科學和天才都“不走尋常路”
如果說諾貝爾物理學獎頒給AI學者是“打開了次元壁”，那麼諾貝爾化學獎花落“AI+蛋白質”顯然讓大家達成了一致。
北京時間10月9日晚，瑞典皇家科學院宣佈，2024年諾貝爾化學獎將一分爲二，一半授予戴維·貝克（David Baker），以表彰他“利用計算機進行蛋白質設計”的成就；另一半共同授予谷歌DeepMind公司的首席執行官德米斯·哈薩比斯（Demis Hassabis）和高級研究科學家約翰·M·詹珀（John M.Jumper），以表彰他們“在蛋白質結構預測方面的貢獻”。
其中，谷歌DeepMind團隊獲獎，正是基於大名鼎鼎的AlphaFold。
AlphaFold是一項利用AI技術預測蛋白質三維結構的革命性工具，將蛋白質結構預測的準確率拉昇到了史詩級高度，並且完全開源，爲整個生物醫學界貢獻了堪稱神奇的力量，相繼幫助科學家們更加深入瞭解抗生素的耐藥性，還設計出了可以消化塑料的酶類蛋白質。
雖然有網友調侃今年諾貝爾獎有“蹭AI熱度”之嫌，但客觀來說，物理獎和化學獎均與AI直接有關，恰恰證明了這項可望可及的巨大變革“正在徹底改變科學、工程和日常生活”。
科學技術的基礎研究與實際應用，從未像今天這樣在人工智能領域得以清晰且協同的呈現。
AI解開“蛋白質之謎”
蛋白質是支撐人體基本生命活動的物質，它由20種氨基酸呈念珠狀連接形成三維形狀，而蛋白質的功能是由其形狀決定的，因此，研究蛋白質形狀長期以來都是醫學和生物醫學的顯學。
但這項工作在AlphaFold出現之前，實在是“又難又貴”，且準確率低。
華南某知名大學一位博士研究生告訴21世紀經濟報道記者，他從事的就是蛋白質摺疊方面的研究，幾乎每天都是在實驗室裡度過，經常要跟電子顯微鏡和X射線晶體分析儀打交道。
2020年12月，詹珀在一場在線視頻會議上向全球計算機科學家宣佈了一項重大發現：從2018年初代版本升級而來的AlphaFold 2，能夠直接從蛋白質的氨基酸序列中預測蛋白質的3D結構，達到原子級精度，且準確率超過90%，是緊隨其後的對手的5倍。
這一發現震驚了整個生物界、生物醫學界。困擾人類50年曆史的蛋白質摺疊問題取得突破性進展，在此基礎上進行藥物設計成爲可能。前述博士生說，他至今仍然記得業界當時聽到這個消息時的驚訝程度。
過往頒發的諾貝爾化學獎也有多次與蛋白質研究相關，科學界和AI行業均對AlphaFold獲得諾獎表達了高度一致的“心服口服”。
多位AI頭部企業相關負責人均告訴21世紀經濟報道記者，AlphaFold能夠拿下諾貝爾化學獎是實至名歸。
智源人工智能研究院原副院長劉江向21世紀經濟報道記者表示，團隊內部很早就在提“AI for Science”，AlphaFold獲得諾獎只是一個開始，以後應該還會有更多借助人工智能/大模型解決重大科學問題的實踐，“甚至人工智能本身也可能成爲獲獎者”。
2024年5月，AlphaFold 3的研究成果發表於Nature雜誌。它成功預測了所有生命分子的結構和相互作用，涵蓋蛋白質、DNA、RNA、配體等“整個蛋白質宇宙”。
AlphaFold 3在預測蛋白質-配體相互作用方面至少提高50%的準確率，對於一些關鍵的相互作用類別，預測準確率甚至提高了1倍以上。如果把AlphaFold 2與AlphaFold 3的進階簡單對比，相當於，前者是百萬級訓練數據集，後者的數據集則逼近億級。
AlphaFold模型是AI技術應用於生物信息科學領域的重要里程碑。它將極大地加速藥物設計和基因組學研究進程，開啓人工智能細胞生物學的嶄新時代，帶領人類進入到超越蛋白質的廣泛生物分子。
值得一提的是，AlphaFold 3完全開源，Google DeepMind推出了免費平臺AlphaFold Server，供全世界的科學家利用它進行非商業性研究。前述博士生和導師也會訪問該平臺。但他表示，AlphaFold系列模型雖然強大，但無法取代生物實驗本身，它的預測還離不開實驗室的驗證。
“深度學習”的魅力
戴維·貝克目前是華盛頓大學蛋白設計研究所所長，他的研究主要集中在蛋白質設計領域。戴維·貝克和他的團隊成功地構建了全新的蛋白質種類，這些蛋白質可以用於藥物、疫苗、納米材料和傳感器。
戴維·貝克的成就，被稱爲“上帝之手”，直接從頭設計了新型蛋白質，並且將科研成果成功轉化爲商業應用，極大地推動了蛋白質設計領域的進程。
相比之下，德米斯·哈薩比斯在AI界要比在生物與化學界知名得多。他是谷歌DeepMind公司的聯合創始人、首席執行官。約翰·M·詹珀是該公司的高級研究科學家，AlphaFold的第一作者。2021年，他被Nature列爲年度榜單中的十大“重要人物”之一。
