CS今年达到历史巅峰！诺奖结果引爆热议：物理、化学的尽头都是计算机？

今年诺贝尔奖可谓是计算机科学领域的“双喜临门”。

物理学奖授予了 John Hopfield 和 Geoffrey Hinton；化学奖则由 David Baker、Demis Hassabis 和 John Jumper 共同获得。其中，Baker 因其在蛋白质设计领域的杰出贡献而获奖，而 Hassabis 和 Jumper 则因 AlphaFold 在蛋白质结构预测方面取得的突破性成果而共同分享了这一荣誉。

诺贝尔化学奖和物理学奖的颁发，将 AI 研究推向了前所未有的高度。这一罕见的现象在全球范围内引发了热议：“物理学不存在了”、“化学的尽头是计算机吗？”、“过去是‘学好数理化，走遍天下都不怕’，现在则是学好数理化，也难逃被 AI 打倒的命运！”

而更多人则感慨“计算机科学真的要一统天下了！”

当我在 1980 年代还是个青少年的时候，经过理论物理学推动的半个世纪的重大进展，大多数聪明的高中生都希望学习物理。1988 年，我作为本科生来到麻省理工学院后，很快就发现下一个热门领域是计算机科学......

我早就知道学生们认为计算机科学比物理更重要，但今天才发现诺贝尔委员会似乎也持同样的看法。

哇，过去 50 年的物理研究一定是相当乏味了，不然他们怎么会现在把诺贝尔奖颁给计算机科学的成果呢。

在得知 2024 年的物理学诺贝尔奖授予了人工智能研究后，我们又得知 2024 年的化学诺贝尔奖也颁给了人工智能研究。

计算机科学已经成为新的主导学科。

10 月 8 日，瑞典皇家科学院宣布，AI“教父”Geoffrey Hinton 博士及其在机器学习领域的前辈 John Hopfield 博士共同获得了 2024 年诺贝尔物理学奖，“以表彰他们通过人工神经网络实现机器学习的基础发现与发明”。

为什么物理奖会颁给两位 AI 领域的科学家？这确实让很多人感到意外，Hinton 自己也不例外，他在电话中对瑞典皇家科学院说：“我不知道会发生这种事。我感到非常惊讶。”

在接受纽约时报采访时，他还说道，“用于构建如今常见的 AI 模型的是另一种不同的技术（即反向传播），这就跟物理学关系不大。”

针对纽约时报的提问“您是否会觉得自己获颁物理学奖有点奇怪？”，Geoffrey Hinton 回复说，“如果诺贝尔奖中有计算机科学分支，那我们的工作显然更适合。但可惜没有。”

而 Gary Marcus 则直言“Hinton 的获奖情况让很多人摸不着头脑。”

“毫无疑问，Hinton 几十年来一直是机器学习领域的领军人物，具有原创性，而且值得称赞的是，他即使在研究方向不受欢迎时也能坚持不懈。他确实做出了重大贡献，这点没人会质疑。但引文似乎表明他是因为发明了反向传播而获奖，但实际上，他并没有发明这个算法。”

著名的计算神经科学家 Steven Grossberg 昨天在一个已有数十年历史的神经网络专业邮件列表 Connectionists 上对此事发表了看法（据说 Hinton 也曾在这个列表上发表过言论）。他指出：

Paul Werbos 在其 1974 年哈佛博士论文中发展了反向传播算法的现代形式，并完成了计算示例。接着在 1982 年，David Parker 重新发现了该算法，等等。

Jürgen Schmidhuber 在他的文章中提供了有关深度学习及其先驱们的广泛历史回顾。这篇文章已被引用超过 23,000 次。

即使是长期支持 Hinton 的 Steve Hanson 也承认：“我们都同意诺贝尔奖‘科学委员会’对神经网络的历史了解不深。”

Gary Marcus 进一步发表评论说，“Hinton 无疑对机器学习产生了深远的影响，但他具体因何而获奖，或这一成果如何推动了物理学的发展，仍然不甚明了。人们可能会对这个特别的奖项提出疑问，持续很长时间。”

然而，诺贝尔物理学奖委员会主席 Ellen Moons 却明确表示，“获奖者的工作已经产生了最大效益。在物理学当中，我们将人工神经网络应用于广泛领域，例如开发具有特定属性的新材料。”

无论如何，这都是诺贝尔奖首次表彰对 AI 技术的贡献。如果说有什么证据可以证明我们真正进入了 AI 时代，那就是首个颁发给 AI 贡献的诺贝尔奖已经出现。

现年 77 岁的 Geoffrey Hinton 是加拿大多伦多大学的教授，实际上他从未正式学习过计算机科学。

Hinton 大学本科时在剑桥大学攻读的是生理学和物理学，曾短暂转向哲学，但最终获得的是心理学学士学位。在求学过程中，他一度厌学并转行当了木匠，但遭遇挫折后重新回到爱丁堡大学，最终拿到了人工智能方向的博士学位。

