2024年诺贝尔奖物理和化学领域的研究让我们看到了科学的未来。人工智能 (AI) 是这两个奖项所表彰的发现的核心。你一定想知道什么阿尔弗雷德·诺贝尔设立该奖项的人会想到这一切。

我们肯定会看到更多的诺贝尔奖牌被授予使用人工智能工具的研究人员。当这种情况发生时，我们可能会发现诺贝尔委员会所认可的科学方法偏离了简单的类别，例如“物理，” “化学”和“生理学或医学。”

我们还可能看到收件人的科学背景与这些类别之间的联系较松散。今年的物理学奖授予了美国普林斯顿大学的约翰·霍普菲尔德和英国出生的多伦多大学的杰弗里·辛顿。霍普菲尔德是一名物理学家，而辛顿在转向人工智能之前研究的是实验心理学。

化学奖由华盛顿大学的生物化学家 David Baker 和英国 Google DeepMind 的计算机科学家 Demis Hassabis 和 John Jumper 分享。

物理和化学类别中基于人工智能的进步之间存在密切联系。辛顿帮助制定了一种方法DeepMind 使用取得突破预测蛋白质的形状。

物理学奖获得者，特别是辛顿，为被称为“物理学”的强大领域奠定了基础。机器学习。这是人工智能的一个子集，涉及算法、执行特定计算任务的规则集。

Hopfield 的工作在今天并没有得到特别的应用，但是反向传播算法（由 Hinton 共同发明）已经产生了巨大的影响许多不同的科学和技术。这与神经网络有关，神经网络是一种模仿人脑结构和功能来处理数据的计算模型。反向传播使科学家能够“训练”巨大的神经网络。尽管诺贝尔委员会尽了最大努力将这一有影响力的算法与物理学联系起来，但公平地说，这种联系并不是直接的。训练机器学习系统需要将其暴露于大量数据（通常来自互联网）。

Hinton 的进步最终实现了系统训练比如GPT（ChatGPT 背后的技术）和 AI 算法阿尔法围棋和阿尔法折叠，由 Google DeepMind 开发。因此，反向传播的影响是巨大的。

DeepMind 的 AlphaFold 2解决了50年的老问题：从蛋白质的分子组成部分氨基酸预测其复杂结构。

自 1994 年以来，科学家们每两年都会举办一次竞赛，寻找根据氨基酸序列预测蛋白质结构和形状的最佳方法。此次比赛名为结构预测的批判性评估 (CASP)。

在过去的几场比赛中，CASP 获胜者都使用了 DeepMind 的 AlphaFold 的某些版本。因此，Hinton 的反向传播与 Google DeepMind 的 AlphaFold 2 突破有着直接的联系。

大卫·贝克 (David Baker) 使用名为 Rosetta 的计算机程序实现了这一艰巨的任务构建新型蛋白质。Baker 和 DeepMind 的方法都具有未来应用的巨大潜力。

诺贝尔奖的归属一直是有争议的一个方面。最多三名研究人员可以分享诺贝尔奖。但科学的重大进步是协作的。科学论文可能有 10、20、30 名或更多作者。诺贝尔委员会表彰的发现可能不止一个团队做出贡献。

今年，我们可能会进一步讨论各种研究人员声称的反向传播算法研究的归属，以及将一项发现一般归属于以下领域：物理。

我们现在对归因问题有了新的认识。我们是否始终能够区分人类科学家和他们的人工合作者的贡献，这一点越来越不清楚——人工智能工具已经帮助我们突破了知识的界限。

未来，我们是否会看到机器取代科学家，而人类沦为配角？如果是这样，也许人工智能工具将获得主要的诺贝尔奖，而人类需要自己的类别。

本文转载自对话根据知识共享许可。阅读原创文章。