這兩天，諾貝爾獎(jiǎng)逐步公布，AI 成了最大贏家。

10 月 8 日，瑞典皇家科學(xué)院宣布，2024 年諾貝爾物理學(xué)獎(jiǎng)授予美國(guó)科學(xué)家約翰 · 霍普菲爾德(John J. Hopfield)和英裔加拿大科學(xué)家杰弗里 · 辛頓(Geoffrey E. Hinton)，以表彰他們利用物理學(xué)工具，開發(fā)出了當(dāng)今強(qiáng)大機(jī)器學(xué)習(xí)技術(shù)的基礎(chǔ)方法。

一天之后，瑞典皇家科學(xué)院又宣布，將 2024 年諾貝爾化學(xué)獎(jiǎng)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(shè)計(jì)和蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)領(lǐng)域作出的貢獻(xiàn)。

你可以簡(jiǎn)單理解為，諾獎(jiǎng)評(píng)委們把諾貝爾物理學(xué)獎(jiǎng)?lì)C給了機(jī)器學(xué)習(xí)，而諾貝爾化學(xué)獎(jiǎng)?lì)C給了 AI 預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)和蛋白質(zhì)設(shè)計(jì)。

為什么 AI 突然能拿下兩座諾貝爾大獎(jiǎng)?AI 站上諾貝爾獎(jiǎng)舞臺(tái)背后，到底隱藏著一個(gè)什么趨勢(shì)?

AI 連下兩座諾貝爾大獎(jiǎng)

先說下諾貝爾物理學(xué)獎(jiǎng)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(luò)，現(xiàn)在通稱為霍普菲爾德網(wǎng)絡(luò)(Hopfield network)，可以存儲(chǔ)并重現(xiàn)圖像和其他數(shù)據(jù)模式的關(guān)聯(lián)記憶技術(shù)。

簡(jiǎn)單來說，霍普菲爾德網(wǎng)絡(luò)解決的問題是：人是如何進(jìn)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(gè)記憶。比如，你聽到一個(gè)人的名字，就能聯(lián)系他的長(zhǎng)相。

而作為深度學(xué)習(xí)領(lǐng)域的領(lǐng)軍人物，辛頓的最大貢獻(xiàn)在于，開發(fā)了一種新的神經(jīng)網(wǎng)絡(luò)：玻爾茲曼機(jī)。

在我們大腦中，神經(jīng)元之間會(huì)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(zhǎng)安三萬里》這部動(dòng)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(zhǎng)安三萬里》是因?yàn)橄矚g唐詩(shī)，有些人看是因?yàn)橄矚g追光動(dòng)畫，還有些人是因?yàn)榕阆矚g的人一起看。

而玻爾茲曼機(jī)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(guān)系。

玻爾茲曼機(jī)的出現(xiàn)，很大程度推動(dòng)了機(jī)器學(xué)習(xí)的快速發(fā)展。特別是在深度學(xué)習(xí)發(fā)展早期，波爾茲曼機(jī)被用來預(yù)訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)，幫助網(wǎng)絡(luò)在進(jìn)行更復(fù)雜學(xué)習(xí)任務(wù)之前，找到合適的權(quán)重初始狀態(tài)。

說完物理學(xué)獎(jiǎng)，再來說說諾貝爾化學(xué)獎(jiǎng)。

其中，諾貝爾化學(xué)獎(jiǎng)獲獎(jiǎng)?wù)咧坏拇笮l(wèi) · 貝克，率先開發(fā)了設(shè)計(jì)和預(yù)測(cè)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(xué)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(yù)測(cè)這事帶到了一個(gè)新紀(jì)元。