1973 年，Hinton 在英国爱丁堡大学师从 Langer Higgins，攻读人工智能博士学位。尽管当时几乎没有人看好神经网络的前景，他的导师也劝他放弃，Hinton 却始终坚信神经网络的潜力。博士毕业后，Hinton 前往美国，在卡内基梅隆大学获得了教职。

在卡内基梅隆大学期间，Hinton 与 David Parker 合作，“重新”开发了反向传播算法（按照计算神经科学家 Steven Grossberg 的说法）。他在 1986 年共同撰写了一篇重要论文，推广了用于训练多层神经网络的反向传播算法。他的研究兴趣扩展到包括玻尔兹曼机、分布式表示和深度学习，这些领域都对人工智能产生了深远影响。

关注 AI 领域动向的人可能对 Hinton 博士在神经网络领域的开创性工作并不陌生，此前他曾高调辞去在谷歌的顾问职务，理由是担心他协助建立的 AI 系统存在潜在危险。

而另一方面，与他一同获奖的美国物理学家 John Hopfield 博士的工作则成为现代 AI 的实现基础，并对 Hinton 的研究产生了直接影响。John Hopfield 出生于 1933 年 7 月 15 日，是加州理工学院计算与神经系统博士项目的创始人之一。

根据获奖理由所述，Hopfield 博士对于 AI 最大贡献源自 1982 年他建立的神经网络（以自己的名字命名为霍普菲尔德神经网络），该网络能够存储多种模式并通过模式区分实现记忆检索。

麻省理工学院和 IBM 的物理学家 Dmitry Krotov 博士表示，霍普菲尔德网络出现之前的几年就像是一个“人工智能寒冬”。他指出，Hopfield 博士在 1982 年的工作“是结束这一时期的主要驱动力”。他继续说道：“这是现代神经网络时代的起点。”

诺奖委员会将“霍普菲尔德神经网络”比作人脑的联想记忆，我们可以在其中搜索并回忆各种信息，例如单词。与之类似，神经网络则是具有不同连接强度的人工神经元系统。

委员会解释道，“Hopfield 描述了网络的整体状态，其属性相当于物理学中自旋系统的能量；能量使用相应公式进行计算，此公式囊括了各节点的所有值以及节点间连接的所有强度值。”

在整个网络进行数据处理时，其通常会重现出训练过程中接触过的原始图像，而真正使其与众不同的是，它能够同时存储多张图片并将其区分开来。

10 月 9 日，继将物理学奖颁发给早期 AI 先驱之后，化学奖也被颁发给 AI 蛋白质预测平台 AlphaFold 以及蛋白质设计工具 Rosetta 的创造者。

DeepMind 联合创始人兼 CEO Demis Hassabis 及公司董事 John Jumper，凭借其在 AlphaFold 模型上的工作分享了一半诺贝尔化学奖。第二代 AlphaFold 已经能够预测出几乎一切已知的蛋白质结构——总数量超过 2 亿种。

诺贝尔奖委员会表示，“该团队利用数据库中所有已知蛋白质结构与氨基酸序列的大量信息对 AlphaFold 2 进行了训练，使得这套新型 AI 架构拥有良好的预测效果。”该委员会还补充称，在 AlphaFold 2 参加 2020 年蛋白质结构预测关键评估（CASP）竞赛时，其表现“在大多数情况下”几乎与 X 射线晶体学（之前用于蛋白质结构建模的黄金标准）一样出色。“但以往，获取蛋白质结构通常需要数年时间，而现在只需几分钟即可完成。”

诺奖委员会还提到，在 Jumper 加入 DeepMind 之前，这家谷歌旗下子公司已经构建起了初代 AlphaFold。虽然原始版本较之前的 CASP 结果有所改进，但准确率仍然只有 60% 左右。Jumper 的到来对于 AlphaFold 2 的成功可谓至关重要。

委员会解释称，“Jumper 的蛋白质知识给 AlphaFold 2 项目插上了翅膀。该团队还开始使用近期 AI 领域一系列重大突破背后的创新成果：即 transformers 神经网络。”

尽管 AlphaFold 在帮助人类更好预测蛋白质形态方面发挥了重要作用，而蛋白质形态本身在人体机能中扮演着关键角色，但这项成果本身并不能直接用于开发药物或制造任何新产品。

这时就轮到华盛顿大学生物化学教授 David Baker 设计的 Rosetta 出场了。Baker 在 20 世纪 90 年代开发出自己的蛋白质预测软件 Rosetta。根据诺奖委员会的介绍，当初参加 1998 年的 CASP 竞赛时，Rosetta“与其他参赛选手相比”表现良好。比赛结束后，Baker 和他的团队又想到了反向使用该软件的想法：他们不再使用氨基酸序列来预测蛋白质的形态，而开始试验输入所需要的蛋白质形态，看看能不能计算出相应的氨基酸序列。

诺奖委员会指出，事实证明 Rosetta 不仅拥有这种能力，还最终催生出了 Top7——“第一种与所有其他已知蛋白质完全不同的新型蛋白质”。蛋白质是理解生物化学效应的基础，广泛参与肌肉等生物结构以及激素及抗体等化学物质的生成过程。通过创造新的蛋白质，人类进一步扩大了自己对于自然规律的理解和操控能力。诺奖委员会表示，“这可以带来新的纳米材料、靶向药物、加快疫苗开发速度、缩小传感器尺寸并实现更加环保的化学工业——潜在应用可谓无穷无尽。”

