AI時代的2024年諾貝爾物理學獎化學獎

　　人工智能正迅速走向超人智力階段。嘗試過 OpenAI-o1 的就知道它確實達到了博士水平  ---用復雜的物理數學問題檢測發現，它不僅是掌握了相關知識，還能夠探索式思考。復雜的數學計算對AI來說，毫無畏懼，再加上超強的物理思維能力,AI 讓人一次次震驚---而這僅僅是開始。這樣下去，不久的將來人類的一流科學家在 A I 面前可能如同人類圍棋最高手面對 AlphaGo。2024年諾貝爾物理學獎頒發給了 John J. Hopfield 與 Geoffrey E. Hinton，表彰二人在1980年代對人工神經網絡與機器學習的奠基性貢獻，凸顯 AI 時代已經來臨。

　　John Hopfield 是一名研究領域很寬的理論物理學家，早期的工作是在凝聚態物理方面，后又在生物化學領域耕耘。1982年，Hopfield 發表題為 "Neural networks and physical systems with emergent collective computational abilities"（"具有涌現集體計算能力的神經網絡和物理系統")的論文。這篇論文提出了一個不同于 perceptron 的神經網絡模型，各神經元互相連接(作用），非同時更新，能夠學習并模擬計算。這個模型基于系統局部能量最低點，可以說是零溫度模型。

　　Geoffrey E. Hinton 可能人們更加熟悉，他是人工智能領域的奠基者，機器學習中無所不在的 backpropagation 算法是他（重新）發現的。Hinton 獲得諾貝爾物理學獎的基于他在 1983-85年發表了一系列研究，其奠基性論文是 “A Learning Algorithm for Boltzmann Machines” （1985）。與合作者一起，他將 Hopfield 模型進行了發展，提出了 Boltzmann machine (波爾茨曼機器）。對 Boltzmann 不熟悉的可以查閱統計物理相關資料。顧名思義，Hinton 在模型中引入了溫度，這使模型可以跳出局部能量最低值，尋找全局最低值。自然界似乎遵循解析延宕（analytical continuation), 統計系統溫度的倒數對應于量子路徑的時間 (1/T --> i t)。在機器學習中引入溫度概念可能是突破性與決定性的。碼農們只知道 Transformer 運用中有時要調節溫度，現在應該知道溫度從何而來了 （當然，Transformer 模型訓練中，溫度并非跳出局部極值的機制，而是使用隨機 dropout 等方法）。Hinton 后來在機器學習領域持續耕耘，其后續貢獻諾貝爾委員會做了更多的介紹。機器學習的方法被運用于物理、化學等領域，解決了很多以前人們認為 intractable 的計算問題，如蛋白質折疊。

　　2024年諾貝爾化學獎頒給了在生物分子設計（包括蛋白質）上取得奠基性成就的 David Baker, 以及谷歌 AlphaFold 的開發者 Demis Hassabis 與 John M. Jumper。當年 AlphaGo 戰勝人類最高圍棋高手之后，開源了相關算法與代碼，市場上于是涌現了不少高水平AI圍棋。但圍棋只是一個試驗，谷歌開發者們接下來攻克的是蛋白質折疊的問題。蛋白質的功能與其空間構型密切相關。蛋白質折疊的問題就是給一段氨基酸序列，請問其蛋白質疊成什么三維形狀。與圍棋一樣，蛋白質折疊也曾被認為是 intractable 的計算問題  ---你知道基本原理，但是需要的算力遠遠超出了想象。蛋白質內原子作用無非是電子的薛定諤量子方程，基本原理約100年前就知道了，但計算量超出想象，以前只能用實驗方法去測定其三維構型。而實驗測定一個蛋白質的結構需要大量的人力物力時間，復雜的儀器與專家級專業人員。現在AlphaFold 使用機器學習+量子力學瞬間就能給出答案。這也導致不少“結構生物學”（Structural biology) 研究者們不得不另尋出路。有了 AlphaFold 以及其開放的源碼，David Baker的生物分子設計程序更是如虎添翼，設計各種生物分子變成了簡單的鼠標點擊，儼然扮演起了“造物主”的角色。

　　總的來說，AI 使人類文明進入了一個新的進化階段。未來人類的生存與發展--包括外星探索--取決于AI。如果人類與外星文明接觸，首先接觸的對象也應該是外星的AI。。。那些質疑為什么2024年諾貝爾物理、化學獎頒發給AI研究的人們可能還沒有意識到這一點。數年后，諾獎頒發給機器人也有可能。