![]()
今年的诺贝尔奖被AI拿了个大满贯。
10月8日，瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予美国科学家约翰·霍普菲尔德（John J.Hopfield）和英裔加拿大科学家杰弗里·辛顿（Geoffrey E.Hinton)，以表彰他们“通过人工神经网络实现机器学习的基础性发现和发明”。
霍普菲尔德是地道的美国科学家，父母都是物理学家，自己在普林斯顿大学教分子生物学。更为公众所熟知的辛顿，被称为“AI教父”，在2018年荣获有“计算机领域的诺贝尔奖”之称的图灵奖。现在，大半个AI圈的顶尖研究者都是辛顿的“徒子徒孙”，其中就包括Open AI的前首席科学家伊利亚，Meta的首席AI科学家杨立昆，百度的前首席科学家吴恩达，以及散落在各个高校和各大公司的精英们。
然而，物理学界的“震惊”还未平息，诺贝尔化学奖又在一天之后再次将荣誉授予了AI领域。10月9日，瑞典皇家科学院宣布，将2024年诺贝尔化学奖授予戴维·贝克（David Baker)，以表彰其在计算蛋白质设计方面的贡献；另一半则共同授予英国伦敦谷歌旗下人工智能公司“深层思维”（DeepMind）的德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M. Jumper)，以表彰他们在计算蛋白质设计和蛋白质结构预测方面的突破性贡献。至此，人们发现，2024年诺贝尔奖中，AI领域无疑成为了“最大赢家”。为何AI主导了今年的诺贝尔奖？我们又能从中获得哪些启示和收获？“物理学奖花落AI”，出乎了许多人的意料。在奖项揭晓前的各种预测中，几乎从未出现过这两位获奖者的名字。然而，回顾两位科学家的研究成果，人们不难理解其获奖原因。正如诺贝尔奖委员会所评价的：“尽管计算机无法思考，但现在，机器已经可以模仿人的记忆并具备学习等功能。今年的物理学奖得主为实现这一目标作出了贡献。”霍普菲尔德于1982年提出了一种能够存储和重建模式的联想记忆网络。可以将其理解为，该网络模拟了人脑记忆的功能，只要它学习过的内容，就能够根据残缺的信息恢复出完整的信息。例如，当使用者唱出一首歌中的一句歌词时，它能够继续唱出整首歌曲。在稍后的1985年，辛顿在霍普菲尔德提出的联想记忆网络的基础上引入了随机性，创造了“波尔兹曼机”。比起联想记忆网络只能想起它学过的东西，“波尔兹曼机”可以做到，在输入的数据中，自己找到规律，甚至生成出新的数据。尽管当时这两个神经网络的性能表现尚显不足，实用性有限，但正是这两个源自1980年代的研究成果，奠定了现代人工智能的理论基础和核心理念。它们开创性地将神经网络应用于信息处理系统。正是在这些研究的基础之上，通过多次迭代和大量节点的扩展，才形成了我们现在所见的神经网络结构。可以说，没有这些基础研究，就不会有今天的人工智能发展。诺贝尔化学奖的三位得主，其成就可以统称为发明出了让人类能够快速地预测出蛋白质结构，以及能设计新蛋白质的工具和方法。戴维贝克，在2003年成功设计出了一种全新折叠结构的人工蛋白质Top7，开创了人工蛋白质设计的新纪元。之后，深度学习的人工神经网络逐渐崭露头角。DeepMind团队的研究成果，实际上就是通过AI在几分钟内就能预测出蛋白质结构，并且已经预测出了98%以上的人类蛋白质。但在这之前，要了解一种蛋白质结构，可能需要花费很多年，并且花费几百万甚至上千万的费用。初中的生物课就讲过，蛋白质是生命细胞的主要组成部分，可以说是一切生命活动的主要承担者。诺贝尔奖获得者的发明就厉害在，现在的AI能协助科学家非常高效，而且低成本地了解各种蛋白质的结构。进而知道这些蛋白质有什么样的功能，能做什么样的药，治什么样的病，对健康有什么作用。可以说，因为有了他们的发明，我们有了探究生命本质的清晰路径。其实，诺贝尔奖这一次对AI的认可和承认，是将AI作为了基础的技术。可以预见，随着AI技术的不断演进，AI在不同领域都将发挥重要的“基建”功能。未来AI和其他关键技术更深度结合，共同推进科技革命，也是必然出现的趋势。
