一個遊戲少年如何擊敗院士拿下諾獎

今天我要講述一個科學領域無比勵志的故事，一個聽起來都不可思議的事蹟：一個年輕遊戲玩家擊敗科學院士拿下諾貝爾獎的故事。

是的，之前我講過遊戲顯卡是如何引發算力革命進而孵化出AI行業，但今天這個故事，比那個還要不可思議，還要峰迴路轉。

有這麼一個小夥，從小就被譽爲天才，從小就熱愛遊戲，4歲的時候，就對國際象棋表現出濃厚的興趣，到了8歲，已經能在國際象棋的官方賽事裡拿冠軍了。他用這份獎金給自己買了一份重要的禮物，一臺電腦~並很快愛上了電腦遊戲。

熟悉的操作，熟悉的劇情~

17歲那年，他選擇進入遊戲公司成爲一名遊戲設計師。

畢竟，既然這麼熱愛遊戲，爲什麼不試試自己做一個呢？他進入了當時大名鼎鼎的牛蛙公司。

進入公司後一年，他就主導設計出了爆款遊戲，那就是大名鼎鼎的《主題公園》。

簡單來說，1994年的這款遊戲是如今很多主題公園類和模擬經營類遊戲的鼻祖，甚至我認爲海島大亨系列應該也受其影響。

幾年後，他創辦了自己的遊戲公司，並陸續開發了《共和國》和《邪惡天才》這兩款遊戲，都是模擬經營類遊戲。

顯然，他非常喜歡模擬經營這個遊戲類型。

文明5，啓動！

到這裡，這個故事似乎和過往提到的象棋天才電腦神童故事類似，

從小熱愛遊戲，有象棋圍棋天賦，能自學計算機，最後進入遊戲公司成爲超級程序員，做出名震業內的爆款產品。

但這位小哥離譜的地方，纔剛剛開始。

做出爆款遊戲後，很快他就開始思考，電腦這個工具對於遊戲的作用，他開始試着在遊戲中加入AI功能。

很少有媒體提到這一點，但我作爲一個資深遊戲玩家，我覺得這很可能是前面幾款遊戲帶來的影響。

因爲經常玩模擬經營類的都能感覺到，在遊戲後期，大量NPC存在的情況下，電腦算力會有明顯短板，

文明5的後期，一回合經常卡爆電腦，

主題公園，天際線，海島大亨等遊戲後期，不但畫面卡，而且市民的上下班路線非常不合理，哪怕你給他們建好了公交和地鐵，甚至把住宅區和工作區放一塊，他們都會四處亂跑把路堵死。

可能正是這些現象，激發了他對於AI的思考，這些遊戲性問題，能否利用AI來優化遊戲呢？

2010年，他創立了一家新的公司，其目標是“解決智能問題”，並嘗試着用學習算法來掌握遊戲。

2013年，他們創建了一種名爲Deep Q-Network（DQN）的算法，可以以超越人類的水平玩電腦遊戲。

測試結果顯示，DQN在上手遊戲太空侵略者這款遊戲的30分鐘內，就成爲了該遊戲內最優秀的玩家。

2016年，這家公司又發佈了一款遊戲AI，並打敗了這個遊戲原本的世界冠軍。

——這次的AI，叫做AlphaGo。

是的，嚴格來說，你可以把圍棋這項運動理解爲一個遊戲，把AlphaGo理解爲一個遊戲AI，

只是圍棋這款遊戲比較特殊，因爲近乎無窮的計算變量，一度被認爲無法破解，AlphaGo也比那些簡單的電腦，瘋狂的電腦要智能很多~

許多人震驚於這兩年人工智能的發展浪潮時，往往將其視爲一個單一的，突然出現的事情。

實際上不是的，這些年無數電子遊戲的誕生，催生出了天量的對遊戲AI的需求，很多玩家希望在遊戲中對戰更智能的AI，或者和更智能的NPC並肩作戰，這些需求逼迫着程序員們不斷加強對AI算法的探索。

從來不存在一個程序員異想天開說，我要不惜一切代價，研究一個更智能的AI，不是的。

現實情況是，你設計出一個好的算法，你的遊戲更好玩，大賺一個億，他的遊戲更智能，大賣兩個億。是沉甸甸的一份份獎金，讓大家有無窮的積極性投入到AI開發上來。

火藥不是一開始就設計出來的，從來沒有一個科學家說今天我就要發明火藥，不存在的，是一堆希望長生的煉丹術士爲了長生不老這個需求，天天搗鼓煉丹，今天加一點這個，明天試一點那個，最後發現硫磺硝石和木炭混一起居然會爆炸。

