诺贝尔物理、化学两项大奖授予AI科学家

人类科学进入AI时代

本周二，约翰·霍普菲尔德（John J. Hopfield）和杰弗里·辛顿（Geoffrey E. Hinton）凭借在人工神经网络机器学习方面的突破性研究，获得了诺贝尔物理学奖，这项研究为人工智能的发展奠定了基础。这一奖项是对人工智能在当今社会生活和工作中日益重要性的高度认可。人工神经网络凭借其处理海量数据的能力，已经在科学研究中发挥了重要作用，特别是在物理学领域，它们被用于设计新材料、处理来自粒子加速器的大量数据以及帮助研究宇宙。

本周三，诺贝尔化学奖授予了三位科学家，包括华盛顿大学的戴维·贝克（David Baker），以及谷歌DeepMind的德米斯·哈萨比斯（Demis Hassabis）和约翰·M·朱姆珀（John M. Jumper），表彰他们在利用先进技术（包括人工智能）预测蛋白质形状并发明新蛋白质方面的突破性发现。哈萨比斯和朱姆珀通过人工智能技术预测了数百万种蛋白质的结构，而贝克则利用计算机软件创造了全新蛋白质。

本次诺贝尔奖是一周内两次颁给与人工智能相关的科学家，凸显了人工智能技术在科学研究中的日益重要性。2018年获得诺贝尔化学奖得主，加州理工学院的化学工程教授弗朗西斯·阿诺德（Frances Arnold）表示，“人工智能正在改变我们进行科学研究的方式，极大地增强了我们解决过去无法解决问题的能力。”美国化学学会主席玛丽·卡罗尔（Mary Carroll）指出，化学领域可能会更多地依赖计算研究，这将提高化学研究的效率，并减少对实验室工作的依赖。“计算工作也是实验工作，只是一种不同的形式，这代表了化学研究的发展方向。”

人工智能的“双刃剑”

神经网络是一种通过分析数据来学习技能的系统，因其模仿人脑中神经元的工作原理而得名。如今，它们已经成为日常互联网服务不可或缺的一部分，包括谷歌的搜索引擎、苹果的Siri数字助手以及OpenAI的ChatGPT聊天机器人。

这些技术虽然源于数学和计算机科学，而非物理学，但霍普菲尔德博士和辛顿博士在20世纪70年代末和80年代初的研究对数字神经网络的发展产生了深远影响，这些网络现已成为现代互联网的基石。辛顿博士曾在2018年获得图灵奖，并被誉为“人工智能教父”。他表示：“如果有诺贝尔计算机科学奖，我们的工作显然更适合这个领域，但目前并没有这样的奖项。”

辛顿博士去年辞去了谷歌的研究工作，部分原因是他希望能自由地讨论他所帮助创建的人工智能技术可能对人类带来的潜在危害。辛顿博士表达了对机器学习的担忧，称这项技术将对社会产生深远影响。“它的影响可以与工业革命相媲美，不同的是，人工智能不会超越人类的体力，而是将超越人类的智力。我们尚未有过与比我们更聪明的事物共处的经验。”

但是辛顿博士同时也指出，这项先进技术将极大地改善医疗服务。他说：“它将带来生产力的巨大提升，但我们也必须警惕它可能带来的负面后果，尤其是技术失控的威胁。” 霍普菲尔德博士将人工智能的进步与原子分裂进行了比较。他指出，原子分裂既带来了毁灭性的炸弹，也带来了丰富的能源。“我们习惯于使用既不全然好也不全然坏的技术，它们具备双向潜力，你需要了解如何控制这些系统，并避免灾难的发生。”

现代人工智能的“零点”

自1901年首次颁发以来，诺贝尔物理学奖已表彰了从亚原子粒子的发现到引力波和超大质量黑洞等多项重大物理发现。而在某些年份，委员会也承认了物理学在其他学科中的应用，例如2021年授予的气候变化相关研究。今年的诺贝尔奖项委员会特别强调了霍普菲尔德博士和辛顿博士在生物学和计算机科学方面的工作与物理学的紧密联系。虽然看似不符合传统物理学范畴，但麻省理工学院和IBM的物理学家德米特里·克罗托夫（Dmitry Krotov）指出，学科之间的界限“在某种程度上是人为的”，并补充说：“物理学的美妙之处在于它在历史上一直在扩展。”

