■諾貝爾獎一直以來被視為科學領域的聞科最高榮譽，用于表彰在物理學、學網化學、諾獎I年生理學或醫學等領域作出突出貢獻的帶啟個人。然而，示新隨著人工智能技術的聞科飛速發展，AI正在深刻改變著各個學科的學網研究方式和方向，成為數據推斷的諾獎I年新范式。此次諾獎將物理學獎和化學獎同時頒發給AI領域的帶啟先驅，正是示新對這一趨勢的最好回應。
     
今年的聞科諾貝爾獎將人工智能（AI）推到了科學舞臺的中央。這不僅是學網對幾位杰出科學家的認可，也是對AI在科學進步中作用的肯定。這些獎項的頒發，標志著AI在科學研究中的重要地位得到了認可，預示著AI正在重塑我們的世界，尤其是在科學探索和創新的范式上掀起了新的浪潮。
     
人工智能勢不可擋，正在改變我們的世界和科學研究的方式：AI for science,Science all in AI（科學智能與人工智能中的科學）。展望未來，AI將繼續引領科學的發展，為人類社會創造更大的福祉。我們正處于一個新的時代的開端：擁抱AI，將開啟無限的可能。
     
AI與物理學的交匯
     
從霍普菲爾德網絡到深度學習
     
先簡單回顧一下今年兩位新晉諾貝爾物理學獎得主的貢獻。
     
1982年，約翰·霍普菲爾德提出了著名的霍普菲爾德網絡，這是一種具有自組織能力的遞歸神經網絡。霍普菲爾德網絡模擬了生物神經網絡的聯想記憶功能，能夠通過能量最小化的原理，實現對部分缺失信息的補全和模式識別。
     
霍普菲爾德網絡的理論基礎深扎根于物理學，類似于統計物理學中的伊辛模型（Ising Model）用于描述磁性材料中自旋相互作用的系統，通過能量函數的最小化來確定系統的穩定狀態。霍普菲爾德巧妙地將這一概念應用于神經網絡，使網絡狀態的演化可以被視為能量函數的下降過程，最終達到穩定的記憶存儲狀態。霍普菲爾德網絡的出現，為神經網絡的理論研究提供了堅實的物理學基礎，也為后來的機器學習和人工智能發展奠定了重要的基石。
     
杰弗里·欣頓被譽為“深度學習之父”，他在1985年與特里·謝澤諾斯基在霍普菲爾德網絡的基礎上共同提出了玻爾茲曼（Boltzmann）機。這是一種基于隨機性和能量函數的神經網絡模型，可以通過模擬退火算法學習復雜的概率分布。玻爾茲曼機的名稱來源于物理學中的玻爾茲曼分布（Boltzmann distribution），這是統計物理中描述粒子能量分布的基本概念。玻爾茲曼機利用這種分布來定義網絡中神經元狀態的概率，從而實現對數據的生成和特征學習，也為后續生成模型的發展提供了思路。
     
欣頓在1986年與大衛·羅密爾頓和羅納德·威廉姆斯共同推廣了反向傳播算法，解決了神經網絡做不深的問題，使得深層網絡的訓練成為可能。借助受限玻爾茲曼機（Restricted Boltzmann Machine）引入無監督的逐層預訓練方法，他在2006年提出深度信念網絡（Deep Belief Network），解決訓練深層神經網絡時梯度消失的問題。這一突破為深度學習的迅猛發展奠定了極為重要的基礎。
     
諾貝爾獎委員會將他倆的成果評價為“為機器學習革命奠基性的工作”。我們由此可以看到，統計物理為機器學習的早期發展提供了思路，如今的深度學習也在可控核聚變、天文觀測等研究方向惠及了物理學的研究。
     
生命科學重新認識AI潛力
     
從Rosetta軟件到AI驅動的創新
     
人體內擁有數萬種蛋白質，已知的蛋白質數量也超過數億。然而，在浩瀚的蛋白質序列宇宙中，這不過是冰山一角。科學家們既希望優化現有的工具蛋白，也渴望探索蛋白質宇宙中的“暗物質”，即那些尚未發現的功能蛋白。這正是蛋白質設計的核心使命——通過這一技術，科學家們可以創造出全新、自然界中從未存在的蛋白質。這些蛋白質不再受限于傳統進化規則，而是完全由人類設計，具備定制化功能特征。
     
