# 49次到48次：DeepMind用AI改写了站了半个世纪的数学纪录

> Training Data No. 56 中文精读

- 原标题：DeepMind's Pushmeet Kohli on AI's Scientific Revolution
- 发布日期：2025-07-11
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/056-deepmind-s-pushmeet-kohli-on-ai-s-scientific-revolution-6J7d4_.html
- 精读字数：约 5065 字（阅读约 11 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

先讲一个真事。谷歌DeepMind研究副总裁普什米特·科利（Pushmeet Kohli）去参加一个生物学会议，报告讲完，一位生物学家找上门来。这位科学家盯着一个蛋白质研究了十年，收集了大量实验数据，可它的结构始终解不出来，各种研究手段都试遍了。他抱着试试看的心态，跑了一下AlphaFold 2。

几秒钟，结构出来了，和他手里的全部实验数据完美吻合。

> 「我为这个蛋白研究了十年。接下来我该干什么？」

科利在DeepMind负责AI for Science方向，AlphaFold、AlphaTensor、FunSearch、AlphaEvolve这些模型都出自他的团队。2021年底发布的AlphaFold 2，在2024年拿了诺贝尔化学奖。2025年7月，他在红杉资本播客Training Data里聊了团队的最新成果AlphaEvolve，一个今年5月发布、能自己发现全新算法的AI系统。主持人的问题很直接：这算不算AI做出全新科学发现的分水岭？科利说，它肯定是一个关键里程碑，因为一个大语言模型接上外部装置之后，**既能发现新算法，还能证明人类研究了很多年的数学结论**。他对时代的判断更干脆：AI加速科学发现的时代已经开始了，我们就站在它的正中间。

## 给大模型配个裁判，幻觉就变成了矿藏

大语言模型会一本正经地胡说八道，这是所有人的共识。科利团队的做法反着来：把幻觉当资源用。

思路是给LLM接上一个评估器，再配一套搜索协议，科利管这套外部装置叫「harness」。LLM负责大量提出候选方案，评估器负责判断每个方案到底行不行。模型的提议里确实有大量幻觉，但幻觉里偶尔混着真正的洞见，是没有任何人想到过的点子。**评估器的价值就是把沙子筛掉，把金子留下。**

AlphaFold证明了专用模型能在科学里做成大事，但它是为一个问题定制的。真正的悬念是：通用的大语言模型、基础模型，能不能对科学产生同样的影响？FunSearch就是这个悬念的第一个实验。这套架构两年前发布，当时让LLM去补全一小段函数代码，结果它真的找到了数学家研究很久的新算法。但FunSearch有个限制：人得先给一个模板，告诉AI算法应该长什么样。

AlphaEvolve把这个限制拆掉了。它搜索的是完整的算法，是非常大块的代码，而且能长时间持续优化。还有一点很关键：FunSearch要跑海量次函数评估才能出成果，AlphaEvolve用少得多的调用次数就能找到新算法，速度快了一个量级。

引擎用的是自家的Gemini，而且Flash和Pro两个版本分工。科利解释，搜索本质上比拼两件事：生成候选方案的速度，和评估方案的速度。Flash快，负责大量出草稿；Pro强，负责深度分析。**底座模型写代码的能力越强，搜索的命中率就越高，因为生成的方案不仅语法正确，语义上也在真的解决问题。**

AlphaEvolve的通用性还体现在语言上。它能在C++里搜，能在Python里搜，也能在Verilog里搜，后者是芯片设计用的硬件描述语言。它对任务只有一个要求：你得有一个函数评估器，能快速判断一个方案好不好。

## 让AI自己组队开会，答案反而更好

今年早些时候DeepMind还发布了另一个系统叫AI co-scientist。它的玩法更奇特：让Gemini一个人分饰多角，既当假设生成器，又当批评家，又当审稿人负责排序，还当编辑负责修改。多个智能体共享一个记忆空间，互相提意见。有趣的是，这些角色全是同一个Gemini，只是提示词不同。

结果是，这套多智能体系统的产出远超单个Gemini模型。

为什么？科利承认机制还在研究中，但他观察到一个现象：刚跑起来的时候，co-scientist给出的答案和基线Gemini差别不大。但让整个系统持续运转几天，答案会越来越好。是几天，几分钟几小时可不够。

他的猜想是：那些深刻的洞见藏在概率分布的尾部，单次采样很难抽中，但**模型判断「哪个方案更好」的能力，强于它「凭空想出好方案」的能力**。这在计算机科学里是个老话题了：验证一个解往往比找到一个解容易得多。多智能体反复评估、排序、淘汰，本质上是在把分布尾部的好东西一点点捞出来。

