這兩天，諾貝爾獎逐步公布，AI 成了最大贏家。

　　10 月 8 日，瑞典皇家科學院宣布，2024 年諾貝爾物理學獎授予美國科學家約翰 · 霍普菲爾德(John J. Hopfield)和英裔加拿大科學家杰弗里 · 辛頓(Geoffrey E. Hinton)，以表彰他們利用物理學工具，開發(fā)出了當今強大機器學習技術的基礎方法。

　　一天之后，瑞典皇家科學院又宣布，將 2024 年諾貝爾化學獎授予大衛(wèi) · 貝克(David Baker)、戴米斯 · 哈薩比斯(Demis Hassabis)和約翰 · 江珀(John M.Jumper)，以表彰他們用 AI 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。

　　你可以簡單理解為，諾獎評委們把諾貝爾物理學獎頒給了機器學習，而諾貝爾化學獎頒給了 AI 預測蛋白質(zhì)結(jié)構(gòu)和蛋白質(zhì)設計。

　　為什么 AI 突然能拿下兩座諾貝爾大獎?AI 站上諾貝爾獎舞臺背后，到底隱藏著一個什么趨勢?

　　AI 連下兩座諾貝爾大獎

　　先說下諾貝爾物理學獎的獲得者霍普菲爾德和辛頓。

　　霍普菲爾德在 1982 年創(chuàng)造出聯(lián)想神經(jīng)網(wǎng)絡，現(xiàn)在通稱為霍普菲爾德網(wǎng)絡(Hopfield network)，可以存儲并重現(xiàn)圖像和其他數(shù)據(jù)模式的關聯(lián)記憶技術。

　　簡單來說，霍普菲爾德網(wǎng)絡解決的問題是：人是如何進行聯(lián)想記憶的，也就是如何通過某一部分的記憶聯(lián)想起整個記憶。比如，你聽到一個人的名字，就能聯(lián)系他的長相。

　　而作為深度學習領域的領軍人物，辛頓的最大貢獻在于，開發(fā)了一種新的神經(jīng)網(wǎng)絡：玻爾茲曼機。

　　在我們大腦中，神經(jīng)元之間會相互作用，有些神經(jīng)元的決策是可以影響另一部分的神經(jīng)元。借用知乎上產(chǎn)品二姐的比方：

　　有些神經(jīng)元的決策是可以表現(xiàn)出來的，比如某些人看了《長安三萬里》這部動畫片。但又有些神經(jīng)元的表現(xiàn)是不可見的，比如某些人看《長安三萬里》是因為喜歡唐詩，有些人看是因為喜歡追光動畫，還有些人是因為陪喜歡的人一起看。

　　而玻爾茲曼機所要做的事，就是搞清楚這些可見和不可見神經(jīng)元之間互相影響的關系。

　　玻爾茲曼機的出現(xiàn)，很大程度推動了機器學習的快速發(fā)展。特別是在深度學習發(fā)展早期，波爾茲曼機被用來預訓練深層神經(jīng)網(wǎng)絡，幫助網(wǎng)絡在進行更復雜學習任務之前，找到合適的權(quán)重初始狀態(tài)。

　　說完物理學獎，再來說說諾貝爾化學獎。

　　其中，諾貝爾化學獎獲獎者之一的大衛(wèi) · 貝克，率先開發(fā)了設計和預測蛋白質(zhì)三維結(jié)構(gòu)的方法，創(chuàng)造出了全新的蛋白質(zhì)，基于創(chuàng)新的軟件、算法解決醫(yī)學難題。

　　而戴米斯 · 哈薩比斯和約翰 · 江珀，則參與創(chuàng)造的 AI 蛋白質(zhì)結(jié)構(gòu)分析工具 AlphaFold，直接把蛋白質(zhì)預測這事帶到了一個新紀元。

　　如果將生命體比作一個拼好的樂高積木，那蛋白核酸等大分子就像一個個獨立的樂高零件。在過去的五十年里，理解每一個樂高零件的形狀就是結(jié)構(gòu)生物學家的主要工作。