霍普菲尔德是普林斯顿大学的荣誉教授，以其在计算机科学、生物学和物理学领域的开创性发现而闻名。霍普菲尔德博士在1958年于贝尔实验室开始了他的职业生涯，作为一名物理学家研究固体物质的性质。然而，在1964年加入普林斯顿大学物理系后，他很快感到物理学的局限性，当他1997年重返普林斯顿时，加入了分子生物学系。

在20世纪80年代，霍普菲尔德博士的研究重心转向了如何利用大脑的工作原理来启发机器如何存储和重现模式，他的研究起初源自对物理学和生物学之间联系的好奇心。1982年，霍普菲尔德博士开发了著名的神经网络模型，今天被称为霍普菲尔德网络，该模型用于描述大脑如何通过部分信息回忆记忆，这种能力被称为联想记忆。霍普菲尔德博士通过描述该网络的节点及其相互连接，揭示了其行为与解释邻近原子自旋相互作用的物理学非常相似。

他起初并没有预料到他的神经网络研究会在机器学习领域取得广泛应用。然而，他表示，人工智能和生物学之间是“天作之合”。在霍普菲尔德网络诞生之前的几年，人工智能领域正处于寒冬。然而，霍普菲尔德博士1982年的研究是结束这一时期的主要推动力，这是现代神经网络时代的起点。神经科学家和计算机科学家特里·塞若诺夫斯基（Terry Sejnowski）曾在霍普菲尔德博士手下学习，后来成为辛顿博士的重要合作者。塞若诺夫斯基指出，霍普菲尔德网络的研究“吸引了许多物理学家进入机器学习领域。”

通往聊天机器人的道路

物理学奖另一位得主辛顿博士现年76岁，是多伦多大学计算机科学的教授。他在20世纪70年代初于爱丁堡大学攻读研究生时开始研究神经网络，当时几乎没有研究者相信这一理念的可行性。1985年，辛顿博士和他的同事们开发了一种新的神经网络，命名为玻尔兹曼机（Boltzmann Machine）。这种网络的节点可以用物理学来描述，使用的是以统计物理学先驱路德维希·玻尔兹曼命名的玻尔兹曼方程，该方程描述了一个系统的能量状态。这与霍普菲尔德博士的研究有异曲同工之处，尽管两者基于不同的物理学原理。

Meta的首席人工智能科学家扬·勒昆（Yann LeCun）指出，虽然霍普菲尔德网络和玻尔兹曼机本身并没有被直接应用于现代人工智能技术，但它们对这一领域的影响却不可忽视。他们的研究激发了更多科学家重新审视神经网络的潜力，而在此之前，神经网络曾被大多数学者视为死胡同。

在玻尔兹曼机的基础上，辛顿博士和他的合作者进一步发展了基于“反向传播”（Backpropagation）数学概念的神经网络形式。反向传播算法成为神经网络训练的核心方法，并在接下来的几十年里由辛顿博士及包括勒昆博士在内的其他科学家主要在加拿大和欧洲的大学中加以发展和完善。2012年，辛顿博士和他在多伦多大学的两名研究生在这一技术上取得了突破性进展，最终促使辛顿博士加入谷歌。近年来，辛顿博士与扬·勒昆以及蒙特利尔大学计算机科学教授约书亚·本吉奥（Yoshua Bengio）共同获得了图灵奖。

人工智能制造蛋白质

过去，确定蛋白质的精确结构可能需要数月甚至数年，但AlphaFold这样的人工智能模型如今可以在几个小时甚至几分钟内完成这一任务。这种速度对现实世界有着广泛的影响。AlphaFold已在科学研究中被引用超过20,000次，生物化学家们利用该技术加速药物发现进程。化学奖得主朱姆珀博士说：“我们可以直接将我们的工作与人类健康联系起来”。这项研究还可能催生新的生物工具，例如能够高效分解塑料瓶并将其转化为可再利用材料的酶。

今年的诺贝尔化学奖也提醒人们，人工智能可能被不良分子利用。另一位化学家得主哈萨比斯博士说道，“这是一种双刃剑技术，它具有巨大的潜在善意，但也可能被用于危害。”一些人担心，这项技术可能被用于创造新型病毒或有毒物质，从而引发生物攻击。贝克博士是今年签署一项协议的90多位科学家之一，该协议旨在规范用于制造新型生物武器的设备，确保人工智能研究不会带来负面影响。

破解蛋白质折叠的密码

蛋白质和酶是驱动病毒、细菌、人类身体及所有生物体行为的微观机制。它们最初由一串化学化合物组成，随后扭曲折叠成三维形状，决定了它们的功能。然而，确定蛋白质的精确形状是一个耗时的过程，科学家们为解决这一“蛋白质折叠问题”奋斗了50多年。

