人工智能怎么算物理学？诺贝尔物理学奖和化学奖都发给了AI|人工智能|人工神经网络

今年的诺贝尔奖AI成了最大赢家，让那些问AI今年谁能获得诺贝尔奖的人大跌眼镜，原来获奖者竟是AI自己。

先是物理学奖，颁发给了“神经网络之父”约翰·霍普菲尔德（John J. Hopfield）和“深度学习之父”杰弗里·辛顿（Geoffrey E. Hinton），以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。

接下来，化学奖又被授予戴维·贝克（David Baker）、德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M. Jumper），以表彰他们“破解了蛋白质结构密码”。其中德米斯·哈萨比斯是谷歌下属前沿AI公司DeepMind的CEO，约翰·江珀是开发人工智能模型AlphaFold的工程师。

人工智能怎么算物理学？

很显然，人工神经网络并非传统物理学的任何一个分支领域。奖项公布后，被人戏称诺贝尔物理学奖在抢图灵奖的饭碗。连获奖者霍普菲尔德本人接到诺奖电话时也说“我没有想到”。

当我们谈论人工智能时，我们通常指的是使用人工神经网络的机器学习。这项技术最初是受大脑结构的启发。大脑的神经网络是由活细胞、神经元构成，通过突触相互传递信号。当我们学习东西时，一些神经元节点之间的联系会增强或减弱。在人工神经网络中，大脑的神经元由具有不同值的节点表示。节点之间相互连接，当网络被训练时，同时活跃的节点之间的连接会变得更强，否则会变弱。

霍普菲尔德1982年设计了Hopfield神经网络模型，这个网络模拟人类的联想记忆机制，通过调整网络中节点间的连接，就能存储和恢复图像及其他模式的数据。这个模型就是当今人工神经网络的基础模型。

而辛顿的多项研究成果推动了基于深度学习的人工智能技术的快速发展。他为用于训练多层神经网络的“反向传播算法”做了最重要的推广。并基于Hopfield网络开发了第一个生成式神经网络“玻尔兹曼机”。还证明了深度信念网络架构的人工智能能超过传统的带核函数的人工智能。

那么人工智能真的属于物理学吗？从原理层面看，神经网络之所以能产生智能是一种涌现现象。涌现现象是指宏观系统的整体特性，无法简单地通过组成它的微观个体的性质叠加来解释，通俗地讲就是量变产生质变、大力出奇迹。涌现在凝聚态中非常常见，而霍普菲尔德本就是凝聚态物理学家，人工智能也就算是物理学应用了。而且人工神经网络是一个混沌系统，研究混沌系统更是物理学的研究范畴。这么算给人工智能发一个物理学奖也不是不能接受。

AI预测蛋白质结构

在蛋白质中，氨基酸连接成长串，然后折叠起来形成三维结构，而蛋白质三维结构决定了蛋白质的功能。就像一张纸折成纸飞机还是千纸鹤决定了它的功能。自20世纪70年代以来，研究人员一直试图通过氨基酸序列预测蛋白质结构，但是极为困难。

德米斯·哈萨比斯和约翰·江珀开发了一个名为AlphaFold的人工智能模型。他们把能够找到的所有氨基酸序列数据库作为一维信息都喂给AI，让AI在所有已经测定的蛋白质PDB结构数据库中找出这些序列的二维距离也就是主链角度（蛋白质折叠的角度）。

通过深度学习，AlphaFold2根据输入的一维序列数据就能预测出蛋白质的三维结构，其准确率高于90%，这和人类用冷冻电镜测出的蛋白质结构准确度仅差几个分子。在它的帮助下，DeepMind已经预测了出了几乎所有2亿种蛋白质的结构，他们免费公开了包括人类和几十种主要实验动物所有蛋白质的数据库，其可信度达94%。