DeepMind早年享譽全球，離不開那場世界關注的圍棋大賽。
2016年3月，DeepMind的人工智能機器人AlphaGo，以總比分4：1大勝當時世界排名前十的韓國圍棋高手李世石，一戰成名；2017年5月，AlphaGo又戰勝了彼時世界排名第一的柯潔，正式開啓了“AI戰勝人類”的魔法盒。
AlphaGo取勝的秘訣，正是“深度學習”，而AlphaFold的建樹，也是基於深度學習。
據瞭解，AlphaFold並未使用已經明確結構的蛋白質3D模型作爲模板，而是通過將機器學習作爲蛋白質結構預測網絡的核心組成部分，讓AlphaFold從數據中自行發現模式規律。
而哈薩比斯本人與深度學習的結緣，顯得極其特立獨行。
他13歲時就成爲了“國際象棋大師”，是該年齡組的世界第二；後來考進劍橋大學計算機系，畢業後創立了遊戲公司，並開發出了知名度極高的《主題公園》《共和國：革命》等。
在“人生遊戲”幾近通關的當口，哈薩比斯又轉身去攻讀了神經科學博士，希望真正瞭解人類大腦的奧秘。其間，他開創性地發現了大腦中海馬體與情景記憶間的關係，研究成果在2007年被頂級學術期刊《科學》評爲“年度突破”。
2010年，哈薩比斯開始將重心放到了人工智能領域，在倫敦聯合發起創立了DeepMind，以“解決智能”爲公司的終極目標。
2014年1月，DeepMind被谷歌以4億美元納入麾下，但依然保持了相對獨立運營。依託谷歌的資源和資金優勢，哈薩比斯的研究團隊開發出了震驚世界的AlphaGo、AlphaFold等系列工具。
哈薩比斯團隊的故事還在繼續。
2023年4月，在OpenAI勢如破竹的攻勢下，谷歌宣佈將Google Brain和DeepMind進行合併，成立名爲Google DeepMind的新部門。
谷歌旗下所有研究AI模型的團隊，都整合歸入到哈薩比斯領導的DeepMind公司。“這有助於加快我們Gemini模型的開發，統一我們的機器學習基礎設施和開發團隊”，谷歌CEO桑達爾·皮查伊說。就在當月，谷歌宣佈，將投入超過1000億美元用於AI開發。
哈薩比斯的AI之路依然長遠。在與OpenAI的較量中，外界觀點多認爲谷歌目前暫時處於下風。由DeepMind開發的谷歌Gemini系列模型，雖在一些維度的測評中超過了OpenAI的GPT系列，但後者咄咄逼人的引領態勢，需要谷歌耗費巨大的精力緊緊追趕。
不只是OpenAI與Google DeepMind，不只是在硅谷，也不只是在美國，整個世界範圍內的基於深度學習的AI競爭，纔剛剛開始。
“創新”纔是王道
本屆諾貝爾獎在“破次元壁”方面當屬領先，學科分界成爲了網友熱議的話題。
獲得諾貝爾物理學獎的辛頓，被稱爲“AI教父”，曾在谷歌就職多年，與物理學還是有一些距離；霍普菲爾德則是在生物物理學和神經科學領域有所交叉。
而獲得諾貝爾化學獎的哈薩比斯，他本人的經歷也與傳統化學領域相距甚遠。
但在學科高度跨界的今天，科學的定義開始有了新的趨勢。
辛頓在回答認爲自己“是計算機科學家，還是試圖瞭解生物學的物理學家”這個問題時，稱“我會說我是一個不太清楚自己從事什麼領域，但致力於解決大腦工作原理問題的人”。
同樣，戴維·貝克最早的專業是哲學，甚至與理科也不搭邊，但在生物化學研究這條路上，他確實創造了足夠重磅的成就。
小米大模型負責人欒劍告訴21世紀經濟報道記者，霍普菲爾德和辛頓的早期工作推動了人工神經網絡在AI領域的應用，在此基礎上發展出的深度學習最終替代了各種傳統的統計模型，成爲行業主流。這其實是AI發展史上一個重要的里程碑。近年來，生成對抗網絡、強化學習、大語言模型等一系列重大創新均基於此。“他們的貢獻是有目共睹的。”
科學的大趨勢在於，學科之間正在高度交融，創新與突破纔是目標與本質。
智源人工智能研究院原副院長劉江強調，作爲最高榮譽，諾獎給了科學界一個很好的啓示：要有突破性創新，先盯住大問題，需要什麼方法工具就用什麼，不用太考慮學科分界，做出成就是第一步。
借用物理學、生物學、化學、AI等等工具，人類爲了解開生命奧秘正在行萬里路。
無論是從物理學理論出發，奠定了AI的基礎；還是應用AI工具，革命性地解決了生物學難題，這些成就，最終都推動了人類科技的進步。
“不走尋常路”的哈薩比斯，接受的家庭教育是“不要循規蹈矩”，他的妹妹是一名作曲家和鋼琴演奏家，弟弟是創造性寫作作家，他自己則在遊戲、神經科學、AI等領域成了“創新玩家”。
或許，諾貝爾獎的新變化，不只在硬科技層面，更深遠的啓迪已經泛起了漣漪。