AI統(tǒng)治諾貝爾獎是否意味著知識開始貶值

時間:2024-10-14

來源:電子技術應用

導語:AI統(tǒng)治諾貝爾獎是否意味著知識開始貶值

  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。


AI
中傳動網(wǎng)版權(quán)與免責聲明:

凡本網(wǎng)注明[來源:中國傳動網(wǎng)]的所有文字、圖片、音視和視頻文件,版權(quán)均為中國傳動網(wǎng)(m.u63ivq3.com)獨家所有。如需轉(zhuǎn)載請與0755-82949061聯(lián)系。任何媒體、網(wǎng)站或個人轉(zhuǎn)載使用時須注明來源“中國傳動網(wǎng)”,違反者本網(wǎng)將追究其法律責任。

本網(wǎng)轉(zhuǎn)載并注明其他來源的稿件,均來自互聯(lián)網(wǎng)或業(yè)內(nèi)投稿人士,版權(quán)屬于原版權(quán)人。轉(zhuǎn)載請保留稿件來源及作者,禁止擅自篡改,違者自負版權(quán)法律責任。

如涉及作品內(nèi)容、版權(quán)等問題,請在作品發(fā)表之日起一周內(nèi)與本網(wǎng)聯(lián)系,否則視為放棄相關權(quán)利。

關注伺服與運動控制公眾號獲取更多資訊

關注直驅(qū)與傳動公眾號獲取更多資訊

關注中國傳動網(wǎng)公眾號獲取更多資訊

最新新聞
查看更多資訊

熱搜詞
  • 運動控制
  • 伺服系統(tǒng)
  • 機器視覺
  • 機械傳動
  • 編碼器
  • 直驅(qū)系統(tǒng)
  • 工業(yè)電源
  • 電力電子
  • 工業(yè)互聯(lián)
  • 高壓變頻器
  • 中低壓變頻器
  • 傳感器
  • 人機界面
  • PLC
  • 電氣聯(lián)接
  • 工業(yè)機器人
  • 低壓電器
  • 機柜
回頂部
點贊 0
取消 0