10月8日，诺贝尔物理学奖授予了机器学习的发展。第二天，化学诺贝尔奖表彰了通过人工智能实现的蛋白质结构预测。对这种人工智能双重打击的反应可能已经在里氏震级上有所体现。
一些人认为，特别是物理学奖不是物理学。《纽约时报》总结道：“人工智能也正在向科学领域进军。” 一些不太温和的评论员更进一步：“物理学现在正式结束了，”一位旁观者在 X（前身为 Twitter）上宣称。一位物理学家开玩笑说，未来的物理学和化学奖项将不可避免地授予机器学习的进步。在给美联社的言简意赅的电子邮件中，新晋物理学奖得主和人工智能先驱杰弗里·辛顿发布了他自己的预言：“神经网络是未来。”
几十年来，人工智能研究一直是计算机科学中一个相对边缘的领域。其支持者经常兜售预言，认为人工智能最终将带来超人智能的曙光。突然之间，在过去的几年里，这些愿景变得生动起来。大型语言模型的出现及其强大的生成能力，引发了关于入侵人类成就所有分支领域的猜测。人工智能可以接收提示，吐出插图、文章、复杂数学问题的解决方案——现在，还可以提供诺贝尔奖级别的发现。人工智能是否已经接管了科学诺贝尔奖，甚至可能接管了科学本身？
支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
没那么快。在我们欣然宣誓效忠我们未来的仁慈的计算机霸主，或者避开自袖珍计算器以来的一切技术（顺便说一句，共同发明者杰克·基尔比获得了2000年物理学诺贝尔奖的一部分）之前，也许应该稍微谨慎一点。
首先，诺贝尔奖的真正奖励是什么？物理学奖授予了辛顿和约翰·霍普菲尔德，一位物理学家（也是美国物理学会前主席），他们发现了网络的物理动力学如何编码记忆。霍普菲尔德提出了一个直观的类比：一个球在崎岖不平的地面上滚动，通常会“记住”回到同一个最低的山谷。辛顿的工作扩展了霍普菲尔德的模型，展示了具有隐藏“层”的人工神经元的日益复杂的神经网络如何更好地学习。简而言之，物理学诺贝尔奖是授予关于信息物理原理的基础研究，而不是“人工智能”及其应用的广泛范畴。
与此同时，化学奖一半授予了生物化学家戴维·贝克，另一半授予了人工智能公司 DeepMind 的两位研究人员：计算机科学家兼 DeepMind 首席执行官德米斯·哈萨比斯，以及化学家兼 DeepMind 总监约翰· jumper。对于蛋白质来说，形式即功能，它们缠结的缕状物组装成精巧的形状，充当钥匙以适应无数的分子锁。但是，从氨基酸序列预测蛋白质的涌现结构非常困难——想象一下试图猜测一条链条将如何折叠起来。贝克首先开发了软件来解决这个问题，包括一个从头设计新型蛋白质结构的程序。然而，到 2018 年，在所有基因数据库中编目的约 2 亿种蛋白质中，只有约 15 万种（不到 0.1%）的结构得到证实。然后，哈萨比斯和 jumper 在预测蛋白质折叠挑战赛中首次推出了 AlphaFold。它的第一个迭代版本以巨大优势击败了竞争对手；第二个版本为剩余的 2 亿种蛋白质提供了高度准确的折叠结构计算结果。
AlphaFold 是“人工智能在科学领域开创性的应用”，一份关于蛋白质折叠的2023 年综述指出。即便如此，人工智能也有局限性；它的第二个迭代版本未能预测蛋白质中的缺陷，并且在“环”结构上遇到了困难，“环”结构对于药物设计至关重要。它不是解决蛋白质折叠中每个问题的灵丹妙药，而是一种卓越的工具，类似于多年来获得奖项的许多其他工具：2014 年物理学奖授予蓝色发光二极管（几乎在当今的每个 LED 屏幕中），或 2019 年化学奖授予锂离子电池（即使在手机闪光灯时代仍然必不可少）。
这些工具中的许多工具后来都消失在它们的应用中。当我们使用包含数十亿个晶体管的电子产品时，我们很少停下来考虑晶体管（1956 年物理学奖授予了晶体管）。一些强大的机器学习功能已经走上了这条道路。在流行的消费者软件程序中提供准确的语言翻译或令人毛骨悚然的歌曲推荐的神经网络只是服务的一部分；算法已经淡化到后台。在科学领域，就像在许多其他领域一样，这种趋势表明，当人工智能工具变得司空见惯时，它们也会淡化到后台。
仍然可能存在一个合理的担忧，即这种自动化，无论是微妙的还是公开的，都威胁到取代或玷污人类物理学家和化学家的努力。随着人工智能成为进一步科学进步不可或缺的一部分，是否会有任何奖项认可真正摆脱人工智能的工作？正如许多人——包括诺贝尔奖物理学家尼尔斯·玻尔和标志性的棒球运动员尤吉·贝拉——据报道所说的那样，“预测是困难的，尤其是关于未来的预测。”
人工智能可以彻底改变科学；对此毫无疑问。它已经帮助我们以前所未有的清晰度看到了蛋白质。很快，人工智能可能会构想出用于电池的新分子，或者在来自对撞机的数据中找到新的粒子——简而言之，它们可能会做很多事情，其中一些事情以前似乎是不可能的。但它们有一个关键的局限性，这与科学的美好之处有关：它对真实世界的经验依赖，这是仅靠计算无法克服的。
在某些方面，人工智能只能与它获得的数据一样好。例如，它不能使用纯粹的逻辑来发现暗物质的性质，暗物质是构成宇宙中 80% 物质的神秘物质。相反，它将不得不依赖于来自本质上是物理探测器的观测结果，该探测器的组件始终需要人工维护。为了发现真实世界，我们将始终不得不应对这种物质上的小故障。
科学也需要实验者——致力于研究宇宙的人类专家，他们会提出人工智能无法提出的问题。正如霍普菲尔德自己在2018 年的文章中解释的那样，物理学——科学本身，实际上——与其说是一个学科，不如说是一种“观点”，其核心精神是“世界是可以理解的”，这仅仅是通过认真的实验和观察，以定量的、可预测的方式。
那个真实的世界，以其无尽的庄严和神秘，仍然存在于未来的科学家去研究，无论是否借助人工智能。
这是一篇观点和分析文章，作者或作者表达的观点不一定代表《大众科学》的观点。