如果將生命體比作一個(gè)拼好的樂高積木，那蛋白核酸等大分子就像一個(gè)個(gè)獨(dú)立的樂高零件。在過去的五十年里，理解每一個(gè)樂高零件的形狀就是結(jié)構(gòu)生物學(xué)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(huì)折疊成某一個(gè)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(xué)家們就必須準(zhǔn)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(jiǎn)單到復(fù)雜，總共分為 4 級(jí)。一級(jí)結(jié)構(gòu)比較容易確定，簡(jiǎn)單的生物實(shí)驗(yàn)如質(zhì)譜法即可，但涉及到二級(jí)以上結(jié)構(gòu)如何折疊的，結(jié)構(gòu)生物學(xué)家往往需要利用 X 射線、核磁共振、電游儀、冷凍電鏡來檢測(cè)。

這些方法耗時(shí)耗力、人工成本也極高，比如電泳儀只能間接進(jìn)行測(cè)量，實(shí)驗(yàn)中還受較多因素干擾，因而會(huì)影響對(duì)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(tái)約 1 億人民幣左右。截至今年，我國(guó)的冷凍電鏡也只有 60 多臺(tái)。

AlphaFold 厲害的地方在于，通過深度學(xué)習(xí)模型來預(yù)測(cè)蛋白質(zhì)更高結(jié)構(gòu)，不僅非?？?，而且相當(dāng)準(zhǔn)確，大大提高了蛋白質(zhì)研究的效率。

2021 年，AlphaFold 就預(yù)測(cè)了 35 萬個(gè)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(kù)中。到了 2022 年，這個(gè)數(shù)據(jù)庫(kù)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(gè)人把預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)這事給做了，這對(duì)人類探索自身的生命密碼尤其重要。

知識(shí)的盡頭是 AI

雖然機(jī)器學(xué)習(xí)拿下諾貝爾物理學(xué)獎(jiǎng)這事有很大爭(zhēng)議，但另一個(gè)已成的事實(shí)是，AI 已經(jīng)幾乎滲透到所有的學(xué)科，并產(chǎn)生了不可忽視的影響。

原因很簡(jiǎn)單，AI 的學(xué)習(xí)效率比人強(qiáng)太多。在之前很長(zhǎng)時(shí)間里，辛頓一直認(rèn)為，人的智慧比 AI 更高。但這幾年，辛頓看法開始轉(zhuǎn)變，因?yàn)樗l(fā)現(xiàn)，AI 在知識(shí)傳播效率、學(xué)習(xí)機(jī)制、能源效率方面都比人強(qiáng)。

就拿知識(shí)傳播來說，當(dāng)一個(gè) AI 智能體掌握了某個(gè)知識(shí)，所有的 AI 智能體都能立刻學(xué)會(huì)這個(gè)知識(shí)。相反，人類只能通過觀察和復(fù)制教師行為來學(xué)習(xí)，這個(gè)過程時(shí)間更長(zhǎng)且效率更低。

再說學(xué)習(xí)機(jī)制，人類的大腦里有 100 萬億個(gè)連接，而 GPT 只有一萬億個(gè)，數(shù)量遠(yuǎn)遠(yuǎn)低于人類。但一個(gè) GPT 用 1700 多億的參數(shù)，居然就記住了人類所有的知識(shí)和文明，而且還可以進(jìn)行抽象的思考。

這意味著，AI 比人類更擅長(zhǎng)將大量知識(shí)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(xué)習(xí)方法。

在 AI 強(qiáng)大的學(xué)習(xí)能力之下，知識(shí)正在迅速貶值。OpenAI 早期投資人 Vinod Khosla 曾預(yù)測(cè)，未來幾乎所有的專業(yè)知識(shí)都將被 AI 免費(fèi)化。

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

但與此同時(shí)，跨學(xué)科知識(shí)的重要性可能被進(jìn)一步提升，即使用計(jì)算機(jī)工具，以及與其他學(xué)科的理論，去幫助其它學(xué)科(物理，化學(xué)，材料，生物，醫(yī)藥)攻克學(xué)術(shù)難題。

也就是說，未來學(xué)好人工智能，很有可能會(huì)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(zhēng)奪各個(gè)方向的諾貝爾獎(jiǎng)。

甚至有一天，一個(gè)拿 GPT-X 寫文章的人，或許也能夠獲得諾貝爾文學(xué)獎(jiǎng)。