很久没有写AI了，但是最近的诺贝尔奖确实刺激我的小心灵。诺贝尔奖得主真的让我意外，物理学奖给了约翰·霍普菲尔德与杰弗里·辛顿，这都不算什么，更让我惊讶的是化学诺贝尔奖给了大卫·贝克、戴米斯·哈萨比斯和约翰·江珀。
物理学与化学诺贝尔奖共同的特点：“他们都是由人工神经网络进行机器学习的基础性发现和发明而得奖”如果大家还是不理解什么是神经网络学习，我这里直接给出答案“AI”，那就是人工智能。这到底是为什么呢？难道评委都买了英伟达股票？当然不是！
物理：两位巨擘借物理学之力，筑机器学习之基。霍普菲尔德构信息架构，存重建之秘。辛顿创自主探数之法，领航大型神经网络新时代。
化学：2024年诺贝尔化学奖璀璨揭晓，将荣誉授予了探索生命基石——蛋白质的科学家们。大卫·贝克，以一己之力，跨越了科学的边界，成功构建了前所未有的全新蛋白质种类，堪称奇迹。另一边，德米斯·哈萨比斯与约翰·江珀，则携手运用AI的智慧，解决了困扰科学界长达50年的重大挑战：精确预测蛋白质的复杂结构。
在2016 年的时候，诺贝尔奖是拓扑相变理论+和拓扑物态+按照诺奖委员会雨露均沾的风格，而今年好多人还疑惑为啥得发给凝聚态，获奖者的获奖理由是利用人工神经网络+实现机器学习。机器学习分到哪个领域？
这次的得主是首个图灵奖+诺贝尔物理学奖双料特工，以前都是在沃尔夫奖、基础科学突破奖和引文桂冠寻找答案，以后向在图灵奖里看齐。因为机器学习对于这个时代真的太重要了，尤其是这几年AI是的飞速发展，诺贝尔奖项肯定是要给这种划时代的创新。所以我认为无论是物理还是化学，都给了AI相关的得主，这是必然！
诺贝尔物理学奖授予AI技术开拓者
1、首先给大家介绍下，赫普菲尔德是神经网络的发明人，他的研究为深度学习和大模型的发展奠定了坚实的基础。而辛顿，则被誉为AI教父或深度学习之父，还获得了图灵奖，成为少数同时拿下图灵奖和诺贝尔奖的科学家。
赫普菲尔德和辛顿的贡献之所以如此重要，那是因为他们的人工神经网络技术彻底改变了人工智能的发展方向。在神经网络出现之前，人工智能采用的传统方法被戏称为“人工智障”。这些方法需要大量的数据标注和提取，且泛化能力有限，只能在小数据集上表现良好，一旦换数据集或领域，效果就会大打折扣。而神经网络则模仿了人脑的生物神经网络，通过复杂的学习机制，能够在训练过程中逐步优化网络结构，实现自动化的特征提取和学习。这种技术不仅提高了人工智能的学习能力，还使其具有更强的通用性和泛化能力。说到这里大家应该明白，他们的技术是加速了AI的发展，让AI在这个时代集中爆发。才有了今天的英伟达与Open AI。
现在最牛的GPT—4大模型技术就是建立在神经网络和深度学习的基础之上。GPT大模型是模拟了人脑的结构，用参数来模拟大脑里神经元的连接。通过不断的优化这些参数，大模型才能够表现出优秀智能应用，使得人工智能终于从“人工智障”走向了突破式的发展。所以我觉得就应该把这次诺贝尔奖授予AI看作是世界上主流对AI的一种认可。这不仅是对赫普菲尔德和辛顿的肯定，也是对整个AI行业发展的认可，我相信未来的诺贝尔奖，一半以上都会跟AI有关。
AI生物技术的未来趋势
蛋白质结构预测与设计
AlphaFold模型：哈萨比斯和江珀为DeepMind开发了用于预测蛋白质结构的AlphaFold模型。该模型能够预测研究人员已经确定的几乎所有2亿种蛋白质的结构，为科学家提供了前所未有的洞察力，帮助他们理解蛋白质的功能和机制。
RoseTTAFold工具：贝克团队创建了同样精确的AI预测工具RoseTTAFold，用于蛋白质结构的预测和设计。这些工具的出现，极大地加速了蛋白质结构的研究，为新药开发和疾病治疗提供了支持。
AI在化学领域的应用的进展和贡献确实是大幅度提高，人类对抗疾病的方式，通过AI得到了加强。AI大幅度提高了化学研究的效率和精确性，还推动了新药开发、疾病治疗、化学实验自动化和化学数据分析等多个方面的发展。、AI技术的不断进步和应用范围的扩大，未来在化学领域发挥的作用不言而喻呀。
辛顿对人工智能安全的担忧
转载请联系本公众号获得授权
