诺奖的AI年，带来哪些启示？ ■诺贝尔奖一直以来被视为科学领域的最高荣誉，用于表彰在物理学、化学、生理学或医学等领域作出突出贡献的个人。然而，随着人工智能技术的飞速发展，AI正在深刻改变着各个学科的研究方式和方向，成为数据推断的新范式。此次诺奖将物理学奖和化学奖同时颁发给AI领域的先驱，正是对这一趋势的最好回应。今年的诺贝尔奖将人工智能（AI）推到了科学舞台的中央。这不仅是对几位杰出科学家的认可，也是对AI在科学进步中作用的肯定。这些奖项的颁发，标志着AI在科学研究中的重要地位得到了认可，预示着AI正在重塑我们的世界，尤其是在科学探索和创新的范式上掀起了新的浪潮。人工智能势不可挡，正在改变我们的世界和科学研究的方式：AI for science,Science all in AI（科学智能与人工智能中的科学）。展望未来，AI将继续引领科学的发展，为人类社会创造更大的福祉。我们正处于一个新的时代的开端：拥抱AI，将开启无限的可能。AI与物理学的交汇从霍普菲尔德网络到深度学习先简单回顾一下今年两位新晋诺贝尔物理学奖得主的贡献。1982年，约翰·霍普菲尔德提出了著名的霍普菲尔德网络，这是一种具有自组织能力的递归神经网络。霍普菲尔德网络模拟了生物神经网络的联想记忆功能，能够通过能量最小化的原理，实现对部分缺失信息的补全和模式识别。霍普菲尔德网络的理论基础深扎根于物理学，类似于统计物理学中的伊辛模型（Ising Model）用于描述磁性材料中自旋相互作用的系统，通过能量函数的最小化来确定系统的稳定状态。霍普菲尔德巧妙地将这一概念应用于神经网络，使网络状态的演化可以被视为能量函数的下降过程，最终达到稳定的记忆存储状态。霍普菲尔德网络的出现，为神经网络的理论研究提供了坚实的物理学基础，也为后来的机器学习和人工智能发展奠定了重要的基石。杰弗里·欣顿被誉为“深度学习之父”，他在1985年与特里·谢泽诺斯基在霍普菲尔德网络的基础上共同提出了玻尔兹曼（Boltzmann）机。这是一种基于随机性和能量函数的神经网络模型，可以通过模拟退火算法学习复杂的概率分布。玻尔兹曼机的名称来源于物理学中的玻尔兹曼分布（Boltzmann distribution），这是统计物理中描述粒子能量分布的基本概念。玻尔兹曼机利用这种分布来定义网络中神经元状态的概率，从而实现对数据的生成和特征学习，也为后续生成模型的发展提供了思路。欣顿在1986年与大卫·罗密尔顿和罗纳德·威廉姆斯共同推广了反向传播算法，解决了神经网络做不深的问题，使得深层网络的训练成为可能。借助受限玻尔兹曼机（Restricted Boltzmann Machine）引入无监督的逐层预训练方法，他在2006年提出深度信念网络（Deep Belief Network），解决训练深层神经网络时梯度消失的问题。这一突破为深度学习的迅猛发展奠定了极为重要的基础。诺贝尔奖委员会将他俩的成果评价为“为机器学习奠基性的工作”。我们由此可以看到，统计物理为机器学习的早期发展提供了思路，如今的深度学习也在可控核聚变、天文观测等研究方向惠及了物理学的研究。生命科学重新认识AI潜力从Rosetta软件到AI驱动的创新内拥有数万种蛋白质，已知的蛋白质数量也超过数亿。然而，在浩瀚的蛋白质序列宇宙中，这不过是冰山一角。科学家们既希望优化现有的工具蛋白，也渴望探索蛋白质宇宙中的“暗物质”，即那些尚未发现的功能蛋白。这正是蛋白质设计的核心使命——通过这一技术，科学家们可以创造出全新、自然界中从未存在的蛋白质。这些蛋白质不再受限于传统进化规则，而是完全由人类设计，具备定制化功能特征。在蛋白质设计领域，华盛顿大学大卫·贝克教授的团队无疑站在了最前沿。