先说下诺贝尔物理学奖的获得者霍普菲尔德和辛顿。
霍普菲尔德在1982年创造出联想神经网络，现在通称为霍普菲尔德网络（Hopfield network），可以存储并重现图像和其他数据模式的关联记忆技术。
简单来说，霍普菲尔德网络解决的问题是：人是如何进行联想记忆的，也就是如何通过某一部分的记忆联想起整个记忆。比如，你听到一个人的名字，就能联系他的长相。
而作为深度学习领域的领军人物，辛顿的最大贡献在于，开发了一种新的神经网络：玻尔兹曼机。
在我们大脑中，神经元之间会相互作用，有些神经元的决策是可以影响另一部分的神经元。借用知乎上产品二姐的比方：
有些神经元的决策是可以表现出来的，比如某些人看了《长安三万里》这部动画片。但又有些神经元的表现是不可见的，比如某些人看《长安三万里》是因为喜欢唐诗，有些人看是因为喜欢追光动画，还有些人是因为陪喜欢的人一起看。
而玻尔兹曼机所要做的事，就是搞清楚这些可见和不可见神经元之间互相影响的关系。
玻尔兹曼机的出现，很大程度推动了机器学习的快速发展。特别是在深度学习发展早期，波尔兹曼机被用来预训练深层神经网络，帮助网络在进行更复杂学习任务之前，找到合适的权重初始状态。
说完物理学奖，再来说说诺贝尔化学奖。
其中，诺贝尔化学奖获奖者之一的大卫·贝克，率先开发了设计和预测蛋白质三维结构的方法，创造出了全新的蛋白质，基于创新的软件、算法解决医学难题。
而戴米斯·哈萨比斯和约翰·江珀，则参与创造的AI蛋白质结构分析工具AlphaFold，直接把蛋白质预测这事带到了一个新纪元。
如果将生命体比作一个拼好的乐高积木，那蛋白核酸等大分子就像一个个独立的乐高零件。在过去的五十年里，理解每一个乐高零件的形状就是结构生物学家的主要工作。
但这事并不容易，蛋白质是由20种不同的氨基酸按特定序列连接形成的多聚体，这些不同的氨基酸通常会折叠成某一个特定的形状。所以，想要真正地理解蛋白质如何发挥作用，科学家们就必须准确地掌握蛋白质的空间结构。
蛋白质结构从简单到复杂，总共分为4级。一级结构比较容易确定，简单的生物实验如质谱法即可，但涉及到二级以上结构如何折叠的，结构生物学家往往需要利用X射线、核磁共振、电游仪、冷冻电镜来检测。
这些方法耗时耗力、人工成本也极高，比如电泳仪只能间接进行测量，实验中还受较多因素干扰，因而会影响对蛋白质结构的分析与理解。而能高分辨率解析的冷冻电镜则极为昂贵，一台约1亿人民币左右。截至今年，我国的冷冻电镜也只有60多台。
AlphaFold厉害的地方在于，通过深度学习模型来预测蛋白质更高结构，不仅非常快，而且相当准确，大大提高了蛋白质研究的效率。
2021年，AlphaFold就预测了35万个蛋白质结构，这包括了98.5%的人类蛋白质，并将这些蛋白质结构放到了AlphaFold-EBI数据库中。到了2022年，这个数据库中的蛋白质数超过了2亿，几乎包含了地球上所有可能存在的蛋白质。
可以说，AlphaFold几乎一个人把预测蛋白质结构这事给做了，这对人类探索自身的生命密码尤其重要。
/ 02 /
知识的尽头是AI
虽然机器学习拿下诺贝尔物理学奖这事有很大争议，但另一个已成的事实是，AI已经几乎渗透到所有的学科，并产生了不可忽视的影响。
原因很简单，AI的学习效率比人强太多。在之前很长时间里，辛顿一直认为，人的智慧比AI更高。但这几年，辛顿看法开始转变，因为他发现，AI在知识传播效率、学习机制、能源效率方面都比人强。
就拿知识传播来说，当一个AI智能体掌握了某个知识，所有的AI智能体都能立刻学会这个知识。相反，人类只能通过观察和复制教师行为来学习，这个过程时间更长且效率更低。
再说学习机制，人类的大脑里有100万亿个连接，而GPT只有一万亿个，数量远远低于人类。但一个GPT用1700多亿的参数，居然就记住了人类所有的知识和文明，而且还可以进行抽象的思考。
这意味着，AI比人类更擅长将大量知识放在1万亿的连接中。换句话说，AI可能找到了比人类更好的学习方法。
在AI强大的学习能力之下，知识正在迅速贬值。OpenAI早期投资人Vinod Khosla曾预测，未来几乎所有的专业知识都将被AI免费化。
持有类似观点的还有牛津大学教授Nick Bostrom。他的观点更极端，本科和博士课程将加速贬值，传统20-30年以知识传递为核心的人力资本投资将看不到任何回报。
但与此同时，跨学科知识的重要性可能被进一步提升，即使用计算机工具，以及与其他学科的理论，去帮助其它学科（物理，化学，材料，生物，医药）攻克学术难题。
也就是说，未来学好人工智能，很有可能会比拒绝人工智能的人，能更有效的工作，形成新的重要发现，甚至争夺各个方向的诺贝尔奖。
甚至有一天，一个拿GPT-X写文章的人，或许也能够获得诺贝尔文学奖。
文／林白
PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。