近年来，诺贝尔物理学奖越来越垂青于那些跨越多个学科领域的交叉研究。从2020年颁给数学家彭罗斯，到2021年颁给研究复杂系统的气象学家真锅淑郎和克劳斯·哈塞尔曼，再到今年的霍普菲尔德和辛顿，这些获奖者无一不是“跨界高人”。今年所有的获奖者，今年所有获奖者，均难以界定为某一特定学科领域的专家。他们的研究领域涵盖文学、哲学、物理、化学以及生物学，甚至辛顿还曾跨行做过木匠。以辛顿为例，他运用统计物理学的方法来解释智能，并采用数学工具进行计算，结合“木匠”的坚持精神，成功复现了生理学的神经网络模型。这或许反映了一个现实，在当前的研究中，单一领域的思考和解决问题的方式已经显得不足。今年的诺贝尔物理学奖和化学奖授予了AI领域的科学家，这不仅是对他们的卓越贡献的肯定，更是对科学界的一次深刻启示：在未来的科学探索中，技术与学科的交叉融合将成为常态，而AI作为这一融合过程中的核心驱动力之一，将推动科学研究不断突破传统框架，实现更加深远、更加广泛的创新。实际上，不只是进行研究的学者要跨学科研究，我们普通人在AI时代下都需要尽可能广泛地调用知识和利用范式。就以近期日益不活跃的制造业为例，是企业的需求不旺盛吗？并非如此，有多少制造型企业巴不得今天下单，明天设备就能到位、系统就能上线，产出产品并迅速结算。但这完全不现实，因为采购有流程、基建有过程、设备要设计、组装、调试……哪一样都急不来。尽管人类已经开发了各种平台工具去赋能制造业，但是驱动这些工具的核心引擎还是人。智能时代中的我们，其实可以选择调用更多的知识与技术，就如借力AI。从更长的历史视角来看，AI会淘汰一些工作，但也会催生其他工作，这种持续不断的趋势实际上提供了一种替代方案——更多地利用技术，专注于从更高抽象层次制定“知识战略”，将具体实现细节委托给AI。辛顿从1980年代就开始研究神经网络，但当时神经网络是人工智能界最不看重的方向。甚至，在辛顿读博以后，连他的导师都倒戈了，一直在劝他不要“做异想天开的事儿”。因此，尽管辛顿在1980年代就已经发表了研究成果，并在后续的研究过程中持续创新，但这些成果始终未能引起足够的关注。终于，辛顿等来了GPU的兴起。强大的算力如同久旱后的甘霖，为人工神经网络的发展注入了蓬勃活力，也为辛顿的研究带来了重大转机。此后，他带领学生一路披荆斩棘，在人工智能领域斩获多个具有里程碑意义的成果。其实，现在包括ChatGPT在内的众多大模型能面世，并不是因为这几年有了突破性研究，而是因为辛顿孤独地坚守在这个长期冷门的角落里，一坐就是近30年。春天的到来，是因为有人挺过了寒冬，所以如今的辛顿，才会被尊称为“AI教父”。辛顿能够获得诺贝尔奖，是长久的坚持，是长期主义者的胜利。为何辛顿能在无人喝彩的孤独岁月里坚守30年？或许，是源于一份朴实的好奇心。如今成就卓越的辛顿，其最初的研究动机其实相当单纯——他只是想探究大脑的运作机制。为了寻求答案，辛顿先后涉足了物理学、建筑学、生理学、哲学以及心理学，直至30岁才确定了自己的终身事业方向——人工智能。正是这份纯粹的好奇心，使他始终坚守在这一领域。回到最初的问题，为何今年多个诺贝尔奖的桂冠被AI摘得？实际上，答案就隐藏在问题之中。在100多年前设立诺贝尔奖时，诺贝尔在他的遗嘱里说过一句话只有当一项发明或发现能够真正改变世界并产生深远影响时，才能荣获诺贝尔奖。而当今的AI技术，正是这样一项具有划时代意义的发明。