过去20年中，该团队致力于开发计算驱动的蛋白质设计方法，从蛋白质结构入手，从头开始设计出形态和功能各异的蛋白质。随着时间的推移，这一领域经历了巨大的进步：从最初基于物理和统计方法的Rosetta软件，到如今依靠深度学习的AI方法，如ProteinMPNN和RFdiffusion，蛋白质设计技术不断革新，但从头设计蛋白的目标始终不变。如今，贝克团队设计的蛋白质已具备多种功能，包括从头设计的联合疫苗的RSV/hMPV、能够识别非天然底物的荧光素酶、以及用于药物研发的细胞因子类似物和抗体。蛋白质设计已经完成了概念验证阶段，正逐步拓展在各类生物医学领域的实际应用。在生命科学领域，乃至整个自然科学中，AI最具影响力的应用莫过于AlphaFold。其诞生故事看似简单：一位横跨数学、物理、化学、生物、计算机的年轻博士约翰·江珀，与谷歌DeepMind CEO德米斯·哈萨比斯共同领导的顶尖跨学科团队，经过三年努力，打造出一个专门用于解决蛋白质结构预测任务的模型。尽管AlphaFold2当时在蛋白质复合物结构预测以及药物分子、核酸、修饰蛋白等方面还存在局限，但三年后的AlphaFold3解决了这些问题。这一突破性的成功使整个生物学界重新认识了AI的潜力，并推动了新的算法开发，如前文提到的蛋白质设计方法，也催生了生物技术公司的蓬勃发展和全新的科研模式。AlphaFold2毫无疑问改变了生物学家研究蛋白质的方式。自AlphaFold问世以来，它已被广泛应用在各式各样的生物学研究中。在蛋白质结构数据库PDB中，通过实验方法解析的蛋白质结构数量已达到20万，这也成为了AlphaFold训练数据的重要来源。然而，借助AlphaFold等结构预测工具，科学家已经预测了近10亿个蛋白质的三维结构，其中大多数都具备很高的精度和质量。AlphaFold正逐步成为生物学研究中的便捷且精准的AI工具，融入很多生物学领域的研究当中——曾经耗费大量时间和资金才能获得的蛋白质结构，现在“点击就送”。展望未来，AlphaFold的后续版本有望解决更多复杂问题，带来更多意想不到的应用场景。AI获得诺奖AI正深刻改变各学科研究方向这次诺贝尔化学奖和物理学奖都给了AI，尤其是物理学奖直接颁发给了欣顿（一个计算机学家）还是令人非常震惊的。除了对欣顿基于物理启发的人工智能算法的开发的认可，更体现了诺奖委员会对科学范式变革的预见。物理这门学科归根结底是探索理解这个世界的方。传统的物理方或者说占统治地位的方是搞清楚底层机理，通过不断地叠加近似来解读复杂事物。但AI反其道行之，是基于数据推断，端到端给出预测。这也能解决问题，就像诺贝尔化学奖的“蛋白质结构预测”，最开始研究这个问题的是统计物理学家，他们基于物理计算来预测蛋白结构，但深度学习在这个问题上获得了完胜传统物理计算的精度。如果科学问题本身就是如何预测一个给定序列蛋白的三维结构，那么显然我们的物理底层知识和方程是不够的，但基于大数据的AI方法是能解决这个科学问题的。基于数据的推断就是在这个科学问题上更好的方。这无疑是对传统物理方的一种冲击。这次诺奖的颁发显示了物理学的包容，我们期待看到更多基于数据推断的工具在物理学涌现，帮助我们找到更好的超导材料，帮我们找到更优的聚变控制方法等等。诺贝尔奖一直以来被视为科学领域的最高荣誉，用于表彰在物理学、化学、生理学或医学等领域作出突出贡献的个人。然而，随着人工智能技术的飞速发展，AI正在深刻改变着各个学科的研究方式和方向，成为数据推断的新范式。此次诺奖将物理学奖和化学奖同时颁发给AI领域的先驱，正是对这一趋势的最好回应。（作者单位：上海交通大学自然科学研究院）