　　但這事并不容易，蛋白質(zhì)是由 20 種不同的氨基酸按特定序列連接形成的多聚體，這些不同的氨基酸通常會折疊成某一個特定的形狀。所以，想要真正地理解蛋白質(zhì)如何發(fā)揮作用，科學家們就必須準確地掌握蛋白質(zhì)的空間結(jié)構(gòu)。

　　蛋白質(zhì)結(jié)構(gòu)從簡單到復雜，總共分為 4 級。一級結(jié)構(gòu)比較容易確定，簡單的生物實驗如質(zhì)譜法即可，但涉及到二級以上結(jié)構(gòu)如何折疊的，結(jié)構(gòu)生物學家往往需要利用 X 射線、核磁共振、電游儀、冷凍電鏡來檢測。

　　這些方法耗時耗力、人工成本也極高，比如電泳儀只能間接進行測量，實驗中還受較多因素干擾，因而會影響對蛋白質(zhì)結(jié)構(gòu)的分析與理解。而能高分辨率解析的冷凍電鏡則極為昂貴，一臺約 1 億人民幣左右。截至今年，我國的冷凍電鏡也只有 60 多臺。

　　AlphaFold 厲害的地方在于，通過深度學習模型來預測蛋白質(zhì)更高結(jié)構(gòu)，不僅非?？欤蚁喈敎蚀_，大大提高了蛋白質(zhì)研究的效率。

　　2021 年，AlphaFold 就預測了 35 萬個蛋白質(zhì)結(jié)構(gòu)，這包括了 98.5% 的人類蛋白質(zhì)，并將這些蛋白質(zhì)結(jié)構(gòu)放到了 AlphaFold-EBI 數(shù)據(jù)庫中。到了 2022 年，這個數(shù)據(jù)庫中的蛋白質(zhì)數(shù)超過了 2 億，幾乎包含了地球上所有可能存在的蛋白質(zhì)。

　　可以說，AlphaFold 幾乎一個人把預測蛋白質(zhì)結(jié)構(gòu)這事給做了，這對人類探索自身的生命密碼尤其重要。

　　知識的盡頭是 AI

　　雖然機器學習拿下諾貝爾物理學獎這事有很大爭議，但另一個已成的事實是，AI 已經(jīng)幾乎滲透到所有的學科，并產(chǎn)生了不可忽視的影響。

　　原因很簡單，AI 的學習效率比人強太多。在之前很長時間里，辛頓一直認為，人的智慧比 AI 更高。但這幾年，辛頓看法開始轉(zhuǎn)變，因為他發(fā)現(xiàn)，AI 在知識傳播效率、學習機制、能源效率方面都比人強。

　　就拿知識傳播來說，當一個 AI 智能體掌握了某個知識，所有的 AI 智能體都能立刻學會這個知識。相反，人類只能通過觀察和復制教師行為來學習，這個過程時間更長且效率更低。

　　再說學習機制，人類的大腦里有 100 萬億個連接，而 GPT 只有一萬億個，數(shù)量遠遠低于人類。但一個 GPT 用 1700 多億的參數(shù)，居然就記住了人類所有的知識和文明，而且還可以進行抽象的思考。

　　這意味著，AI 比人類更擅長將大量知識放在 1 萬億的連接中。換句話說，AI 可能找到了比人類更好的學習方法。

　　在 AI 強大的學習能力之下，知識正在迅速貶值。OpenAI 早期投資人 Vinod Khosla 曾預測，未來幾乎所有的專業(yè)知識都將被 AI 免費化。

　　持有類似觀點的還有牛津大學教授 Nick Bostrom。他的觀點更極端，本科和博士課程將加速貶值，傳統(tǒng) 20-30 年以知識傳遞為核心的人力資本投資將看不到任何回報。

　　但與此同時，跨學科知識的重要性可能被進一步提升，即使用計算機工具，以及與其他學科的理論，去幫助其它學科(物理，化學，材料，生物，醫(yī)藥)攻克學術難題。

　　也就是說，未來學好人工智能，很有可能會比拒絕人工智能的人，能更有效的工作，形成新的重要發(fā)現(xiàn)，甚至爭奪各個方向的諾貝爾獎。

　　甚至有一天，一個拿 GPT-X 寫文章的人，或許也能夠獲得諾貝爾文學獎。