“谢天谢地，昨晚的诺贝尔文学奖没颁给ChatGPT”“下一步，经济学奖给黄仁勋，格莱美给Suno，奥斯卡给Sora”……一片调侃声背后，是学界几乎没人预料到的情况——今年的三个诺贝尔科学奖项中，两项竟都“爆冷”颁给AI。

　　10月8日，诺贝尔物理学奖花落机器学习领域，颁给了两位AI先驱，以表彰他们在利用人工神经网络实现机器学习的奠基性发明。获奖的两位科学家约翰·J·霍普菲尔德(John J.Hopfield)和杰弗里·E·辛顿(Geoffrey E.Hinton)，此前几乎从未出现在该奖项的预测名单中，而辛顿本人在得知拿奖后的第一反应也是“完全没有想到”。中科院物理所的诺奖解读直播间在结果公布时更是“直接给干沉默了”，毕竟AI通常不被看作是物理学的传统分支。

　　如果说物理学家的身份、抑或物理学工具的使用，令物理奖的颁发尚属有迹可循；那么让所有人更切实感受到“亿点点”AI震撼的，则是10月9号出炉的2024诺贝尔化学奖。

　　这一次，诺贝尔化学奖不仅又颁给了生物领域，还叠加上了AI buff。奖项得主为美国华盛顿大学西雅图分校的戴维·贝克 (David Baker)，以及谷歌旗下“深层思维”公司的德米斯·哈萨比斯(Demis Hassabis)和约翰·江珀(John M. Jumper)，以表彰他们破解了蛋白质神奇结构的密码。

　　诺贝尔化学奖委员会主席海纳·林克指出，今年的诺贝尔化学奖如同“双花并蒂”，他们一方面用计算软件Rosetta构建出全新蛋白质结构，另一方面则基于氨基酸序列开发出名叫AlphaFold2的AI模型，实现对蛋白质复杂结构的预测，

　　“这都是诺贝尔不设数学奖的锅”“不仅物理学不存在了，化学也没了?”在连续两天的“错乱颁奖”后，各大学术群聊和贴吧内洋溢着“科学吃瓜”的饱满热情。在一片正经科普和幽默解读齐飞的喧嚣中，科学界也正持续见证着AI改变世界的浪潮。

　　谈AI与诺奖 “更大的图景上，科研范式的转变已来临”

　　南都:你怎么看今年诺贝尔物理学奖颁给AI领域的机器学习?

　　复旦大学计算机科学技术学院教授张军平:我相信这结果让大多数物理学家大失所望，毕竟物理学方面的成就也不少。自1901年首次颁奖开始，历届的物理学奖从未给过其他专业的科学家。估计人工智能学者也同样大吃一惊。毕竟人工智能界的最高奖通常是图灵奖，而大家很熟悉的“人工智能”教父辛顿在2018年已经拿下了。

　　至于另一位获奖者霍普菲尔德，倒实实在在是物理学家，他主要的贡献是1982年提出的Hopfield网络。另一个与物理相关的是，该网络的设计思路模拟了电路结构，假定网络每个单元均由运算放大器和电容电阻组成，而每一个单元就是一个神经元。

　　尽管从神经生理学角度来看，这个网络的记忆能对应原型说，每个神经元可以看成是一个具有某个固定记忆的离散吸引子(Discrete Attractor)，但它的记忆是有限的，且不具备良好的几何或拓扑结构。所以当时来看不足还是很多的，便有了后续很多在此基础上提出的机器学习新方法。辛顿也在其列。

　　中科大合肥微尺度物质科学国家实验室副研究员袁岚峰:为什么发给这两位呢?当然可以说，他们的研究受到物理的启发，比如稳定的体系总是倾向于能量更低的状态。

　　也可以说，他们的成果对很多物理领域产生了影响，比如发现希格斯粒子，因为需要AI来筛选大型对撞机上产生的数以亿计的粒子碰撞记录；探测引力波，因为需要AI来排除各种各样的噪声，以筛选出那丝极其微弱的来自宇宙的引力波信号。这些都是诺贝尔奖主页上科普材料中所举的例子。不过在我看来，更大的图景是，这表现了科研范式的转变。

　　谈AI与科研 学科交叉迎大爆发 AI可加速新药研发

　　南都:诺贝尔化学奖历来是最难预测的诺奖奖项。继诺奖物理奖爆冷AI后，化学奖AI再下一城，这背后是否预示了诺奖乃至科研界的什么趋势?

