劃重點
01AI領(lǐng)域的杰出研究者杰弗里-辛頓和谷歌Deepmind創(chuàng)始人戴密斯-哈薩比斯分別獲得諾貝爾物理學獎和諾貝爾化學獎。
02辛頓因在人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器學習的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明而獲獎，哈薩比斯則因在計算蛋白質(zhì)設(shè)計和蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域的卓越貢獻而獲獎。
03由于辛頓不是傳統(tǒng)意義上的物理學家，而是計算機科學領(lǐng)域的大師，他的獲獎令人感到意外和引發(fā)討論。
04另一方面，哈薩比斯的獲獎意味著谷歌更不可能舍得和他分開，因為他在DeepMind的發(fā)展中發(fā)揮了重要作用。
05人工智能在科研領(lǐng)域的應(yīng)用前景廣闊，有望加速科學研究進程，為人類社會的進步做出更大的貢獻。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
本期要點：AI推動科學進步的時代來了！
你好，我是王煜全，這里是王煜全要聞評論。
10月8日和9日，對于人工智能領(lǐng)域的研究者來說，無疑是振奮人心的兩天。被稱為“AI教父”的杰弗里-辛頓（Geoffrey E. Hinton）以及谷歌Deepmind的創(chuàng)始人、“AlphaGo之父”戴密斯哈薩比斯（Demis Hassabis）相繼獲得了諾貝爾物理學獎和諾貝爾化學獎。
具體說來，辛頓是和美國普林斯頓大學的教授約翰-霍普菲爾德（John J. Hopfield）一同獲得諾貝爾物理學獎，因其“基于人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器學習的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”；哈薩比斯則是和戴維貝克（David Baker）以及同樣來自Deepmind的研究者約翰喬普（John M. Jumper）一同獲得諾貝爾化學獎，源于他們在“計算蛋白質(zhì)設(shè)計”和“蛋白質(zhì)結(jié)構(gòu)預(yù)測”領(lǐng)域的卓越貢獻。
對于我們的老讀者以及特訓營學員而言，辛頓和哈薩比斯應(yīng)該都算是老熟人了。但辛頓被大眾所熟知的身份，還是OpenAI前首席科學家伊爾亞蘇茨克維（Ilya Sutskever）的導師。在近期的采訪中，辛頓還不忘懟幾句OpenAI的CEO Sam Altman，說他唯利是圖，而蘇茨克維的離開令他感到驕傲。辛頓的學習和學術(shù)歷程也很奇特。他最初在劍橋大學學習生理學，但覺得無法解答自己關(guān)于大腦和認知的疑問，于是轉(zhuǎn)入哲學系。但他又覺得哲學缺乏科學的嚴謹性和實證性，最終轉(zhuǎn)入了心理學系。有意思的是，正是為了真正理解大腦的工作原理，辛頓才開始了人工智能領(lǐng)域的研究，并做出卓越貢獻，最終獲得了諾貝爾獎。由于辛頓不是傳統(tǒng)意義上的物理學家，而是計算機科學領(lǐng)域的大師，所以他的獲獎確實令人感到意外、也引發(fā)了不少討論。開句玩笑，我甚至認為辛頓應(yīng)該得生理學獎，因為他用人工智能模仿了人類的認知機制。再說到哈薩比斯，就更有意思了。我一直認為只有當他離開谷歌，谷歌才有可能避免未來的衰落，現(xiàn)在他獲得諾獎了，看來谷歌更不可能舍得和他分開了。2010年，哈薩比斯在英國創(chuàng)立了DeepMind公司，并在2014年被谷歌收購。2016年，DeepMind所開發(fā)的AlphaGo戰(zhàn)勝了韓國著名棋手李世石，一時風頭無兩。后來他們又開始了蛋白質(zhì)結(jié)構(gòu)預(yù)測工具的研發(fā)，并推出了AlphaFold。所以，哈薩比斯獲得化學獎確實比較“名正言順”。在2017年，三位科學家就因在冷凍電鏡技術(shù)領(lǐng)域的杰出貢獻而被授予諾貝爾化學獎，而這個技術(shù)的主要用途就是觀察接近于生理狀態(tài)的生物大分子，比如蛋白質(zhì)和DNA的結(jié)構(gòu)。相比之下，人工智能的適用性顯然會更廣，我們有理由相信它將在更多領(lǐng)域發(fā)揮重要作用。我們還可以大膽設(shè)想，辛頓都獲獎了，未來像李飛飛這樣的人工智能專家也有理由獲得諾貝爾物理學獎，因為她用理性的方法實現(xiàn)了人工智能的飛躍，為科學研究帶來了新的突破。如果這也成真了，將標志著人工智能在科學研究中的地位得到了進一步的認可。辛頓和哈薩比斯的獲獎，標志著未來人工智能在科學研究中的應(yīng)用前景將非常廣闊。隨著人工智能技術(shù)的不斷進步，那些邊界清晰、條件清晰、計算邏輯比較清晰、且數(shù)據(jù)量巨大的科學研究工作很有可能會被人工智能替代，而科學研究也將大幅加速。屆時，科學家們將不再像愛因斯坦那樣的強調(diào)科學的分析能力了，而是強調(diào)研究模式的設(shè)計，讓人工智能去幫自己做分析和研究。換句話說，科學家也要開始強調(diào)“人類機器智商”了，否則，也有可能失業(yè)。例如，現(xiàn)在AlphaFold已經(jīng)是生理學研究的重要工具。AlphaFold2已經(jīng)有200萬人使用，AlphaFold3也已經(jīng)部分供科學家進行非商業(yè)性研究。在新冠疫苗研發(fā)的過程中，研究者就曾利用AlphaFold分析抗體與變異株S蛋白結(jié)合位點之間的相互作用，為新型疫苗設(shè)計提供了參考，加快了疫苗的研發(fā)進程。
當然，人工智能在科研領(lǐng)域的應(yīng)用遠不止于此。查閱文獻、追蹤研究前沿，耗費了科研人員大量的精力，而通過人工智能工具（如Iris.ai）就可以快速篩選文獻，構(gòu)建知識圖譜，提高文獻綜述的效率。人工智能還能協(xié)助進行自動化實驗設(shè)計，優(yōu)化實驗參數(shù)和流程，減少人為誤差和資源浪費，從而加速材料科學、化學、生物學的研究，也能加快新藥的研發(fā)。人工智能還能幫助科研人員從海量的數(shù)據(jù)中提取出關(guān)鍵結(jié)果。比如基因組數(shù)據(jù)通常包含大量的基因序列和表達信息，傳統(tǒng)的分析方法往往難以處理。而通過機器學習的方法，研究人員能夠識別與疾病相關(guān)的蛋白質(zhì)結(jié)構(gòu)，并為疾病診斷和治療提供新的線索。這些只是人工智能在科研領(lǐng)域應(yīng)用的初步階段。我們期待隨著人工智能在科研工作中的普及，它能夠與科研工作形成“飛輪效應(yīng)”，相互促進，協(xié)同發(fā)展。當然，這也意味著，要支持人工智能的計算和實驗，科研經(jīng)費也可能會猛增，因為要花大錢買GPU了。不過，從長遠來看，這些投入都是值得的，因為這將極大加速科學研究，為人類社會的進步做出更大的貢獻。相信你也看出來了，AI已經(jīng)成為了所有人都應(yīng)該掌握的工具。最后，做個小廣告，快快鎖定周日前哨AI小課直播，Tina老師將手把手教你掌握先進科技。王煜全要聞評論，我們明天見。