Gary Marcus 认为，与 Hinton 相比，Demis Hassabis 的获奖（与 DeepMind 研究员 John Jumper 共同获得）毫无疑问是一个铁定的结果。

“AlphaFold 对化学和生物学做出了巨大的贡献。虽然它可能还没有达到我见过的那种极高的期望，但它确实是一项出色的贡献，生物学家们广泛使用它。在我看来，它是迄今为止人工智能的两个最大贡献之一，甚至可能是最大的贡献。”

据维基介绍，Sir Demis Hassabis（1976 年 7 月 27 日出生）是一位英国计算机科学家、人工智能研究员和企业家。在他的早期职业生涯中，他是一名视频游戏 AI 程序员和设计师，同时也是一位棋类游戏的专家。他是 DeepMind 和 Isomorphic Labs 的首席执行官兼联合创始人，并担任英国政府的人工智能顾问。

Demis Hassabis 是自学成才的国际象棋玩家，他从 4 岁起就是国际象棋神童，13 岁时就达到了大师标准，获得了 2300 的 Elo 等级分，位居同龄组世界第二，仅比 Judit Polgar 低 35 分。除了国际象棋，他还是《外交》、《扑克》和世界五项全能锦标赛等游戏的优秀玩家。

当人们问到为什么某些国际象棋天才选择转行而不继续下棋时，Hassabis 就是一个完美的例子。他认为国际象棋是非常适合锻炼思维，但并不想将一生都投入到如此狭窄的棋艺上。“我喜欢下棋，但我通常把游戏视为训练场，就像思维的健身房，然后将这些技能转移到其他领域：科学、商业等等。”

上大学之前，他购买了他的第一台计算机，一台由国际象棋奖金资助的 ZX Spectrum 48K，并通过自学，开启了他的编程之旅。

Hassabis 在 16 岁时提前两年完成了 A-level 考试。由于年龄较小，剑桥大学要求 Hassabis 休学一年。

他在 Bullfrog Productions 开始了自己的电脑游戏职业生涯，最初在游戏《Syndicate》中担任关卡设计，随后在 17 岁时与游戏设计师 Peter Molyneux 共同设计并主导编程 1994 年的游戏《Theme Park》。这款模拟类视频游戏销售了数百万份，启发了整个模拟沙盒游戏的类型。他在休学期间赚的钱足以支付自己上大学的费用。

1997 年毕业于剑桥大学后，Hassabis 在 Lionhead Studios 工作。这家公司由 Peter Molyneux 创办，是 Hassabis 在 Bullfrog Productions 合作过的伙伴。在 Lionhead，Hassabis 担任 2001 年神作《Black & White》的首席人工智能程序员。

随后，Hassabis 创立另一家电脑游戏公司“Elixir”，但这款游戏不冷不热，最终导致彻底离开视频游戏行业，转而从事认知科学，并于 2009 年获得认知神经科学博士学位。

2011 年，他离开学术界，与他人共同创立了 DeepMind Technologies，这是一家位于伦敦的机器学习初创公司。2014 年 1 月，DeepMind 被谷歌以 4 亿英镑的价格收购，哈萨比斯目前担任谷歌的工程总监，领导该公司的通用人工智能项目。

自谷歌收购以来，DeepMind 取得了一系列重要成就，其中最引人注目的可能是创造了 AlphaGo，这个程序在复杂的围棋游戏中击败了世界冠军李世石。围棋一直被认为是人工智能的“圣杯”，因为其棋盘上可能的局面非常多，并且现有的编程技术难以应对。

最近，DeepMind 将其人工智能转向蛋白质折叠，这是一项长达 50 年的科学重大挑战，即根据蛋白质的 1D 氨基酸序列预测蛋白质的 3D 结构。这是生物学中的一个重要问题，因为蛋白质对生命至关重要，几乎每一项生物功能都依赖于它们，而蛋白质的功能被认为与它的结构有关。2018 年 12 月，DeepMind 的工具 AlphaFold 成功预测了 43 种蛋白质中 25 种的最准确结构，赢得了第 13 届蛋白质结构预测技术关键评估 （CASP）。

——
EOF
——
你好，我是飞宇。日常分享C/C++、计算机学习经验、工作体会，欢迎点击此处查看我以前的学习笔记&经验&分享的资源。
我组建了一些社群一起交流，群里有大牛也有小白，如果你有意可以一起进群交流。
欢迎你添加我的微信，我拉你进技术交流群。此外，我也会经常在微信上分享一些计算机学习经验以及工作体验，还有一些内推机会。
加个微信，打开另一扇窗
经常遇到有读者后台私信想要一些编程学习资源，这里分享 1T 的编程电子书、C/C++开发手册、Github上182K+的架构路线图、LeetCode算法刷题笔记等精品学习资料，点击下方公众号会回复"编程"即可免费领取~
感谢你的分享，点赞，在看三连