促进科学突破

通过证明它可以在围棋棋盘的巨大搜索空间中导航，AlphaGo 展示了人工智能帮助我们更好地理解物理世界的巨大复杂性的潜力。我们首先尝试解决蛋白质折叠问题，这是预测蛋白质 3D 结构（对于了解疾病和开发新药至关重要的信息）长达 50 年的重大挑战。

2020年，我们终于用我们的技术解决了这个长期存在的科学难题阿尔法折叠 2系统。从那里，我们折叠了科学上已知的所有 2 亿种蛋白质的结构，并在开源数据库中免费提供给科学家。如今，全球有超过 300 万研究人员使用AlphaFold数据库加快他们在从疟疾疫苗到吃塑料酶等各个领域的重要工作。2024 年，我和 John Jumper 代表整个 AlphaFold 团队因领导该项目而获得诺贝尔化学奖，这是我一生的荣幸。

自 AlphaGo 获胜以来，我们已将其突破性方法应用于科学和数学的许多其他领域，包括：

数学推理：AlphaGo 架构的最直接后代，阿尔法证明学会使用语言模型和 AlphaZero 的强化学习和搜索算法的组合来证明正式的数学陈述。它与 AlphaGeometry 2 一起成为第一个在国际数学奥林匹克 (IMO) 上达到奖牌标准（银牌）的系统，证明 AlphaGo 的方法可以解锁高级数学推理，并为我们最有能力的通用模型奠定基础。

Gemini，我们最大、最有能力的模型，最近走得更远。深度思考模式的高级版本达到了使用受 AlphaGo 启发的方法在 2025 年 IMO 上获得金牌级别的表现。从那时起，Deep Think 就一直应用科学和工程领域更复杂、开放式的挑战。

算法发现：正如 AlphaGo 寻找游戏中的最佳走法一样，我们的编码代理阿尔法进化探索计算机代码空间以发现更有效的算法。它有自己的 Move 37 时刻，它发现了一种新颖的矩阵乘法方法，这是一种为几乎所有现代神经网络提供动力的基本数学运算。AlphaEvolve 目前正在针对从数据中心优化到量子计算等问题进行测试。

科学合作：我们正在将 AlphaGo 首创的搜索和推理原理集成到人工智能联合科学家。通过让代理“辩论”科学思想和假设，该系统充当协作者，能够执行识别数据模式和解决复杂问题所需的严格思维。在验证研究中伦敦帝国理工学院它分析了数十年的文献，并独立得出了研究人员花费数年时间通过实验开发和验证的关于抗菌素耐药性的相同假设。

我们还使用人工智能更好地了解基因组,推进聚变能源研究,改善天气预报等等。

尽管我们的科学模型令人印象深刻，但它们是高度专业化的。为了实现根本性突破，例如创造无限的清洁能源或解决我们今天不了解的疾病，我们需要通用的人工智能系统，它可以找到不同学科领域之间的潜在结构和联系，并帮助我们像最优秀的科学家一样提出新的假设。

智能的未来

为了让人工智能真正具有通用性，它需要理解物理世界。我们从一开始就将 Gemini 打造为多模式的，因此它不仅可以理解语言，还可以理解音频、视频、图像和代码来构建世界模型。

为了跨这些模式进行思考和推理，最新的 Gemini 模型使用了我们在 AlphaGo 和 AlphaZero 中首创的一些技术。

下一代人工智能系统还需要能够调用专门的工具。例如，如果模型需要了解蛋白质的结构，它可以使用 AlphaFold。

我们认为 Gemini 的世界模型、AlphaGo 的搜索和规划技术以及专门的人工智能工具的使用的结合将被证明对 AGI 至关重要。

真正的创造力是此类 AGI 系统需要展现的关键能力。Move 37 展示了人工智能跳出框框思考的潜力，但真正的原创发明还需要更多东西。它不仅需要像 AlphaGo 那样提出一种新颖的围棋策略，而且还需要真正发明一种像围棋一样深刻、优雅、值得研究的游戏。

AlphaGo 取得传奇性胜利十年后，我们的终极目标即将到来。Move 37 中首次出现的创意火花催化了突破，这些突破现在正在汇聚起来，为通用人工智能铺平道路，并迎来科学发现的新黄金时代。