這預示著未來科學研究的新方向，也為全球提供了解決問題和創(chuàng)新的新思路。
來源|多知
作者|Penny
10月9日，瑞典皇家科學院宣布，將2024年諾貝爾化學獎授予大衛(wèi)貝克(David Baker)、戴密斯哈薩比斯(Demis Hassabis)和約翰江珀(John M.Jumper)，以表彰他們在蛋白質(zhì)設計和蛋白質(zhì)結(jié)構(gòu)預測領域作出的貢獻。其中，后兩者來自谷歌DeepMind公司。
獲獎者大衛(wèi)貝克完成了設計全新蛋白質(zhì)的非凡壯舉，而戴密斯哈薩比斯和約翰江珀開發(fā)了一個人工智能（AI）模型，以解決一個50年前的挑戰(zhàn)：預測蛋白質(zhì)的復雜三維結(jié)構(gòu)。
而就在前一天，2024年諾貝爾物理學獎給了美國科學家John J. Hopfield(約翰·霍普菲爾德)、英國裔加拿大科學家Geoffrey E. Hinton(杰弗里·辛頓)，以表彰他們通過“人工神經(jīng)網(wǎng)絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”。John J. Hopfield和Geoffrey E. Hinton 都是AI的先驅(qū)，后者還被贊譽為“AI之父”。
他們二人的工作不僅在物理學領域產(chǎn)生了影響，而且對整個AI領域產(chǎn)生了革命性的推動。這些研究成果表明了AI技術(shù)在科學研究和技術(shù)創(chuàng)新中的重要作用。
可以說，2024諾貝爾化學獎和諾貝爾物理學獎是一個標志性事件，凸顯了跨學科研究的價值，也看到了AI的作用，這預示著未來科學研究的新方向，也為全球提供了解決問題和創(chuàng)新的新思路。
01
三名科學家獲2024年諾貝爾化學獎，兩位來自谷歌DeepMind
2024年諾貝爾化學獎得主為美國華盛頓大學的戴維貝克、英國倫敦谷歌旗下人工智能公司DeepMind的德米斯哈薩比斯和約翰江珀。
其中，一半授予美國華盛頓大學的大衛(wèi)貝克 ，以表彰其在計算蛋白質(zhì)設計方面的貢獻，另一半則共同授予英國倫敦谷歌DeepMind公司的戴密斯哈薩比斯和John Jumper，以表彰其在蛋白質(zhì)結(jié)構(gòu)預測方面的貢獻。
諾貝爾獎委員會表示，大衛(wèi)貝克在2003年設計了一種新的蛋白質(zhì)，此后他的研究小組創(chuàng)造了一種又一種富有想象力的蛋白質(zhì)，包括可用于藥物、疫苗、納米材料和微型傳感器等方面的蛋白質(zhì)。
該委員會補充說，戴密斯哈薩比斯和約翰江珀則創(chuàng)建了一個人工智能(AI)模型，該模型能夠預測研究人員已經(jīng)確定的幾乎所有2億種蛋白質(zhì)的結(jié)構(gòu)。
諾貝爾化學獎委員會主席海納林克表示：“今年獲得認可的發(fā)現(xiàn)之一與神奇蛋白質(zhì)的構(gòu)造有關。另一項發(fā)現(xiàn)則與實現(xiàn)50年前的夢想有關：根據(jù)氨基酸序列預測蛋白質(zhì)結(jié)構(gòu)。這兩項發(fā)現(xiàn)都開辟了廣闊的可能性。”
公開資料顯示，大衛(wèi)貝克是美國西雅圖華盛頓大學醫(yī)學院生物化學教授、蛋白質(zhì)設計研究所所長，他開發(fā)了著名的Rosetta軟件，使計算生物學取得了突破性的進步。
戴密斯哈薩比斯(Demis Hassabis)，1976年7月出生，畢業(yè)于劍橋大學計算機科學專業(yè)。2010年，他在倫敦成立了DeepMind公司，該公司在2014年被谷歌收購 。2014年，他帶領團隊打造出深度學習的程序 。2016年3月，創(chuàng)辦的DeepMind智能系統(tǒng)AlphaGo打敗世界圍棋冠軍、職業(yè)九段選手李世石。2017年5月，創(chuàng)辦的AlphaGo與世界圍棋選手柯潔對戰(zhàn)并再次獲勝。2018年底，帶領團隊使用算法在圍棋、國際象棋和將棋三個領域奠定領先地位，并登上《科學》封面 。
John M.Jumper在芝加哥大學接受教育，并于2017年獲得博士學位，還曾在劍橋大學學習物理學，在那里他獲得了馬歇爾獎學金，并在范德比爾特大學獲得了物理學和數(shù)學學士學位。
50多年來，科學家們一直對蛋白質(zhì)復雜的問題感到困惑：蛋白質(zhì)的折疊方式繁多，準確預測非常困難。但是，理解蛋白質(zhì)的一維編碼與其三維結(jié)構(gòu)之間的關系對于深入了解帕金森氏病等疾病以及設計抗HIV病毒的藥物至關重要。
在2020年底，Google DeepMind團隊高級研究科學家John Jumper稱之為AlphaFold 2的機器學習算法破解了這一難題。Jumper的團隊后來將該模型免費發(fā)布在互聯(lián)網(wǎng)上。
2024年5月，Jumper的團隊發(fā)布了AlphaFold 3，除了蛋白質(zhì)之外，它還可以預測其他分子，如DNA和RNA。與它的前身不同，AlphaFold 3不是開源的。
