炒作有理吗？为什么所有人都在关注人工智能

诺贝尔人工智能奖

2024 年诺贝尔奖得主名单让人工智能备受关注。首先是诺贝尔物理学奖，它奖励了受物理学启发的基础理论和神经网络的早期原型，而神经网络正是当今大多数人工智能技术的基础。我们在" "中详细讨论了这些早期神经网络的工作原理。投资诺贝尔奖成果--人工神经网络，人工智能的基础."

另一个诺贝尔奖，这次是化学奖，将授予以计算为重点的研究。更确切地说，一半授予了大卫-贝克（David Baker），"以表彰其计算蛋白质设计"；另一半授予了谷歌 AlphaFold 的主要研究人员德米斯-哈萨比斯（Demis Hassabis）和约翰-乔普（John M. Jumper），"以表彰其蛋白质结构预测"。

因此，毫不夸张地说，2024 年是人工智能诺贝尔奖年，在 "硬科学"（物理、化学、医学/生物学）领域的诺贝尔奖中，三分之二都颁给了与人工智能相关的项目。

这显然受到了该领域研究人员和对人工智能驱动研究的未来充满热情的人们的称赞。但它也 引起了一些科学家，尤其是物理学家的关注。 和 人工智能不是 "真实物理."

诺贝尔奖应该奖励什么？

这是关于什么是值得获得诺贝尔奖的 "纯粹 "科学这一更广泛、更久远的争论的一部分。有些人会说，只有理论上的进步和真正的智力突破才配得上这个国际科学界最负盛名的奖项。

我无言以对。我和其他人一样喜欢 ML 和 ANN，但很难看出这是一项物理学发现。我猜诺贝尔奖是被人工智能的炒作给砸了。

乔纳森-普里查德--伦敦帝国学院天体物理学家

还有人会说，科学也应该因其对现实世界的影响而受到奖励，尤其是在诺贝尔奖的设立方面、 阿尔弗雷德-诺贝尔先生 奖品"授予上一年度为人类带来最大利益者物理、化学、生理学或医学、文学与和平"。

在这种情况下，我们可以说，神经网络确实为造福人类做出了巨大贡献，而且在未来可能会继续做出更大的贡献，因此，它无愧于今年的诺贝尔奖。

计算是物理学吗？

具体到 2024 年诺贝尔物理学奖，创建神经网络的方法深深植根于物理学。更具体地说，它在很大程度上借鉴了统计物理学，这是一个描述气体或液体等具有多种元素的事物的领域。

它还从许多物理系统的集体特性对模型细节变化的稳健性这一观察结果中获得了灵感。值得注意的是，磁性材料的特殊性质得益于其原子自旋--这种特性使每个原子都成为一块微小的磁铁。

总的来说，获得诺贝尔奖的模型--辛顿发明的玻尔兹曼机和霍普菲尔德网络--"都是基于能量的模型"，与用于理解现实材料物理的数学描述并无太大区别。

尽管如此，一些 "真正的 "物理学家还是对计算抢走物理学的风头感到有些沮丧，这也许更多的是说明社会对这一领域的尊重和关注不够，而不是今年的诺贝尔奖本身。

"它属于计算机科学领域。一年一度的诺贝尔奖是物理学--以及拥有物理学的物理学家--走向聚光灯下的难得机会。

这一天，朋友和家人会想起他们认识一位物理学家，也许会去问他或她最近的诺贝尔奖是怎么回事。但今年不是"。

Sabine Hossenfelder--德国慕尼黑数学哲学中心物理学家

物理学重返人工智能

诺贝尔奖的奖励也考虑到了计算机领域日益增长的发展，即回到基于物理的方法来改进机器学习、神经网络和人工智能。

"我们需要物理学中的思维方式来研究机器学习"。

Lenka Zdeborová - 瑞士洛桑联邦理工学院统计物理学家。

早期的神经网络工作是真正的跨学科工作，它也从我们对生物神经元如何工作的最新理解中获得灵感，并将数学、物理学、计算机科学和神经生物学结合在一起。

"我认为诺贝尔物理学奖应该继续向更多的物理知识领域传播。物理学的范围越来越广，它包含了许多过去不存在的知识领域，或者说不属于物理学的知识领域。"

Giorgio Parisi- 罗马萨皮恩扎大学的物理学家，他 分享了 2021 年物理学诺贝尔奖.