生成器和验证器搭配，正在成为整个AI行业的共识架构。但科利提醒，什么是最优的智能体配置，还是一个开放问题。AlphaEvolve里生成器是神经网络，评估器甚至是手写代码；co-scientist里是多个智能体共享记忆。这个领域刚起步。

## 从AlphaZero到AlphaEvolve：为什么非得是代码

DeepMind的看家本领是在巨大空间里搜索。从AlphaGo到星际争霸，再到AlphaZero家族，强化学习智能体一个接一个拿下复杂任务。几年前他们给自己出了个题：能不能用AlphaZero这一类模型去发现新算法？答案是AlphaTensor，它专门攻矩阵乘法，改进了一个站了50年的纪录。但它的局限也明显，只能搜矩阵乘法这一类特定问题。两个疑问跟着来了：能不能做得更好？能不能让结果可解释？

同一时间，谷歌内部有个更现实的问题：数据中心的任务怎么调度。调度算法直接决定机器利用率，谷歌最好的工程师花了多年心血打磨启发式规则。用强化学习智能体来做，结果可能更好，但代价是可解释性：让一个神经网络决定哪个任务上哪台机器，出了故障没人知道怎么调试。**工程师想要的是一段能读、能跑、能改的代码。**

于是有了关键的一步转换：与其在策略空间里搜，不如在程序空间里搜。让AI直接产出程序，代码可以读、可以检查性质、可以被人接手继续改，这些是神经网络权重给不了的。专家看完AI写的程序，还能反推出新洞见。FunSearch和AlphaEvolve都从这里出发。

真实战果也够硬。按DeepMind公布的数据，AlphaEvolve给出的数据中心调度方案平均找回了谷歌全球算力的大约0.7%；它还优化了训练Gemini用到的一个矩阵乘法内核，速度提升23%，让整个Gemini训练时间缩短了1%。科利说，这系统不会累，会一直试下去，甚至会想出一些非常反直觉的策略，有些思路你可能这辈子都不会去试。

有人问，评估器能不能由人来当？科利说可以，但规模是个问题。人当评估器，评估的数量和准确性都跟不上。还有一个微妙的点：如果AlphaEvolve给出多个性能相当的解，哪个最好？数学家眼里最优雅、最简洁的那个。可「优雅」没有客观定义，它长在人类观察者身上。

## 49次到48次：数学是AI最硬的考场

为什么DeepMind总拿数学开刀？科利的答案很直接：数学的结果是硬的。

4×4矩阵乘法，1969年Strassen给出的算法需要49次乘法，这个纪录站了半个多世纪。AlphaEvolve找到了只用48次乘法的方法。48就是48，没有争论空间，不需要人类反馈打分，也不需要另一个LLM来评价「这个结果看起来怎么样」。你比前人少一次乘法，你就是赢了。

> 「它给你一种非常干脆的方式来评估做得有多好。不需要RLHF，不需要依赖LLM打分，你就是知道你更强了。」

数学之外也有类似的惊喜。FunSearch研究过cap set问题，菲尔兹奖得主陶哲轩称之为「也许是我最喜欢的未解问题」。团队和数学家Jordan Ellenberg合作，检查FunSearch生成的程序时发现，程序利用了问题里一些此前从未被人识别出的对称性。没人教过它这些结构，但它确实靠这个拿到了更好的解。

这有点像AlphaGo的第37手。AI的解法路径和人类不同，但解法本身是可读、可检验、可学习的。

## AlphaFold留下的三课

主持人问了一个很多人关心的问题：这些模型越来越强，芯片设计师会不会失业？科利没有直接回答，他讲回了AlphaFold之后结构生物学界发生的事。

AlphaFold 2之后发生了三件事。第一，它把不可能变成可能。以前解析一个蛋白结构，可能要用同步辐射光源，等六个月，花一百万美元，现在几秒钟。第二，它加速了整个领域。第三，也是最容易被忽视的一点，它把这个能力民主化了。**以前拉美、南亚、非洲研究被忽视热带病的科学家，根本没钱没设备去解析蛋白结构，现在结构唾手可得，他们直接跳到下一步：怎么用这些结构去设计药物。**

