“解决了生物学50年内的最大挑战”，还得靠它？

又是一年一度的“诺奖时间”。就在2024年诺贝尔物理学奖颁给人工智能两大开拓者的次日，诺贝尔化学奖再就“蛋白质设计与结构预测”中的贡献为AI加冕。

一时间，不仅“物理学不存在了”这句《三体》里的“预言”广为传播，化学仿佛也危矣。

就在关于“诺奖属于人类还是AI”的讨论甚嚣尘上之时，特斯拉举行的全球发布会又掀起新的波澜——AI指引下的智能座驾已拿掉脚踏板和方向盘。与此同时AI在生物学、医学、信息科学所推动的进步，正压缩时空的概念……我们正在迎来，一个被AI改变的未来。

文｜张漫子

编辑｜谢芳 瞭望智库

本文为瞭望智库原创文章，如需转载请在文前注明来源瞭望智库（zhczyj）及作者信息，否则将严格追究法律责任。

10月8日的瑞典斯德哥尔摩，2024年诺贝尔物理学奖公布现场，蓝色大屏跳出“人工智能教父”杰弗里·欣顿、机器学习奠基者约翰·霍普菲尔德的名字。

2024年10月8日，在瑞典斯德哥尔摩举行的2024年诺贝尔物理学奖公布现场，屏幕显示奖项得主美国普林斯顿大学的约翰·霍普菲尔德和加拿大多伦多大学的杰弗里·欣顿。新华社记者 彭子洋 摄

瑞典皇家科学院的授奖缘由，是表彰他们在使用人工神经网络进行机器学习的基础性发现和发明，这项技术对搜索引擎和ChatGPT的运行至关重要。奖项揭晓后，诺贝尔奖官方推特被许多物理学者的声音包围：“AI不是物理！”

“本届诺奖颠覆了从业者认知。”一名物理学背景的投资人告诉库叔。神经网络不是大众所理解的“物理学”，欣顿、霍普菲尔德也不是物理学家，这也许说明了一点：物理学的边界正在扩张。

诺贝尔物理学奖的颁布至少还有一大奇效：令次日颁给AlphaFold的化学奖，不再突兀。

当前，蛋白质工程学从“探索”（discovery）迈向“设计”（design）的阶段。AI的登场，替代了X射线衍射、核磁共振光谱、冷冻电镜，迅速揭开了蛋白质结构的难解之谜，被认为“解决了生物学50年内的最大挑战”。

2024年10月9日，在瑞典斯德哥尔摩举行的2024年诺贝尔化学奖公布现场。新华社记者 彭子洋 摄

与以往获奖成果不同，这项研究还相当“新鲜”，其诞生距离获奖仅3年。2021年7月22日，DeepMind公司在官网公布了使用AlphaFold2破译的98.5%的人类蛋白质结构，同时也公布了在生物医学研究中使用的20种生物模型的365000个蛋白的预测结构，包括小鼠、果蝇、酵母和大肠杆菌。同年年底，DeepMind又公布了地球上大约2.8亿个蛋白质中50%的预测结构——而在AlphaFold出现之前，人类对蛋白质结构的了解仅有0.01%。

而AI驱动的蛋白结构预测，也将带来更高质量的生物学假设，进一步激发基础科学、药物研发、合成生物学设计方面的迅猛发展。

综观本届诺奖的两次“跨界”，无论是略微偏离物理学的传统，还是从偏向实验科学走向计算生物领域，都暗示着算力、算法、智能体等关键词将更频繁也更理所当然地出现在未来的诺奖授奖辞中。

AI跨界得奖的意义或许不止于此。面对“人类的诺奖”还是“AI的诺奖”的拷问，并不意味着人类科学家的地位受到动摇。相反，这恰恰反映了人类智慧的新高度，不仅是对技术突破的肯定，更是对人类智慧的礼赞。每一个迭代的技术、革新的成果，都是人类创新的结晶，标志着人类对未知的探索正在更深一层、更进一步。

2024年4月23日，在德国汉诺威工博会上，参观者与一款智能机器人进行“石头剪子布”游戏。新华社记者 任鹏飞 摄

翻开最新的国际顶刊的目录，不难发现这一不可阻挡的趋势：从AI驱动的蛋白质功能机理探索和理性设计，到基于AI的药物发现和药物优化，从酶改造与生物基化学品的生成，再到科学育种与气象预测——不论是微观世界的多尺度探索，还是宏观、微观尺度科学成果的应用，AI求解高维函数、解决复杂问题的优势正在持续释放。