少年时期，哈萨比斯曾是世界上排名第二的14岁以下国际象棋选手，之后开始专业设计电子游戏。在剑桥大学完成计算机科学学位后，他创立了一家电子游戏公司，随后回到学术界攻读神经科学博士学位。2010年，哈萨比斯与谢恩·莱格（Shane Legg）和童年好友穆斯塔法·苏莱曼（Mustafa Suleyman）共同创办了DeepMind。大约四年后，谷歌以6.5亿美元收购了这家公司。

DeepMind的目标是构建通用人工智能——一种能够执行人类大脑所能完成的任何任务的机器。为了实现这一目标，他们还开发了可以解决特定科学问题的技术，其中之一就是AlphaFold。AlphaFold基于神经网络构建，推动了面部识别、语音识别和聊天机器人等技术的发展，神经网络还能预测人体内蛋白质的形状，从而确定分子如何与其结合。这种技术也被广泛用于药物开发。

许多科学家曾认为蛋白质折叠问题的解决还需要数年时间。然而，2020年，谷歌团队推出了AlphaFold2，其预测精度几乎与物理实验相当。正如哥伦比亚大学的穆罕默德·阿尔库赖希博士所说：“那天我们醒来时意识到，这将改变整个生物学。”根据诺贝尔委员会的说法，谷歌团队通过AlphaFold2成功计算出所有人类蛋白质的结构，并最终预测了“研究人员迄今发现的几乎所有2亿种蛋白质的结构。”

蛋白质达人

贝克的研究早于最新人工智能模型的出现，主要集中在蛋白质的创造上。贝克博士出生于西雅图，目前，他担任华盛顿大学蛋白质设计研究所所长兼生物化学教授。2003年，贝克博士和他的同事们创造了第一个全新蛋白质——一种名为Top7的分子。虽然该分子没有实际用途，但其象征意义重大。贝克博士表示：“在此之前，已知的蛋白质几乎都是通过数百万甚至数十亿年的进化而来。”研究人员从他们期望的蛋白质形状入手，使用一种名为Rosetta的计算机模型，通过搜索现有蛋白质数据库，找到可能形成该结构的氨基酸序列。

诺贝尔委员会表示，这项工作“开启了一个前所未见的蛋白质结构全新世界”。贝克博士意识到，如果他能够创造出一种新的蛋白质结构，那么他也应该能够创造出更加复杂、实际发挥作用的蛋白质，比如分解与阿尔茨海默症相关的淀粉样纤维。近年来，贝克博士的研究逐渐与哈萨比斯博士和朱姆珀博士在DeepMind的工作相结合，他的实验室不仅使用神经网络预测蛋白质形状，还生成新蛋白质的蓝图，这被称为生成式人工智能的另一种形式。

贝克博士实验室开发的蛋白质基于更先进的Rosetta迭代版本，已经成为多种潜在医疗治疗的基础。例如，他的实验室创造了一种用于治疗新冠病毒的抗病毒鼻喷剂和治疗乳糜泻的药物。此外，他设计的蛋白质还促成了SKYCovione新冠疫苗的诞生，该疫苗于2022年在韩国获批使用。

诺贝尔物理学奖和化学奖今年都授予了与人工智能相关的科学家，这无疑是对AI技术在科学领域中巨大潜力的高度认可。人工智能已经不再局限于传统的计算机科学领域，而是深度融入了物理学、化学、生物学等多个学科。无论是在预测蛋白质结构（如AlphaFold）还是在机器学习领域的突破，它正在改变我们理解世界和解决科学难题的方式。人工智能技术的应用范围越来越广泛，能够帮助科学家们解决曾经难以企及的问题。

人工智能技术的快速发展带来了许多潜在的好处，但也伴随着风险。例如，AI可以用于开发新的药物和材料，但同时也可能被滥用于制造生物武器或其他危险物质。诺贝尔奖得主们也警示了这一点，提醒我们在享受人工智能带来的红利时，必须保持对其潜在负面后果的警惕。

结语

总的来说，今年诺贝尔奖授予人工智能科学家是一种趋势的标志，预示着人工智能将在未来的科学发现和技术创新中继续发挥至关重要的作用。这也提醒我们，科技界、学术界和社会需要共同努力，确保人工智能的正向发展，同时有效规避其可能带来的负面影响。