　　袁岚峰:我们经常说，计算跟理论、实验三者鼎足而立，都是一种标准的研究范式。这是因为计算模拟的结果跟纯理论相比，它是一种数值实验；而跟真正的实验相比，它又成理论了。所以通过计算模拟，能够发现以前无法想象的规律。

　　而现在明显的趋势就是，人工智能成了第四种范式。AI for science(人工智能驱动的科学研究)也已取得很多实实在在的成果。AI for Science的时代，交叉学科爆发，基础科学接纳并认可了机器学习这一潜能无限同时伴随着发散和不确定性的领域，新的科研范式正在形成并将带来深远的影响。

　　南都:本届化学奖主要是表彰AI对蛋白质结构预测及设计的颠覆性作用。那么AI的贡献主要体现在哪里?AlphaFold可能是AI变革科学的开始吗?

　　中南大学化工学院教授张冀:我自己就是AlphaFold用户。AI确实在该领域意义重大，这体现在几个方面:一是降本增效。传统的蛋白质结构测定方法依赖于实验技术，如X射线晶体学和核磁共振(NMR)光谱，这些方法既耗时又昂贵。基于深度学习模型的AI技术，与其他基于量化计算及分子动力学模拟的蛋白质预测的预测方法相比，所占用的算力资源非常少，计算速度快、准确率更高。二是拓宽技术边界，推动跨学科合作。David Baker教授的团队利用AI技术设计出具有特定功能的全新蛋白质，这些蛋白质在药品、疫苗、纳米材料和传感器等领域有广泛应用前景。同时展示了计算机科学与化学、生物学结合的巨大潜力，极大地扩展了技术路线的边界。三是加速新药研发。AI在精确预测蛋白质结构上的突破，为生命科学带来了前所未有的研究工具和方法，让科学家可以更好地理解疾病机制，设计出更有效的药物。

　　谈AI与人 AI更多是优化已有方案 不能独立思考与决策

　　南都:在今年诺奖科学奖的角逐里，AI已经出尽了风头。亦有热评担忧称，未来科研将不需要人类科学家了，对此你怎么看?

　　张军平:从今年诺贝尔理化双奖的得奖情况，和人工智能近年来对几乎全学科、所有领域的融入程度来看，未来能很好运用AI的研究者，相比拒绝拥抱AI的人，的确能更有效地工作生活，更有可能形成新的重要发现，甚至争夺各个方向的诺贝尔奖。我们已经进入了一个大批量数据学习的时代，这个时代没有AI是不行的。

　　但与此同时，就拿这次化学奖来说，AlphaFold系统还存在不少不足，并不能完全取代生命科学家。况且，生命科学也远不仅蛋白质功能预测这么简单，还有相当多的任务需要完成。其中不少内容无法进行海量标注，也无法将其纳入到当下流行的大模型框架，尤其是复杂的生物关系网。

　　南都:你怎样看待AI for science的影响力?未来的科研者有可能会对AI形成依赖、变成“懒汉”吗?

　　张军平:人工智能并非无所不能。只是目前可能会因为拿了两个奖，让大家会觉得它很厉害。我们还是要学会发挥人类的潜力，尤其是长程关系之间的思考，还有灵感、顿悟、独特视角，这些都是人工智能做不好的。过度依赖，确实会变懒汉。

　　张冀:有研究显示，AI可能导致学生和教师逐渐失去自己动手做任务的兴趣和决策能力。然而，这并不是AI本身的问题，而是我们人类如何使用AI技术的问题。需要强调的是，AI本身并不具备独立解决问题的能力，更多的是对已有方案的优化。此外，AI运行的效率和成功率极大地取决于人类的引导，原始创新的工作目前仍需依靠人类的科学家取得突破。目前的AI只能作为辅助工具，并不能替代人类对其认知范围(数据库)外的突发问题做出独立的思考和决策。

　　采写:南都记者 吕虹