人工智能是 2024 年诺贝尔奖两个奖项的核心。这是未来的标志

Josiah02

2024 年的诺贝尔物理学奖和化学奖让我们看到了科学的未来。人工智能 (AI) 是这两个奖项表彰的发现的核心。你不得不想知道，创立这两个奖项的阿尔弗雷德·诺贝尔会如何看待这一切。
我们肯定会看到更多诺贝尔奖颁给使用人工智能工具的研究人员。在这种情况下，我们可能会发现诺贝尔委员会表彰的科学方法并不局限于“物理学”、 “化学”和“生理学或医学”等简单的类别。
我们可能还会看到获奖者的科学背景与这些类别的联系不那么紧密。今年的物理学奖颁给了普林斯顿大学的美国人约翰·霍普菲尔德和多伦多大学的英国人杰弗里·辛顿。霍普菲尔德是物理学家，而辛顿在转向人工智能之前学习的是实验心理学。
华盛顿大学生物化学家戴维·贝克 (David Baker) 和英国谷歌 DeepMind 的计算机科学家德米斯·哈萨比斯 (Demis Hassabis) 与约翰·江珀 (John Jumper) 分享了化学奖。
物理学和化学领域获奖的人工智能进展之间有着密切的联系。Hinton帮助 DeepMind 开发了一种方法，使其在预测蛋白质形状方面取得了突破。
这些物理学奖得主，尤其是辛顿，为机器学习这一强大领域奠定了基础。机器学习是人工智能的一个子集，主要涉及算法，即执行特定计算任务的规则集。
霍普菲尔德的工作如今并不常用，但反向传播算法（由辛顿共同发明）对许多不同的科学和技术产生了巨大影响。这与神经网络有关，神经网络是一种模拟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”庞大的神经网络。虽然诺贝尔委员会尽最大努力将这种有影响力的算法与物理学联系起来，但可以公平地说，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中，这些数据通常来自互联网。Hinton 的进步最终使诸如 GPT（ChatGPT 背后的技术）和 Google DeepMind 开发的 AI 算法AlphaGo和AlphaFold等系统的训练成为可能。因此，反向传播的影响是巨大的。
DeepMind 的 AlphaFold 2解决了一个 50 年历史的难题：根据蛋白质的分子构成要素氨基酸预测蛋白质的复杂结构。
自 1994 年以来，科学家每两年都会举行一次竞赛，以寻找根据氨基酸序列预测蛋白质结构和形状的最佳方法。该竞赛称为结构预测关键评估 (CASP)。
在过去的几场比赛中，CASP 获胜者都使用了 DeepMind 的 AlphaFold 的某个版本。因此，Hinton 的反向传播与 Google DeepMind 的 AlphaFold 2 突破有着直接联系。
大卫·贝克利用一个名为 Rosetta 的计算机程序实现了构建新型蛋白质这一艰巨任务。贝克和 DeepMind 的方法都具有巨大的未来应用潜力。
诺贝尔奖的荣誉归属问题一直是备受争议的方面。最多只有三名研究人员可以分享诺贝尔奖。但科学上的重大进步是合作的结果。科学论文可能有 10、20、30 位或更多作者。诺贝尔委员会表彰的发现可能由多个团队共同做出贡献。
今年我们可能会进一步讨论反向传播算法研究的归属问题，该研究已被不同的研究人员所宣称，以及将一项发现一般归因于物理学等领域。
现在，归因问题有了新的维度。我们越来越不清楚，我们是否总能区分人类科学家的贡献和他们的人工智能合作者的贡献——人工智能工具已经在帮助我们拓展知识的边界。
未来，我们是否会看到机器取代科学家，而人类则沦为配角？如果是这样，也许人工智能工具将获得诺贝尔奖的主要奖项，而人类则需要属于自己的类别。