目錄

「我喜歡硬題（hard questions）。」

Demis Hassabis 在不同的訪談中說過這句話，但它不只是一個個人特質的表達。它是一個研究策略的宣言。

TL;DR

Hassabis 對「硬題」的偏好背後是一個清醒的邏輯：最有槓桿效應的問題不是最容易的問題，也不是最難的問題，而是那些一旦解開就能帶出大量後續進展的問題。AlphaFold 解決了蛋白質折疊問題，然後數百個藥物開發項目用它加速了自己；AlphaGo 解決了圍棋問題，然後同樣的技術路徑被用到了材料發現、數學證明和演算法優化。選對問題，比解問題更重要。

是什麼

「硬題偏好」在研究機構裡其實是罕見的。大多數研究機構的激勵機制指向相反的方向：發表論文、拿引用數、展示可量化的進步。這些指標偏向選擇「難度適中、一年內可以出成果」的問題，而不是「可能十年出不了結果」的根本性問題。

Hassabis 在 DeepMind 的研究選擇一直在對抗這個激勵機制：AlphaGo 從構想到發表花了數年；AlphaFold 的工作在 2018 年就開始，2020 年才在 CASP14 取得突破性結果。

為什麼重要

「硬題偏好」不是一種英雄主義，而是一種報酬率計算。

容易的題目的問題是：如果你能解，很多人也能解，你的貢獻的邊際價值接近零。困難但有槓桿的題目的回報是：解開它之後，它能解鎖大量其他事情。

具體例子：

蛋白質折疊問題：難度極高（50 年沒有人解開），但解開後的下游影響是整個生物醫學研究加速。全世界有多少個研究項目因為 AlphaFold 而縮短了幾年？

圍棋 AI：圍棋被認為是 AI 在十年內不可能攻克的遊戲（2016 年 AlphaGo 擊敗 Lee Sedol 之前）。解決它的技術——深度 RL + self-play——後來直接遷移到 AlphaFold 的訓練方法上。

數學證明自動化：AlphaGeometry 和 AlphaProof 在 2024 年展示了 AI 可以解決奧林匹克數學題。如果 AI 能夠輔助數學研究，它的影響範圍是整個依賴數學的科學領域。

怎麼識別「值得攻克的硬題」

Hassabis 在訪談中提到，他判斷一個問題是否值得投入的方式：

評估槓桿：解開這個問題之後，有多少其他問題會跟著變得可解或更容易？一個有高槓桿的問題的解法通常是一個「方法論突破」，不只是一個孤立的結果。

確認有可量化的評估函數：DeepMind 偏好那些有客觀評估標準的問題——下棋有贏/輸，蛋白質折疊有結構精度分數，數學題有對/錯。沒有客觀評估函數的問題很難用 AI 攻克。

確認沒有人在用正確的方法攻克它：有時候一個「硬題」之所以難，不是因為問題本身的複雜度，而是因為大家都在用錯誤的方法嘗試。用對的工具（深度 RL、Transformer）攻克一個被錯誤工具困擾多年的問題，可以比問題的表面難度看起來更快取得突破。

跟一般問題解決思維的差別

一般的工程問題解決傾向：分解、簡化、找最近的可行路徑。這在工程實作中是正確的方法論。

研究問題選擇的另一個邏輯是：先找最有槓桿的問題，再考慮可行性。如果你選對了問題，不可行的問題往往只是暫時不可行，等工具進步了就可行了。

AlphaGo 在 2013-2014 年就不可能做到，因為 GPU 算力不夠。但等到 2015-2016 年算力到位，問題就解開了。選對問題的 DeepMind 比選容易問題的競爭者更有準備。

小結

「我喜歡硬題」這句話的完整含義是：我選擇把時間投入在一旦解開就能帶出大量後續影響的問題，而不是選擇能快速出成果但邊際貢獻有限的問題。

對工程師而言，這個哲學有個可以借鑑的版本：在你的工作中，找到那個如果解開了就能解鎖大量其他事情的核心瓶頸，優先攻克它，而不是持續累積容易但影響有限的小改進。

參考資料

相關標籤

#deepmind#ai#research#demis-hassabis#philosophy

相關文章