了激活人体免疫系统的物质，创造了一种“涡轮增压”流感疫苗。该模拟器以数字方式生成了数万亿种化学物质，研究人员为了寻找理想的配方，使用了另一个模拟器来确定每一种物质是否可以作为增强免疫力的药物来对抗病毒。

　　2020年，麻省理工学院的一个团队利用AI开发出一种强大的抗生素，可以杀死一些现存最危险的耐药性细菌。它不是仅评估几种类型的抗生素，而是在短短几个小时内分析了1.07亿种抗生素，并选出了23种潜在的候选药物，其中有两种似乎是最有效的。匹兹堡大学药物设计研究员雅各布·杜兰特（Jacob Durrant）表示：“这项工作真的很了不起。这种方法凸显了计算机辅助药物发现的力量。要对超过1亿种化合物进行抗菌活性的物理测试是不可能的。”之后，麻省理工学院的研究人员开始应用这种方法从头设计有效的新型抗生素

　　2021年，在新冠病毒变种的威胁下，南加州大学的研究人员开发了一种创新的AI工具，以加速开发可能需要的疫苗，因为病毒还会继续变异。通过模拟，候选疫苗可以在不到一分钟的时间内设计出来，并在一小时内完成数字验证。当你读到这篇文章时，可能已经有了更加先进的方法。