诺贝尔物理学奖和化学奖为何都青睐AI

2024年的诺贝尔物理学奖和化学奖有一个共同的特点，都青睐人工智能（AI）。物理学奖颁给了美国新泽西州普林斯顿大学的约翰-霍普菲尔德和加拿大多伦多大学的杰弗里-辛顿，以表彰他们利用人工神经网络实现机器学习的基础发现和发明。化学奖授予3位科学家，其中一半授予美国华盛顿大学的戴维-贝克，以表彰他在蛋白质设计方面的贡献；另一半则共同授予英国伦敦谷歌旗下人工智能公司“深层思维”的德米斯-哈萨比斯和约翰·江珀，以表彰他们在蛋白质结构预测方面的贡献。

概括地讲，就是霍普菲尔德模拟人脑神经网络发明了一个人工神经网络，辛顿发明了人工神经网络的训练算法，贝克利用AI软件设计出全新的蛋白质，哈萨比斯和江珀利用人工神经网络快速而准确地预测蛋白质结构。

物理学奖颁给了AI科学家

20世纪80年代，霍普菲尔德研发了一个人工智能网络，它相当于物理学中自旋系统中的能量，并通过查找节点之间的连接值进行训练，而节点就相当于像素。当这个网络收到失真或不完整的图像时，会有条不紊地通过节点并更新它们的值。因此，网络能逐步工作以找到与它所传送的不完美图像最相似的已保存图像。

辛顿则利用霍普菲尔德的网络来使用物理工具，如使用玻尔兹曼机，由此可以学习识别给定数据类型中的特征元素。辛顿通过向机器提供规范示例来训练机器，而玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型。辛顿以这项工作为基础，帮助启动了当前机器学习突飞猛进的发展。

人工智能有三大基石，分别是数据、算力、算法。物理研究包括理论推导和实验，后者也要用计算机模拟。机器学习，即深度学习，其实是一种算法，本质上是数学领域的问题。如果数据充足，就可以搭建一个神经网络，然后通过训练神经网络模型（机器学习）找到数据之间隐藏的规律。

辛顿开启和奠定了算法基础，包括证明反向传播算法、发明玻尔兹曼机、改进卷积神经网络。由于研发了深度卷积神经网络，他被誉为“深度学习教父”。深度卷积神经网络直接促使了AI识图功能的大爆发，现在被广泛应用的人脸识别技术正来源于此。

同时，人们熟知的大型语言模型（LLM）就是基于大量数据进行预训练的超大型深度学习模型。它的底层转换器是一组神经网络，这些神经网络由具有自注意力功能的编码器和解码器组成。编码器和解码器从一系列文本中提取含义，并理解其中的单词和短语之间的关系，以及语法。OpenAI的GPT系列就是大语言模型的典型代表。

因此，人工神经网络和深度学习并非只用于数据处理，而是有广泛的用途，相当于扩大了数亿人的大脑功能，可以进行归纳和推理，帮助人作出正确的决策。这也是为何2024年诺贝尔物理学奖授予这一基础发现和发明的原因。

化学奖也和人工智能有关

在2024年诺贝尔化学奖方面，贝克研发的计算机化的方法实现了许多人认为的不可能的事情——创造了以前不存在的蛋白质；哈萨比斯和江珀则利用人工智能成功解决了化学家50多年来一直在努力解决的问题——根据氨基酸序列预测蛋白质的三维结构。

2003年，贝克成功地使用人工智能模型罗塞塔（Rosetta）设计了一种不同于任何其他蛋白质的新蛋白质。这个发现的重要意义在于：人类可以设计和创造蛋白质，包括无数种药物、疫苗，以及作为纳米材料和微型传感器的蛋白质。

哈萨比斯和江珀则专注于蛋白质结构的预测。在蛋白质中，氨基酸以长链的形式连接在一起，这些长链折叠形成三维结构，这对蛋白质的功能起决定性作用。20世纪70年代以来，研究人员一直试图从氨基酸序列中预测蛋白质的结构，但这似乎难于上青天。尤其是蛋白质折叠，被视为难上加难。以前，研究人员只能用实验方法去测定蛋白质的三维构型，而这需要大量的人力、物力和时间，需要复杂的仪器与专家级专业人员。然而，2000年，哈萨比斯和江珀推出了一个石破天惊的模型，它名为“阿尔法折叠-2”，对蛋白质结构的预测准确率达到90%。

阿尔法折叠能从蛋白质的一级结构，即氨基酸的排列序列来预测蛋白质的二级结构，即蛋白质分子中某一段肽链的局部空间结构，进而预测蛋白质的三级结构，即在二级结构的基础上多段进一步折叠盘绕后形成的特定空间结构，以及预测蛋白质的四级结构，即蛋白质一蛋白质复合形成的结构，这是更为复杂的生物大分子。有了阿尔法折叠及其开放的源代码，研究人员可以立体和全方位地分析所有蛋白质的结构。

当AI助力或者本身就融于物理学和化学之时，物理学和化学都有可能成为真正的“理综”，未来的诺贝尔物理学奖和化学奖也有可能会融合为诺贝尔科学奖。