DeepMind创始人：AI 的强大，超乎我们的想象(9)

在这种情况下，血浆控制是完美的。这个等离子体有100万℃，比太阳还热，显然没有任何材料可以容纳它。因此必须有非常强大的超导磁场，但问题是等离子体相当不稳定，就像在一个反应堆中持有许多颗星，提前预测等离子体会做什么，你可以在几百万秒内移动磁场来控制它接下来会做什么。

如果你把它看作是一个强化学习预测问题，这似乎很完美，有控制器，可以移动磁场和切割，但此前用的是传统的控制器。我希望有一种可控的规则是他们不能在当下对等离子体做出反应，必须是硬编码的。

Lex Fridman：AI 最终解决了核聚变。

Demis Hassabis：去年我们在《自然》杂志上发表了关于解决这个问题的论文，把等离子体固定在一个特定的形状。实际上这几乎就像是把等离子体雕刻成不同的形状，控制它并保持在那里创纪录的时间。这是核聚变的一个未解决的问题。

把它包含在结构中并保持，还有一些不同形状更有利于能量的产生，称为滴液等等，这是很重要的。我们正与许多核聚变初创公司沟通，看在核聚变领域可以解决的下一个问题是什么。

Lex Fridman：论文标题中还有一个迷人的地方，通过解决分数电子问题来推动密度函数的前沿。你能解释一下这项工作吗？AI 在未来能否对任意的量子力学系统进行建模和模拟？

Demis Hassabis：人们试图写出密度函数的近似值以及对电子云的描述，观察两个元素放在一起时如何相互作用。而我们试图做的是学习一种模拟，学习一种能够描述更多化学类型的化学函数。

到目前为止，AI 可以运行昂贵的模拟，但只能模拟非常小和非常简单的分子，我们无法做到模拟大型材料。因此要建立函数近似值来展示其方程后，描述电子在做什么，所有材料科学和性质都是由电子如何相互作用来控制的。

Lex Fridman：通过功能对模拟进行总结来接近实际模拟出来的结果，这项任务的难度在于运行复杂的模拟，学习从初始条件和模拟参数的映射任务，学习函数会是什么？

Demis Hassabis：这很棘手，但好消息是我们已经做到了，我们可以在计算集群上运行大量的模拟，即分子动力学模拟，由此产生了大量的数据。在这种情况下，数据是生成的。这就是为什么我们使用游戏模拟器来生成数据，因为可以随心所欲地创造出更多的数据。如果在云端有空闲的电脑，我们就可以运行这些计算。

3AI 与人类