02
兩位AI先驅(qū)獲2024年諾貝爾物理學獎
10月8日，2024年諾貝爾物理學獎給了美國科學家John J. Hopfield(約翰·霍普菲爾德)、英國裔加拿大科學家Geoffrey E. Hinton(杰弗里·辛頓因)，以表彰他們通過“人工神經(jīng)網(wǎng)絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”。
（左為約翰·霍普菲爾德，右為杰弗里·辛頓因）
作為“神經(jīng)網(wǎng)絡之父”和“深度學習之父”，辛頓1947年出生于英國倫敦，1978年獲英國愛丁堡大學博士學位，如今是加拿大多倫多大學教授。他是使用神經(jīng)網(wǎng)絡進行機器學習的先驅(qū)，教會了人工智能如何自動查找數(shù)據(jù)中的屬性，從而執(zhí)行識別圖片中特定元素等任務。2018年，他還獲得了圖靈獎這一計算機領域的最高榮譽。生成式大模型的頂尖團隊，基本都是辛頓門徒。
而美國普林斯頓大學教授約翰·霍普菲爾德，則是創(chuàng)建了一種名為“霍普菲爾德網(wǎng)絡”的聯(lián)想存儲器，可以存儲和重建圖像以及數(shù)據(jù)中的其他類型模式。他曾獲得2022年的玻爾茲曼獎。
以“霍普菲爾德網(wǎng)絡”為基礎，辛頓使用統(tǒng)計物理學的方法，構(gòu)建了玻爾茲曼機。這一成果讓機器學習領域出現(xiàn)了“爆炸性發(fā)展”。
“諾貝爾獎得主的工作已經(jīng)產(chǎn)生了巨大的益處。當今物理學許多領域正在使用人工神經(jīng)網(wǎng)絡，例如開發(fā)具有特定特性的材料，”諾貝爾物理學委員會主席Ellen Moons說道。
霍普菲爾德和辛頓兩人是跨學科研究者�；羝辗茽柕率且晃粰M跨多個學科領域的物理學博士，在物理、化學和生物學的交叉處開發(fā)了神經(jīng)網(wǎng)絡。辛頓就讀劍橋大學時，同時學習物理學和生理學，后來獲得實驗心理學學士學位，他通過物理、數(shù)學和計算機、神經(jīng)心理學多領域的交叉，推動機器學習的發(fā)展。
諾貝爾物理學獎給了非物理學領域?qū)＜乙饬x重大，突出了跨學科的交叉和互通，也凸顯了AI的發(fā)展離不開數(shù)學、物理等基礎學科的發(fā)展。
附諾貝爾獎官網(wǎng)對諾貝爾物理學獎獲得者的介紹：
今年的兩位諾貝爾物理學獎得主使用了物理學的工具，為當今強大的機器學習方法奠定了基矗John Hopfield創(chuàng)建了一種聯(lián)想記憶，可以存儲和重構(gòu)圖像，或其他類型的數(shù)據(jù)模式。Geoffrey Hinton發(fā)明了一種可以自動發(fā)現(xiàn)數(shù)據(jù)中屬性并執(zhí)行任務的方法，例如識別圖片中的特定元素。
談到人工智能，人們通常指的是使用人工神經(jīng)網(wǎng)絡來訓練的機器學習技術(shù)。這項技術(shù)最初受大腦結(jié)構(gòu)啟發(fā)。在人工神經(jīng)網(wǎng)絡中，大腦的神經(jīng)元通過具有不同值的節(jié)點表示。這些節(jié)點通過可以類比為突觸的連接相互影響，而這些連接可以變強或變?nèi)�。這種網(wǎng)絡可以通過訓練來優(yōu)化，例如可加強同時具有較高值的節(jié)點之間的連接。今年的諾貝爾物理獎得主們自20世紀80年代起就在人工神經(jīng)網(wǎng)絡領域做出了重要的工作。
John Hopfield發(fā)明了一種網(wǎng)絡來保存和重現(xiàn)數(shù)據(jù)模式。我們可以將節(jié)點想象為像素。Hopfield網(wǎng)絡利用了描述物質(zhì)特性的原子自旋該性質(zhì)使得每個原子都可看作一個小磁鐵。網(wǎng)絡的整體結(jié)構(gòu)則可等價地用物理學中自旋系統(tǒng)的能量來描述，并通過尋找節(jié)點之間的連接值來訓練，使得保存的圖像具有較低的能量。當Hopfield網(wǎng)絡接收到一個失真或不完整的圖像時，它逐步處理節(jié)點并更新其值，以降低網(wǎng)絡的能量。通過這種方式，網(wǎng)絡就可一步步找到與輸入的失真圖像最為相似的圖像。
Geoffrey Hinton以Hopfield網(wǎng)絡為基礎，開發(fā)了一種基于新方法的網(wǎng)絡：玻爾茲曼機(Boltzmann Machine)。該網(wǎng)絡可以學習識別某一類數(shù)據(jù)中具有特征的元素。Hinton使用了統(tǒng)計物理學的工具，這是研究由許多相似組分組成的系統(tǒng)的科學。玻爾茲曼機通過輸入在機器運行時非�？赡艹霈F(xiàn)的示例進行訓練。它可以用于對圖像進行分類或創(chuàng)建與其訓練模式相似的新示例。Hinton在此基礎上繼續(xù)研究，推動了當前機器學習爆炸式的發(fā)展。
（素材來自諾爾貝獎官網(wǎng)、新華社等媒體）