因此，虽然约翰-霍普菲尔德和杰弗里-辛顿获得诺贝尔奖可能有些出人意料，也让最纯粹的物理学家们感到失望，但这并不像乍看起来那样远离物理学和 "硬科学"。

雪上加霜？

如果诺贝尔化学奖不以计算为重点，也许科学界一些人的反应会更温和一些。

在这里，争论的焦点更多集中在人工智能对该领域的真正贡献上，对 "猜猜诺贝尔被人工智能炒作砸了 "的批评给予了一定的肯定。

这是因为，像AlphaFold这样预测蛋白质三维结构的神经网络，是建立在数十年实际实验所积累的大量数据宝库之上的。这其中尤其包括蛋白质数据库（Protein Data Bank），一个包含 20 多万种蛋白质结构的免费数据库。

这些结构是数以千计的人类研究人员经过数十年的实验，利用 X 射线晶体学、冷冻电镜等先进方法（这些方法本身往往就是诺贝尔奖的获奖发现）确定的。

"我认为，AlphaFold 并不涉及基础科学的根本性变革。

正是这种天衣无缝的组合和构思方式，让 AlphaFold 达到了这些高度。

David Jones - 伦敦大学学院生物信息学家，曾与 DeepMind 合作开发 AlphaFold 的第一个版本

AlphaFold 的影响力有多大？

批评 AlphaFold "只是建立在先前研究的基础上"，也许有点离谱。毕竟，一个诺贝尔奖获奖发现往往建立在 3-4 个其他诺贝尔奖获奖发现的基础上，这是一个非常常见的模式。

更重要的是，关键是要确定 AlphaFold 是否是一个真正的突破，使以前不可能实现的目标突然变得可以实现。

我们之前讨论过一篇科学论文，研究 AlphaFold 能否发现新分子和新药物，而不仅仅是完善已知数据.

看来情况确实如此：

研究人员确定，对于 sigma-2 受体和 5-HT2A 受体，改变每种模型蛋白质活性的化合物比例分别约为 50% 和 20%。大于 5% 的结果属于特殊情况。

考虑到药物发现就像人工大海捞针，第一次尝试就能 "猜 "出针在哪里，50% 的成功率的确非同寻常。

因此，今年的诺贝尔化学奖在 "纯粹 "科学和基本认识的进步方面可能也不尽如人意。但它似乎与诺贝尔奖的宗旨不谋而合："至 颁给 上一年度为人类带来最大利益者".

结束争议

我们可以同意，随着人工智能成为大多数科学学科的关键工具，我们不应该看到每个诺贝尔奖都主要奖励人工智能。同样，我们也不会定期奖励 "基础 "计算（或化学或冶金），因为研究人员每天都在使用计算机（以及化学品和金属）。

不过，人们对今年诺贝尔奖归属的反应似乎有些夸张，这或许说明了科学家们的挫败感，即尽管在大多数领域都取得了令人瞩目的科学进步，但媒体的注意力却只被人工智能所吸引。

人工智能到底能做什么？

无论如何，人工智能都有可能成为一项真正的变革性技术，而且 与蒸汽机、电报、内燃机或第一台计算机等以前的技术类似，是人类历史上真正的里程碑.

以下是一份人工智能潜在应用的简短清单：

• 药物发现与生物数据分析。
• 诊断和自动医疗，包括手术。
• 机器人，从家庭佣人到自动化生产。
• 自动驾驶汽车与物流。
• 个性化学习与知识传播。
• 能源、材料科学、纳米技术等领域不断发现新材料。
• 新的计算方法，包括光子学、量子计算等。
• 太空探索，从自动化的异世界殖民地到小行星采矿。

在这种情况下，对人工智能的 "炒作 "是完全有道理的。

但是，与大多数新的重要技术一样，将最初的创新转化为实际应用案例的过程可能比希望的时间要长一些，例如 20 世纪 70 年代的计算机，比互联网革命早了几十年，比人工智能更早，但其影响也可能比任何人预想的要大得多。