Demis Hassabis 眼中的大千世界：世界存在某种结构压缩的低维流形（low-dimensional manifold） Demis Hassabis 提出一个令人震惊的判断：物理本质是信息论性的，信息先于能量与物质。他据此构建出“可学习宇宙假说”：即自然界中大多数规律并不需要显式写下方程，而是可以通过经典图灵机（即常规计算机 + AI）在数据中压缩学习出来。这也是他敢于挑战传统生物学专家，用 AlphaFold 去预测他们需要数月甚至数年才能解析的蛋白质折叠结构的底气所在。背后是一整套关于自然可预测性、AI 可学习性与现实可模型化的信念框架。如果这个判断成立，那么很多科学研究的路径将被彻底改写，甚至将决定我们下一代如何走入科研。有人说这也是某位生物学大牛选择回国的理由——因为科学的规则变了，你不需要再踩“天坑专业”的雷，也不必再用十年实验室工作换一个小小突破，你只需要学会如何采集流形。 Hassabis 在解释 AlphaFold 成功的关键时指出，蛋白质的理论构象空间是 10^300 之巨，完全无法穷举或物理模拟。但自然界中蛋白能在毫秒级自动完成折叠，说明自然并没有在“全空间乱跑”，而是压缩演化在一条低维流形上。这是 AlphaFold 能够成功预测结构的根本前提。他强调：自然现象之所以“可预测”，不是因为我们写出了完美的方程，而是因为自然的行为模式在高维空间中稀疏分布、结构清晰、路径稳定——它们集中在一种可压缩、可调度的结构空间中，这就是所谓的“流形（manifold）”。 我们可以用一个可视化比喻来理解这一点：想象你站在一片巨大的草原（代表高维空间），理论上你可以朝任何方向走，但实际上绝大多数人都只走在几条清晰的小径上。每个人的脚步不是随机的，而是集体踩出了几条被自然选择出的路径。这些小径就是“自然偏好的流形”。现实世界中的天气变化、蛋白折叠、图像生成都类似——虽然可能性空间极大，但真实发生的情境都压缩在某些低维区域上。 AlphaFold 并不是像传统方法那样模拟蛋白质在全空间内的动力学演化过程，而是通过从大量蛋白质序列与已知结构的样本中学习，采集到了这个结构流形。它不是试图穷举所有可能构象，而是在训练中逐步内化出一个可以导航的、从序列到结构的映射空间，也就是一个“潜在折叠流形”。最终，在预测新蛋白结构时，它并不是搜索整个空间，而是在这个内化的流形中直接定位最可能的位置，完成高效预测。 这就是 AlphaFold 的本质：它用深度神经网络从数据中提取出了低维流形，并在这个结构压缩空间中完成了调度和推理。它不是理解了所有物理机制，而是掌握了“自然允许你走的那些路径”。这也正是 Hassabis 世界观的核心逻辑——自然是结构化的，智能的任务不是重建现实，而是压缩现实，压缩成一个可以学习、调用、迁移的结构流形。 世界本是高熵混沌的，但其中蕴含可提取的结构秩序——只要识别出这些结构，就能实现压缩、调度与迁移，从而在无序中建立智能与控制。 我一直都是这么想的（拍拍胸口）。 (4/n)
