这可能是有史以来，学界争议最大的一届诺贝尔奖。
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”。
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;另一半则共同授予德米斯·哈萨比斯(Demis Hassabis)和约翰·詹珀(John M. Jumper)，以表彰其在蛋白质结构预测方面的贡献。
诺贝尔三大科学奖，2项给了AI，让学界炸开了锅。炸锅的原因是：AI属于物理、化学吗?
当然，诺贝尔化学奖的结果还算说得过去，相关研究至少是用AI方法，解决了化学领域关键问题。
但诺贝尔物理学奖完全相反，应当说是用物理学成果解决了计算机学科的关键问题，拿计算机领域的奖项没问题——之前已经拿到了图灵奖——但拿到诺贝尔物理学奖并不能服众。
当然，学科之争应该是学者关心的问题，对于我们普通群众来说，这次诺贝尔奖应该关心什么?
对于看热闹的普通群众来说，只需要理解一件事：
人工智能超越人类智能的时代已经到来了!
以这次诺贝尔化学奖为例：哈萨比斯和詹珀为什么凭借开发了Alphafold，颠覆了蛋白质结构研究而获奖?
蛋白质是人体最基本的组成物质，是生命的基础构件，几乎生命的一切特征都跟蛋白质有关。研究蛋白质，就是研究我们以及一切生物在微观层面是如何运作，以及更重要的——要如何影响这种运作。
和普通人最息息相关的就是制药。药物作用于人体，最关键的问题就是找到关键蛋白质靶点，以及和其结合的正确方式。
而蛋白质是一种非常复杂的东西，由20多个种类的数十到上百个氨基酸，以两两之间随机2种角度，每个角度随机出现3种稳定结构之一的形式组合起来。要是慢慢穷举，从宇宙大爆炸到现在都数不完，只能尽可能观测解析。
由于意义太过重要，过程又太过困难，在此之前，观测蛋白质的革命性工具——冷冻电镜已经在2017年获得了诺贝尔化学奖。
而过去几十年来，全球科学家极尽心力，也只是解析出了2亿多个已知序列蛋白质中的18万个三维结构。而这18万种蛋白质，已经给药物和疫苗开发做出了卓越贡献。
然而，Alphafold的出现改变了蛋白质研究的命运。
AlphaFold开源第1年，数据集里面就有了35万个蛋白质结构，把人类辛辛苦苦积攒的研究成果翻了1倍。
更离谱的是，短短1年后，DeepMind宣布将包括植物、细菌、真菌在内的100万个物种、2.14亿个蛋白质结构全部预测出来，涵盖了几乎所有已经测序的蛋白质。
不仅多，而且准。对于大约三分之二的蛋白质，AlphaFold可以以接近实验解析结构的准确度给出预测，误差一般在1 Å (埃)以内，这种精度在许多情况下与实验解析结果几乎一致。
以传统方式(包括冷冻电子显微镜、核磁共振或X射线晶体学等技术)解析1个蛋白质，短至1个月，长的2、3年，而且仅有1/3的成功率。AlphaFold出现后，这个时间缩短到了几秒钟。
成果发布当天，哈萨比斯意气风发地在社交平台上表示，“这是我们给人类的礼物”。
当然，这里显然不是全人类。数以千计的结构科学家，成千上万习惯了复杂重复劳动的高智商科研民工们，工作方法都要重头再来。
不过这也是这次诺奖的意义所在——它明确预示着，从今天起，AI将在越来越多的领域超越人类的最强大脑，引领人类世界的前进。
人类社会4次工业革命，
蒸汽革命开启了机器对体力劳动的替代，
电气革命宣告了机器对体力劳动替代的完成。
计算机开启了机器对脑力劳动的替代，
AI革命宣告了机器对脑力劳动替代的完成。
未来，AI可以优化实验设计、模拟复杂物理系统，并加速理论验证。例如，神经网络在量子计算、材料发现和宇宙学等领域中的应用。
AI可以加速了分子设计和化合物预测，可以分析大量化学数据，自动设计和优化分子结构，使得药物研发和材料科学获得突破，极大推动生物医药的发展。
AI可以从大量实验和模拟数据中找到最佳的材料配方，预测材料的性能和稳定性，从而设计出适用于航空航天、能源、环保等领域的创新材料。
AI可以预测气候模型、分析生态系统的复杂性，帮助科学家更好地理解和应对环境变化。
可以说，不仅AI自身的突破引人注目，AI对于其他产业的推动作用更不容忽视。
更重要的是，在想象和现实之间仍有巨大的产业增长空间。根据IDC发布的中国AI行业应用渗透度数据，目前国内绝大多数行业的AI应用渗透率都不高，有非常大的发展潜力。
站在战略高度，过去一切产业发展、区域规划的思维和方法，都要推倒重来。无论是新兴产业扩张，还是传统产业转型，都需要给予AI在其中的角色相当程度的重视，甚至可以将其视为首要因素进行布局。
