当AI开始主动提问：DeepMind眼中的科学革命拐点

在这期对话中，DeepMind研究副总裁Pushmeet Kohli分享了他对“AI驱动科学发现”的最新思考。从一个生物学家的真实困惑出发，他解释了为什么像Alpha Evolve这样的系统，可能标志着AI从解题者走向探索者的关键转折。

一个生物学家的十年难题，揭开了AI的新角色

为什么AI在科学中的角色正在发生变化？Pushmeet Kohli用一个亲身经历的故事给出了答案。他回忆自己在一次生物学会议上演讲后，一位研究蛋白质多年的生物学家走到他面前说：“我已经在这个蛋白上工作了10年……接下来我该做什么？”这个问题本身，暴露了传统科研中的瓶颈：人类往往知道如何验证假设，却不确定下一步该问什么。

在Kohli看来，这正是AI可能发挥根本性作用的地方。当研究进入“未知的未知”阶段，问题的生成本身比答案更稀缺。他强调，未来的AI不只是回答人类提出的问题，而是能够帮助科学家发现“值得被问的问题”。这一转变，构成了他所说的科学革命的起点。

他用一句话概括这种变化：“What happens when AI stops just answering questions and starts asking them？”在他看来，这不是修辞，而是正在发生的现实。

Alpha Evolve：从解题模型到探索引擎

这一思路在DeepMind的Alpha Evolve项目中体现得尤为明显。Kohli将其描述为一个“关键的里程碑”，因为它并非只针对单一任务，而是一个更广泛领域的模型，能够在复杂搜索空间中持续提出、验证并改进想法。

与传统模型一次性给出答案不同，Alpha Evolve更像一个持续进化的过程。Kohli提到，当这种系统“coupled with a harness”——也就是与明确的评估和约束机制结合时，就可能产生“completely new discoveries that are really impactful”。这不是对已知知识的压缩，而是对未知空间的系统性探索。

他也坦言，这是否是所谓的“watershed moment”仍需时间验证，但从研究路径上看，它已经展现出与以往方法截然不同的潜力。

生成器与验证器：为什么多模型协作更有效

为什么这种架构能奏效？Kohli给出的直觉是：单一模型很难同时扮演“创造者”和“裁判”。在Alpha Evolve背后，更接近一种由生成器和验证器组成的认知架构，不同组件各司其职。

生成器负责提出候选想法、算法或结构，验证器则评估其质量、有效性和潜在价值。通过这种循环，系统能够“extract many more impactful results”，而不是停留在表面最优解上。

不过，他也明确指出，这种架构仍然是“an open research problem”。如何设计最有效的生成与验证机制，如何避免系统陷入自我强化的偏见，都是当前尚未解决的核心问题。

从数学到现实世界：与Terrence Tao的合作启示

在相对“纯净”的数学世界中验证AI能力是一回事，把它带入现实世界又是另一回事。Kohli提到他与数学家Terrence Tao的合作经验时，用了一句非常直接的判断标准：“you just know that you're better。”

数学提供了清晰的目标和严格的验证，这使得人和AI的协作效果更容易被感知。但当走出数学，进入需要观测、实验和反馈的物理或生物世界时，问题立刻变得复杂得多。

Kohli认为，真正的挑战在于如何把数字世界中的搜索和优化，与现实世界的实验系统配对起来。一旦这种闭环成立，AI对世界的影响方式将发生根本变化。

总结

Pushmeet Kohli描绘的不是一个“更聪明的工具”，而是一种新的科研合作者形态：它能提出问题、探索未知，并在复杂空间中持续进化。Alpha Evolve和Gemini等模型只是早期尝试，但它们已经指向一个重要趋势——科学发现的方法本身正在被重塑。对研究者而言，真正的启发或许在于：未来的竞争力，不只来自你知道什么，而来自你能提出什么样的问题。

关键词： Pushmeet Kohli， Alpha Evolve， 科学发现， Gemini， Google DeepMind

事实核查备注： 人物：Pushmeet Kohli（Google DeepMind），Terrence Tao；项目：Alpha Evolve；产品：Gemini；公司：Google DeepMind；关键观点：AI从回答问题转向提出问题；架构概念：生成器与验证器；故事来源：生物学会议上的蛋白质研究者提问