AI先驱荣获诺贝尔物理学奖和化学奖

神经网络和蛋白质预测领域基于 GPU 所实现的重大突破荣获诺贝尔奖，预示着科学与各行各业进入了一个新时代。

AI 曾经只存在于科幻小说中。但近日，AI 在瑞典登上了科学成就的顶峰。

在斯德哥尔摩地标性建筑——斯德哥尔摩音乐厅（Konserthuset）举行的这场具有历史意义的颁奖典礼上，John Hopfield 和 Geoffrey Hinton 凭借在神经网络领域的开创性成就荣获诺贝尔物理学奖。神经网络系统模仿大脑结构，构成了现代 AI 的基石。

同时，Demis Hassabis 和 John Jumper 凭借 Google DeepMind 的 AlphaFold 系统荣获诺贝尔化学奖。该系统解决了生物学中一个曾经“不可能”解决的问题，即预测蛋白质结构。这一成就对医学和生物技术具有深远的影响。

这些成就不仅仅意味着学术声望，更标志着一个时代的开始，即由 GPU 驱动的 AI 系统解决了曾经被认为无法解决的问题，正在为医疗健康、金融等数万亿美元规模的行业带来变革。

Hopfield 的研究成果与神经网络的基础

在 20 世纪 80 年代，擅长提出重大问题的物理学家 Hopfield 为神经网络领域带来了新的视角。

他借用物理学中的能量景貌，解释了神经网络如何通过寻找稳定的低能量状态来解决问题。他的想法抽象而巧妙，通过展示复杂的系统如何自我优化，为 AI 奠定了基础。

到本世纪初，英国认知心理学家 Geoffrey Hinton 接过这一重任。Hinton 相信神经网络可以给 AI 技术带来变革，但训练这些系统需要巨大的算力。

1983 年，Hinton 和 Sejnowski 在 Hopfield 的研究基础上发明了玻尔兹曼机，该机器利用随机二值神经元跳出局部最小值。他们发现了一种巧妙且非常简单的学习程序，该学习程序基于统计力学，可替代反向传播。

2006 年，该学习程序的简化版被证明在使用反向传播训练深度神经网络之前，能够非常有效地初始化深度神经网络。然而，训练这些系统仍然对算力有严苛要求。

AlphaFold：生物学领域的 AI 变革

AlexNet 推出十年后，AI 进入了生物学领域。Hassabis 和 Jumper 主导开发了 AlphaFold，解决了预测蛋白质的形状这一困扰科学家多年的难题。

蛋白质是生命的基石，其形状决定了功能。了解蛋白质的形状是对抗疾病和研发新药的关键。但寻找它们的过程缓慢、成本高昂且结果难以预料。

AlphaFold 改变了这一切。它根据 Hopfield 的想法，使用 Hinton 的网络以惊人的精确度预测蛋白质的形状。在 GPU 的支持下，它绘制了几乎所有已知蛋白质的图谱。如今，科学家利用 AlphaFold 来对抗耐药性、研发更优质的抗生素，以及治疗曾经被认为是不治之症的疾病。

曾经困扰生物学的棘手难题，如今通过 AI 获得了解法。

GPU 的作用：发挥 AI 的潜力

GPU 作为现代 AI 不可或缺的引擎，是取得这些成就的关键。GPU 最初是为了让电子游戏的画面变得更好，它非常适合满足神经网络的大规模并行处理的需求。

尤其是 NVIDIA GPU 成为了推动 AlexNet 和 AlphaFold 等突破的引擎。NVIDIA GPU 能够以超乎寻常的速度处理庞大的数据集，使 AI 得以解决规模和难度空前的问题。

重新定义科学与各行各业

这些获得 2024 年诺贝尔奖的巨大突破不仅改写了教科书，还优化了全球供应链、加速了药物研发，并帮助农民适应不断变化的气候。

如今，Hopfield 基于能量的优化原理为 AI 驱动的物流系统提供了思路；Hinton 的架构已成为自动驾驶汽车以及 ChatGPT 等语言模型的基础。AlphaFold 的成功启发了 AI 驱动的方法在气候建模、可持续农业乃至材料科学领域的应用。

物理学和化学领域对 AI 的认可标志着我们对科学的思考方式发生了转变。这些工具不再局限于数字领域，它们正在重塑物理和生物世界。