列文虎克一開始也沒想發現微生物屆，人家就是一個做鏡片的，天天打磨鏡片，結果突然有一天發現把鏡片打磨到極致後，能看見肉眼看不到的東西。

我們故事的主人公也一樣，一開始他想做遊戲，後來想研究更智能的遊戲，最後研究出了無比智能的遊戲AI。

然後他們突然開始思考一個問題，

既然AI擁有自我學習能力，能夠很快的掌握圍棋和電子遊戲規則，成爲冠軍玩家，

那如果我們將某個領域的科研也理解爲一個“遊戲”，AI能不能掌握呢？

2017年，在烏鎮圍棋峰會上，AlphaGo以3:0的比分乾淨利落擊敗世界圍棋冠軍柯潔後。

2018年，DeepMind又試着研發出了可預測蛋白質結構的AI系統，AlphaFold。嘗試用AI來進行科研。

你肯定覺得這不靠譜，讓一個最初爲遊戲設計的AI去研究科學，這也太天方夜譚了。

不是你一個人這麼想，某位中科院院士，也是這麼想的。

是的，就是咱們的老熟人，顏寧老師。

所以說世上的所有相遇，都是久別重逢，峰迴路轉咱們居然又碰上了~

常年以來，預測蛋白質結構主要三種辦法，一是用 X 光照蛋白質晶體，二是核磁共振光譜，第三種就是昂貴的冷凍電鏡拍照建模。

而顏寧團隊就以第三種方法冷凍電鏡的熟練操作而著稱，別人拍照一次的時間，她的團隊可以拍五次，效率高非常多。

而DeepMind他們的思路是，這種重複性極高的工作能不能靠 AI 解決呢？

如果咱們把冷凍電鏡拍照建模這個過程理解爲一個遊戲，是不是能用AI去試着解決呢？

“他們不打算拍片子，而是選擇了 AI ：蛋白質既然由氨基酸構成，那隻要利用各處公開的已知蛋白質結構，把這些蛋白質中每一對氨基酸的距離，鏈接角度，彙總起來做成一張圖，再用神經網絡消化完他們， AI 就能自己做出預測了”

最終結果是，AI的效率遠超人工，一般團隊效率是1，顏寧團隊效率是5，AI則是十萬，並且還在高速增長。因爲AI不需要休息，且會不斷自我進化。自他們取得突破以來，來自 190 個國家的 200 多萬人都用上了 AlphaFold ，在他們的幫助下，科學家們不僅能夠更加深入瞭解抗生素的耐藥性，還設計出了可以消化塑料的酶類蛋白質。

如此顛覆性的成果，後面的故事你們應該猜到了，這項技術拿到了諾貝爾獎。這位熱愛遊戲，最初從業遊戲設計師的小夥，就是今年的諾貝爾化學獎獲得者，哈薩比斯。

事實證明，時代的發展會公平的甩飛每一個，當你被AI發展驚的目瞪口呆的時候，頂尖科學家可能也會看走眼。

2022年我們討論AI的時候，AI對於顏寧他們的衝擊已經被許多人觀察到，從評論區來看，大家雖然都認可AI的發展，但大多認爲取代頂尖科學家可能還要一定時間。（有幾個小夥伴發言很有前瞻性，非常厲害）

顏寧自己可能也是這麼想的，2022年顏寧自己的結論就是，AI的預測水平只能達到她們2017年水準。

這劇情和圍棋行業簡直一模一樣，

一開始AlphaGo出來的時候大家都覺得沒什麼，也就能擊敗世界冠軍而已，人類努力有機會贏回來。

但很快大家發現這觀點錯的離譜，因爲人類學習是有老師有課本的，人類戰鬥力其實是站在前人經驗上，加上多年學習的結果，而AI接觸圍棋不到一年~入門一年就給你圍棋大師錘了，以後更不用看了。

2022年的時候顏寧覺得AI也就達到她們五年前水平，不足爲慮。

問題是AlphaFold是2018年問世的，到2022年也就四年，一個四歲小孩就快追上你人類頂尖科學家了，這發展速度你還用常理去判斷一定會大錯特錯。

所以這個故事告訴我們什麼呢？

是科技發展，是AI革新，是人生際遇，還是生物就該轉碼農？

我覺得最大的啓發在於，熱愛。

回頭展望，2007年顏寧已經是清華大學教授，博士生導師，是卓有名氣的學術大師。

此時的戴密斯·哈薩比斯還是一個遊戲設計師，別說學術大師了，他甚至都不能算學術界一員。

這個時候，你和他說你未來會擊敗科學院士拿到諾貝爾獎，他別說相信，甚至都無法想象。

一個默默無名的科學從業者一鳴驚人拿到諾貝爾獎，雖然不可思議，但好歹能說得通。

我一個臭打遊戲的，怎麼可能拿諾貝爾獎呢？諾貝爾也沒有遊戲獎啊？

世界的驚奇之處就在於此。

你並不真的熱愛科研，可能是爲了薪水，可能是爲了穩定，可能是爲了光鮮亮麗的燈光，你日復一日的幹着類似的工作，並深感科研之不易。

他做的雖然只是遊戲，但他發自內心的熱愛遊戲，結果鑽研到極致，居然點出AI這條科技樹，一回頭居然是新時代的鑰匙。

你說這是他運氣好，可如果沒有對遊戲有極致的熱愛，如果不是從根本上思考遊戲的玩法，如果只是爲了賺錢做些換皮遊戲，這個故事可能發生嗎？顯然不可能。

是對熱愛事物超越一切的熱愛和鑽研，幫助了他探破迷霧找到新的世界。

永遠不要忘記，熱愛你所熱愛的。