不回溯一个世纪的科学史，似乎难以说清AI驱动下的科学研究如何呈现出前所未有的潜力。

过去很长时间以来，“维数灾难”一直是笼罩在各国科学家头顶上的“乌云”：可以想象，1928年狄拉克盯着薛定谔方程，试图建立一个具有两种可能自旋状态的电子模型，他对第一性原理了然于胸，却不得不面对数学能力瓶颈的无奈；1957年的贝尔曼写下控制论方程，为最优控制提出基本原理与方法，却因变量太多不知如何有效求解；1964年，哈特马尼与斯特恩斯在面对计算机“原则上可计算、实际上难计算”的一大类问题时，探索“计算复杂性理论”的紧迫感。

或许，许多科学家曾找到过打开某扇发现之门的钥匙。遗憾的是，锁舌已开，他们却没有“力气”推开这扇门。这个“力气”，就是人类处理多尺度问题（多变量函数）的能力。这一局限，制约了科学发现的深度、精度和速度。

“而AI正是跨越维数灾难、解决高维问题的高手。”中国科学院院士鄂维南说。

AI诞生以来的半个多世纪，已帮助科学家把复杂的科学问题转化为算法问题，进行粗粒度建模，并开展了大量实验验证。

【注：建模颗粒度通常分为三个层次：粗粒度建模、中粒度建模和细粒度建模。粗粒度建模是指将数据组成大型块来建模。】

可以说，从生命体的基本组成到世界工业的基本要素，AI不仅是解决具体问题的有力工具，更成为重新定义科学问题的系统性思路。“人工智能提供了一套新思路来理解高维对象：高维的函数逼近、高维概率分布的处理、高维的动力系统、高维的微分方程等。从科学应用的角度，在化学、材料、工程等领域，只要涉及理论，或者在实验中涉及数据和模型，就有人工智能一展身手之处。”鄂维南说。

不仅解决有、无的问题，AI的支点作用还体现在对科研范式的颠覆、对科研效率的提升上面。

比如，AI在数据处理、预测模拟等方面潜力强大，具有传统技术手段所没有的“想象力”。它能高效、高精度地求解复杂物理系统，解决大量传统科学计算方法无法解决的问题，还能够高效地处理海量数据，帮助科研者从纷繁信息中快速提取关键线索、给出新的假设方向，加速科学发现的步伐。

“人机合作”还将带来新的研究范式、跨学科的合作模式。例如，在医疗健康领域，AI结合生物医学知识可更精准地识别疾病早期迹象；在环境保护方面，AI能通过分析气候变化趋势辅助制定更有效的应对策略……

当肩负原始创新使命的科学突破成为新的支点，AI有了更宏大的愿景——将科学发现推上新台阶。

“AI太‘百搭’了，它的应用广泛且复杂，为前所未有的领域带来活力。”中国科学技术大学机器人实验室主任陈小平说。

一方面，AI高浓度渗透各种学科、各个领域，不论是出场率还是影响力，都超越学科范畴，拓宽了领域边界。

今天，再用一门技术来定义人工智能，就把它说小了。它已超越一门学科、一种技术的范畴，而是一种思路，一本越读越厚的书。

过去，定义问题的方式是，“这个问题是否能进行观测并总结规律”。进入计算机时代，我们定义问题的方式是，“这个问题是否能被多项式有效近似并通过计算机模拟”。而现在，我们可以重新提问：“这个问题是否有原理、数据？”哪怕只有其中一个，我们也有机会将问题推进到前人无法触及的程度。

另一方面，诺奖“跨界”的新趋势，也在试图打破新的边界：让技术无涯、科学无境。

技术发明与科学发现是两类独立的创新实践。一直以来，科学被视为技术的基础和先导。“而在人工智能发展的新阶段，科学或许依然是技术的基础，但已不是所有技术发明的先导。”陈小平说，近年来引发巨大关注的人工智能训练法，包括获得本年度诺贝尔化学奖和物理学奖的人工智能成果，都面临着可解释性挑战。这里的“解释”主要指的是，对技术内在原理的科学把握，这种把握从根本上超越技术范畴，回归科学研究。

科学界单一领域的成就已经被前人“摘”得差不多了，随着人类当前与未来面临的问题越来越复杂，科学和技术想要实现进步，都需要跨界的“法宝”。

如果说智能是一片无尽的疆域，人工智能这个现代方法，正是开疆拓土的动力之源。自然界已知的事物和现象中，人类智能是最复杂的现象，然而人类是否是生物进化的最后阶段、有机体是智能的唯一载体，还未有定论。

以计算机为载体的人工智能，正在揭开机器智能大幕的一角。无处不在的机器人、超越想象的汽车设计、更快更强更好的生产力工具……未来，开发更强大的机器、实现更强大的智能，将为科学研究、技术研发、日常生活创造无穷尽的想象。

正如被称为“AI教母”的李飞飞所说：“AI的深远影响才刚刚开始。”