顺便说一组背景数据。AlphaFold 2发布之前，解析一个蛋白结构要一到五年，花费可能高达一百万美元，有些蛋白研究者啃了十几年都没结果。全世界人类蛋白里，结构已知的只有大约37%。AlphaFold 2发布后，团队把地球上几乎所有蛋白的结构预测全部公开，免费提供给所有人。

那位问「接下来该干什么」的生物学家并没有失业。科利说，结构不再是稀缺品之后，科学家们把精力转向了下一层问题：怎么用这些结构去理解功能、设计药物、治疗疾病。工具接管了一段，人往问题的下一层走。

那药物研发因此提速了吗？科利说有，但要清醒。药物发现是个长链条：先找到靶点蛋白，再设计能结合它的分子，这一步以前要两年左右，现在压缩到几周或几个月。但后面还有一期、二期、三期临床试验，还有毒性验证。**AlphaFold搬走的是整条路上的一块大石头，路本身还长。**新一代AI for Biology模型瞄准的是剩下的那些堵点。

科利认为同样的事会发生在AlphaEvolve身上。一旦智能体的解题能力超过人，问题就变成：该解哪些题？拿芯片设计举例，芯片可以追求更省电、散热更少、制造成本更低、容错性更强。优化目标可以越定越复杂，因为现在有了足够复杂的系统去优化它们。

## 我们正活在起飞的正中间

聊到未来，科利的视角拉得很长。他说人类文明的划分是石器时代、青铜时代、铁器时代，现在看你是乐观还是悲观，可以叫硅时代或塑料时代。人类区别于其他物种的根本能力，是驾驭能量。他举了两个例子：做出室温超导，人类处理能量的方式会彻底改写；解锁可控核聚变，能源价格趋近于零，地缘政治和经济的底层逻辑都得重算。所以当被问哪些领域最值钱时，他的回答是：哪些领域对社会重要，哪些领域就会被AI加速。医疗、材料科学、编程，全部都会被重塑。

至于科学发现的「起飞时刻」，他的回答是：「我认为我们正活在它的正中间。身处其中的时候你看不清它，但AI加速科学发现的时代确实已经开始了。」

瓶颈他也说得实在，就两个。

- **验证。**AlphaEvolve这类系统产出的是数字世界的结果，怎么把它和真实世界接上？如果你完全信任计算模型，那模型说行就行。如果不信任，就得回实验室做真实验。材料科学这类领域，这一步躲不掉。
- **可及性。**再厉害的技术，没人会用就没有影响。AlphaFold的成功有个隐藏原因：它不仅预测得准，还知道自己哪里不准，预测不可靠时会主动亮红灯。它的准确率大概在90%到95%之间，科利说，就算到了99%，那个碰上错误预测、追着错误结构跑了两年的科学家，从此也不会再用你的工具。今天的LLM普遍缺的就是这种校准过的不确定性。

快问快答里还有几个判断值得记下。年度必读论文，他选了co-scientist；最被低估的算法是wake-sleep，出自MIT的Kevin Ellis和Josh Tenenbaum，核心思想是程序库构建，写程序的同时沉淀通用模块，让以后每个程序都更好写。推理时算力是不是下一个扩展主轴？他「部分同意」，推理时算力会非常重要，但训练时算力同样重要，蒸馏的力量大家都看到了，模型提炼出更好的内部表征，预测会更准，甚至更省算力。机器人他看多，理由是「我对一切都看多」，近期让机器人真正干活还有难度，中长线没问题。人形机器人他也偏看多，理由朴素：整个世界都是照着人的身体设计的，人形天然适配，是不是最优形态另说。至于未来的科学诺贝尔奖会不会全被AI团队包揽，他的回答是还不会，人类仍在获奖，但会有那么一个节点，AI变得不可或缺，最终是人加AI的团队一起拿奖。

最后落到操作层面，科利这套方法里有三样东西明天就能用。

第一样是「生成加验证」的工作方式。做任何探索性任务，别指望一次想出完美方案，先降低生成门槛，大量产出候选，再建一个足够可信的标准去筛。评估器越硬，搜索越有效。

第二样是把评估自动化。代码有测试用例，数学有定理证明，芯片有仿真工具。你手头的领域多半也有某种现成的验证手段，把它写成一段能自动打分的程序，它就成了你和AlphaEvolve这类工具之间的接口。暂时没有的话，先想办法把「什么算好」变成可以客观度量的东西。

第三样是看工具敢不敢说「我不知道」。选AI产品和服务时，优先选那些会主动告诉你「这里我不确定」的。**知道自己边界在哪的AI，才配得上你的信任；知道自己边界在哪的使用者，才用得好AI。**