2024年諾貝爾獎物理和化學領域的研究讓我們看到了科學的未來。人工智慧 (AI) 是這兩個獎項所表彰的發現的核心。你一定想知道什麼阿爾弗雷德·諾貝爾設立該獎項的人會想到這一切。

我們肯定會看到更多的諾貝爾獎牌被授予使用人工智慧工具的研究人員。當這種情況發生時，我們可能會發現諾貝爾委員會所認可的科學方法偏離了簡單的類別，例如“物理，” “化學”和“生理學或醫學。”

我們也可能看到收件者的科學背景與這些類別之間的聯繫較鬆散。今年的物理學獎頒給了美國普林斯頓大學的約翰·霍普菲爾德和英國出生的多倫多大學的傑弗裡·辛頓。霍普菲爾德是一名物理學家，辛頓在轉向人工智慧之前研究的是實驗心理學。

化學獎由華盛頓大學的生物化學家 David Baker 和英國 Google DeepMind 的電腦科學家 Demis Hassabis 和 John Jumper 分享。

物理和化學類別中基於人工智慧的進步之間存在密切聯繫。辛頓幫助制定了一種方法DeepMind 使用取得突破預測蛋白質的形狀。

物理學獎得主，特別是辛頓，為被稱為「物理學」的強大領域奠定了基礎。機器學習。這是人工智慧的一個子集，涉及演算法、執行特定計算任務的規則集。

Hopfield 的工作在今天並沒有特別的應用，但是反向傳播演算法（由 Hinton 共同發明）已經產生了巨大的影響許多不同的科學和技術。這與神經網路有關，神經網路是一種模仿人腦結構和功能來處理資料的計算模型。反向傳播使科學家能夠「訓練」巨大的神經網路。儘管諾貝爾委員會盡了最大努力將這項有影響力的演算法與物理學聯繫起來，但公平地說，這種聯繫並不是直接的。訓練機器學習系統需要將其暴露於大量資料（通常來自互聯網）。

Hinton 的進步最終實現了系統訓練例如GPT（ChatGPT 背後的技術）和 AI 演算法阿爾法圍棋和阿爾法折疊，由 Google DeepMind 開發。因此，反向傳播的影響是巨大的。

DeepMind 的 AlphaFold 2解決了50年的舊問題：從蛋白質的分子組成部分胺基酸預測其複雜結構。

自 1994 年以來，科學家每兩年都會舉辦一次競賽，尋找根據胺基酸序列預測蛋白質結構和形狀的最佳方法。這次比賽名為結構預測的批判性評估 (CASP)。

在過去的幾場比賽中，CASP 獲勝者都使用了 DeepMind 的 AlphaFold 的某些版本。因此，Hinton 的反向傳播與 Google DeepMind 的 AlphaFold 2 突破有著直接的關聯。

大衛貝克 (David Baker) 使用名為 Rosetta 的電腦程式實現了這一艱鉅的任務建構新型蛋白質。Baker 和 DeepMind 的方法都具有未來應用的巨大潛力。

諾貝爾獎的歸屬一直是有爭議的一個面向。最多三位研究人員可以分享諾貝爾獎。但科學的重大進步是協作的。科學論文可能有 10、20、30 名或更多作者。諾貝爾委員會表彰的發現可能不只一個團隊做出貢獻。

今年，我們可能會進一步討論各種研究人員聲稱的反向傳播演算法研究的歸屬，以及將一項發現一般歸屬於以下領域：物理。

我們現在對歸因問題有了新的體會。我們是否始終能夠區分人類科學家和他們的人工合作者的貢獻，這一點越來越不清楚——人工智慧工具已經幫助我們突破了知識的界限。

未來，我們是否會看到機器取代科學家，而人類淪為配角？如果是這樣，也許人工智慧工具將獲得主要的諾貝爾獎，而人類需要自己的類別。

本文轉載自對話根據知識共享許可。閱讀原創文章。