這兩天，諾貝爾獎逐步公布，AI成了最大贏家。

10月8日，瑞典皇家科學院宣布，2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德（John J. Hopfield）和英裔加拿大科學家杰弗里·辛頓（Geoffrey E. Hinton），以表彰他們利用物理學工具，開發(fā)出了當今強大機器學習技術(shù)的基礎方法。

一天之后，瑞典皇家科學院又宣布，將2024 年諾貝爾化學獎授予大衛(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)設計和蛋白質(zhì)結(jié)構(gòu)預測領域作出的貢獻。

你可以簡單理解為，諾獎評委們把諾貝爾物理學獎頒給了機器學習，而諾貝爾化學獎頒給了AI預測蛋白質(zhì)結(jié)構(gòu)和蛋白質(zhì)設計。

為什么AI突然能拿下兩座諾貝爾大獎？AI站上諾貝爾獎舞臺背后，到底隱藏著一個什么趨勢？

/ 01 / AI連下兩座諾貝爾大獎

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

簡單來說，霍普菲爾德網(wǎng)絡解決的問題是：人是如何進行聯(lián)想記憶的，也就是如何通過某一部分的記憶聯(lián)想起整個記憶。比如，你聽到一個人的名字，就能聯(lián)系他的長相。

而作為深度學習領域的領軍人物，辛頓的最大貢獻在于，開發(fā)了一種新的神經(jīng)網(wǎng)絡：玻爾茲曼機。

在我們大腦中，神經(jīng)元之間會相互作用，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《長安三萬里》這部動畫片。但又有些神經(jīng)元的表現(xiàn)是不可見的，比如某些人看《長安三萬里》是因為喜歡唐詩，有些人看是因為喜歡追光動畫，還有些人是因為陪喜歡的人一起看。

而玻爾茲曼機所要做的事，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。

玻爾茲曼機的出現(xiàn)，很大程度推動了機器學習的快速發(fā)展。特別是在深度學習發(fā)展早期，波爾茲曼機被用來預訓練深層神經(jīng)網(wǎng)絡，幫助網(wǎng)絡在進行更復雜學習任務之前，找到合適的權(quán)重初始狀態(tài)。

說完物理學獎，再來說說諾貝爾化學獎。

其中，諾貝爾化學獎獲獎者之一的大衛(wèi)·貝克，率先開發(fā)了設計和預測蛋白質(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)預測這事帶到了一個新紀元。

如果將生命體比作一個拼好的樂高積木，那蛋白核酸等大分子就像一個個獨立的樂高零件。在過去的五十年里，理解每一個樂高零件的形狀就是結(jié)構(gòu)生物學家的主要工作。

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折疊成某一個特定的形狀。所以，想要真正地理解蛋白質(zhì)如何發(fā)揮作用，科學家們就必須準確地掌握蛋白質(zhì)的空間結(jié)構(gòu)。

蛋白質(zhì)結(jié)構(gòu)從簡單到復雜，總共分為4級。一級結(jié)構(gòu)比較容易確定，簡單的生物實驗如質(zhì)譜法即可，但涉及到二級以上結(jié)構(gòu)如何折疊的，結(jié)構(gòu)生物學家往往需要利用X射線、核磁共振、電游儀、冷凍電鏡來檢測。

這些方法耗時耗力、人工成本也極高，比如電泳儀只能間接進行測量，實驗中還受較多因素干擾，因而會影響對蛋白質(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，一臺約1億人民幣左右。截至今年，我國的冷凍電鏡也只有60多臺。

AlphaFold厲害的地方在于，通過深度學習模型來預測蛋白質(zhì)更高結(jié)構(gòu)，不僅非常快，而且相當準確，大大提高了蛋白質(zhì)研究的效率。

2021年，AlphaFold就預測了35萬個蛋白質(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)庫中。到了2022年，這個數(shù)據(jù)庫中的蛋白質(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幾乎一個人把預測蛋白質(zhì)結(jié)構(gòu)這事給做了，這對人類探索自身的生命密碼尤其重要。

/ 02 / 知識的盡頭是AI

雖然機器學習拿下諾貝爾物理學獎這事有很大爭議，但另一個已成的事實是，AI已經(jīng)幾乎滲透到所有的學科，并產(chǎn)生了不可忽視的影響。

原因很簡單，AI的學習效率比人強太多。在之前很長時間里，辛頓一直認為，人的智慧比AI更高。但這幾年，辛頓看法開始轉(zhuǎn)變，因為他發(fā)現(xiàn)，AI在知識傳播效率、學習機制、能源效率方面都比人強。

就拿知識傳播來說，當一個AI智能體掌握了某個知識，所有的AI智能體都能立刻學會這個知識。相反，人類只能通過觀察和復制教師行為來學習，這個過程時間更長且效率更低。

再說學習機制，人類的大腦里有100萬億個連接，而GPT只有一萬億個，數(shù)量遠遠低于人類。但一個GPT用1700多億的參數(shù)，居然就記住了人類所有的知識和文明，而且還可以進行抽象的思考。

這意味著，AI比人類更擅長將大量知識放在1萬億的連接中。換句話說，AI可能找到了比人類更好的學習方法。

在AI強大的學習能力之下，知識正在迅速貶值。OpenAI早期投資人Vinod Khosla曾預測，未來幾乎所有的專業(yè)知識都將被AI免費化。

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

但與此同時，跨學科知識的重要性可能被進一步提升，即使用計算機工具，以及與其他學科的理論，去幫助其它學科（物理，化學，材料，生物，醫(yī)藥）攻克學術(shù)難題。

也就是說，未來學好人工智能，很有可能會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)，甚至爭奪各個方向的諾貝爾獎。

甚至有一天，一個拿GPT-X寫文章的人，或許也能夠獲得諾貝爾文學獎。

文／林白

       原文標題 : AI“統(tǒng)治”諾貝爾獎背后，知識的貶值已經(jīng)開始了