在蛋白質設計領域，華盛頓大學大衛·貝克教授的團隊無疑站在了最前沿。過去20年中，該團隊致力于開發計算驅動的蛋白質設計方法，從蛋白質結構入手，從頭開始設計出形態和功能各異的蛋白質。隨著時間的推移，這一領域經歷了巨大的進步：從最初基于物理和統計方法的Rosetta軟件，到如今依靠深度學習的AI方法，如ProteinMPNN和RFdiffusion，蛋白質設計技術不斷革新，但從頭設計蛋白的目標始終不變。
     
如今，貝克團隊設計的蛋白質已具備多種功能，包括從頭設計的聯合疫苗的RSV/hMPV、能夠識別非天然底物的熒光素酶、以及用于藥物研發的細胞因子類似物和抗體。蛋白質設計已經完成了概念驗證階段，正逐步拓展在各類生物醫學領域的實際應用。
     
在生命科學領域，乃至整個自然科學中，AI最具影響力的應用莫過于AlphaFold。其誕生故事看似簡單：一位橫跨數學、物理、化學、生物、計算機的年輕博士約翰·江珀，與谷歌DeepMind CEO德米斯·哈薩比斯共同領導的頂尖跨學科團隊，經過三年努力，打造出一個專門用于解決蛋白質結構預測任務的模型。
     
盡管AlphaFold2當時在蛋白質復合物結構預測以及藥物分子、核酸、修飾蛋白等方面還存在局限，但三年后的AlphaFold3解決了這些問題。
     
這一突破性的成功使整個生物學界重新認識了AI的潛力，并推動了新的算法開發，如前文提到的蛋白質設計方法，也催生了生物技術公司的蓬勃發展和全新的科研模式。AlphaFold2毫無疑問改變了生物學家研究蛋白質的方式。
     
自AlphaFold問世以來，它已被廣泛應用在各式各樣的生物學研究中。在蛋白質結構數據庫PDB中，通過實驗方法解析的蛋白質結構數量已達到20萬，這也成為了AlphaFold訓練數據的重要來源。然而，借助AlphaFold等結構預測工具，科學家已經預測了近10億個蛋白質的三維結構，其中大多數都具備很高的精度和質量。
     
AlphaFold正逐步成為生物學研究中的便捷且精準的AI工具，融入很多生物學領域的研究當中——曾經耗費大量時間和資金才能獲得的蛋白質結構，現在“點擊就送”。展望未來，AlphaFold的后續版本有望解決更多復雜問題，帶來更多意想不到的應用場景。
     
AI獲得諾獎
     
AI正深刻改變各學科研究方向
     
這次諾貝爾化學獎和物理學獎都給了AI，尤其是物理學獎直接頒發給了欣頓（一個計算機學家）還是令人非常震驚的。除了對欣頓基于物理啟發的人工智能算法的開發的認可，更體現了諾獎委員會對科學范式變革的預見。
     
物理這門學科歸根結底是探索理解這個世界的方法論。傳統的物理方法論或者說占統治地位的方法論是搞清楚底層機理，通過不斷地疊加近似來解讀復雜事物。但AI反其道行之，是基于數據推斷，端到端給出預測。這也能解決問題，就像諾貝爾化學獎的“蛋白質結構預測”，最開始研究這個問題的是統計物理學家，他們基于物理計算來預測蛋白結構，但深度學習在這個問題上獲得了完勝傳統物理計算的精度。
     
如果科學問題本身就是如何預測一個給定序列蛋白的三維結構，那么顯然我們的物理底層知識和方程是不夠的，但基于大數據的AI方法是能解決這個科學問題的。基于數據的推斷就是在這個科學問題上更好的方法論。這無疑是對傳統物理方法論的一種沖擊。
     
這次諾獎的頒發顯示了物理學的包容，我們期待看到更多基于數據推斷的工具在物理學涌現，幫助我們找到更好的超導材料，幫我們找到更優的聚變控制方法等等。
     
諾貝爾獎一直以來被視為科學領域的最高榮譽，用于表彰在物理學、化學、生理學或醫學等領域作出突出貢獻的個人。然而，隨著人工智能技術的飛速發展，AI正在深刻改變著各個學科的研究方式和方向，成為數據推斷的新范式。此次諾獎將物理學獎和化學獎同時頒發給AI領域的先驅，正是對這一趨勢的最好回應。
     
（作者單位：上海交通大學自然科學研究院）