2024年的诺贝尔奖颁奖典礼上，人工智能（AI）技术的突破性应用在物理学和化学领域获得了前所未有的认可。
今年的诺贝尔物理学奖授予了美国普林斯顿大学的约翰·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学的杰弗里·辛顿（Geoffrey E. Hinton），以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。
诺贝尔化学奖的一半授予了美国科学家David Baker，以表彰其在计算蛋白质设计方面的贡献；另一半则共同授予了英国科学家Demis Hassabis和John M. Jumper，以表彰其在蛋白质结构预测方面的贡献。
诺贝尔物理学奖：机器学习的基础性突破
约翰·霍普菲尔德（John J. Hopfield）和杰弗里·辛顿（Geoffrey E. Hinton）因其在人工神经网络和机器学习领域的基础性发现和发明而获此殊荣。
在霍普菲尔德和辛顿的研究中，人工智能起到了核心作用。霍普菲尔德的贡献在于开发了霍普菲尔德网络，这个网络利用物理学来描述材料的特性，这是由于它的原子自旋——使每个原子成为微小磁铁的一种特性。整个网络的描述方式相当于物理中发现的自旋系统中的能量，并通过寻找节点之间的连接值来训练，以便保存的图像具有低能量。当Hopfield网络得到一张扭曲或不完整的图像时，它会有条不紊地通过节点并更新它们的值，这样网络的能量就会下降。因此，网络逐步找到最像它输入的不完美图像的已存图像。这是一种模仿人脑神经元工作方式的计算模型，极大地推动了联想记忆和优化问题的解决。
辛顿使用霍普菲尔德网络作为新网络的基础，它采用了一种不同的方法——玻尔兹曼机。它可以学习识别给定类型数据中的特征元素。辛顿使用了统计物理学的工具，这是一门由许多相似内容组成的系统科学。通过给机器输入在实际运行时很可能出现的例子来训练它。玻尔兹曼机器可以用来对图像进行分类，或者为它所训练的模式类型创建新的例子。辛顿在这项工作的基础上，帮助开启了当前机器学习的爆炸性发展。
他们的研究不仅在理论上推动了人工智能领域的发展，也为实际应用提供了可能，比如在医学、工程、语言翻译等多个领域的应用。
诺贝尔化学奖：AI在蛋白质结构预测的革新
-
David Baker
2024年诺贝尔化学奖的一半授予了美国华盛顿大学的David Baker教授，以表彰他在计算蛋白质设计方面的卓越贡献。
Baker教授的研究团队开发了著名的Rosetta蛋白质结构预测软件，这款软件在2004年第六届蛋白质结构预测大赛（CASP）上成为标。此外，Baker实验室还研发出了基于语言模型的消息传递图神经网络（MPNN），以及开源程序RosettaFold和RFDiffusion，这些工具极大地推进了蛋白质设计领域的发展。
David Baker教授的研究方法主要是通过计算机化方法，实现了从结构出发设计蛋白质，再计算能折叠成该结构的蛋白质序列。这种方法开启了计算蛋白质设计的新纪元，并且他的实验室设计了多种功能、形态各异的蛋白质，从化学催化酶到药物结合蛋白靶点、小分子结合蛋白、再到纳米材料等。
图丨大卫·贝克（David Baker）教授课题组合影（来源：沈浩）
-
Demis Hassabis和John M. Jumper
另一半诺贝尔化学奖则共同授予了英国伦敦人工智能公司谷歌DeepMind的Demis Hassabis和John M. Jumper，以表彰他们在蛋白质结构预测方面的贡献。
他们开发了名为AlphaFold2的人工智能模型，能够预测蛋白质结构，这一成就解决了一个长达50年的科学问题。AlphaFold2通过深度学习技术，基于大量已知的蛋白质结构数据，能够高效预测未知蛋白质的三维结构。这一技术大幅缩短了从氨基酸序列到三维结构预测的时间，且精度接近实验解析水平。
AlphaFold2的成功是基于Transformer神经网络的创新，这种网络能够以比以前更灵活的方式在大量数据中找到模式，并且可以有效地确定应该关注什么才能实现特定目标。这一突破不仅仅是学术上的创新，更带来了实际的应用，如药物研发、基因治疗、疾病诊断等生物医学领域。
AI人工智能：创新与发现的新引擎
今年这些诺贝尔奖的授予，不仅是对AI技术本身发展的认可，更是对其在多个学科领域应用潜力的肯定。获奖者的研究方法与贡献体现了人工智能在解决一系列学科问题中的工具和手段作用，AI通过处理大量数据、模拟复杂系统和优化实验设计，极大地提高了科学研究的效率和精度，为多个学科领域提供了新的研究工具和方法，打开了科学研究的新格局。
随着技术的进一步发展，AI在科学研究中的应用将更加深入，从基础理论到应用实践，AI的影响将无处不在。诺贝尔奖的这一风向标，为全球科学界指明了未来的发展方向。
我们可以看到，AI现在不局限于某种职业方向，它更是解决一系列学科问题的工具和手段，在科学研究、工业发展乃至日常生活中的各个方面发挥着越来越重要的作用。在未来的科学研究中，AI会成为连接不同学科、不同研究层次的桥梁，为科学研究带来无限的可能，现在正是学习人工智能的黄金时期，抓住机遇，共同驶向时代的快车道。
AI体系化学习路线
