2024年诺贝尔化学奖揭晓！用AI“创造”蛋白质，AlphaFold开发者获奖！

化学奖再次凸显诺奖委员会对AI的青睐。David Baker利用AI构建出全新的蛋白质，Demis Hassabis和John Jumper任职于谷歌DeepMind，开发出AI模型AlphaFold2，来预测蛋白质的复杂结构。

文章正文

9日，瑞典皇家科学院宣布，将2024年诺贝尔化学奖授予David Baker，以表彰其在计算蛋白质设计方面的贡献，另一半则共同授予Demis Hassabis和John M. Jumper，以表彰他们在蛋白质结构预测方面的贡献。

诺奖官网称，今年的三位诺贝尔化学奖得主破解了蛋白质惊人结构的密码。2024年诺贝尔化学奖的主题是蛋白质——生命中精妙的化学工具。化学奖得主Baker成功完成了几乎不可能完成的任务，构建出了全新的蛋白质。

另外两位共同获奖者Hassabis和Jumper开发出AI模型AlphaFold2，来解决一个50年历史的问题：预测蛋白质的复杂结构。

Hassabis和Jumper任职于谷歌DeepMind，昨日的诺贝尔物理学奖颁给了“AI教父”，这再次凸显了诺贝尔奖对人工智能的青睐。

David Baker：计算设计蛋白质，为人类健康开辟新篇章

Baker出生于西雅图，1984年获得哈佛大学学士学位，1989年获得加州大学伯克利分校生物化学博士学位，目前在在华盛顿大学担任蛋白质设计研究所所长。

他因开发从头设计自然界从未出现的新型蛋白的技术，获得2020年科学突破奖生命科学奖，并首次使用生成式AI从头设计出了全新的抗体，有望让AI从头设计蛋白进入抗体药物市场。

他还堪称蛋白质设计领域“鼻祖级”人物，比DeepMind更早提出了预测和设计蛋白质三维结构的方法，甚至设计出了一款比AlphaFold更早的蛋白结构设计算法——RoseTTAFold。

他的研究小组创造出了一个又一个富有想象力的蛋白质，包括可用作药物、疫苗、纳米材料和微型传感器的蛋白质。

Baker在获奖新闻发布会上表示：“蛋白质设计能够让世界在健康、医学以及外部技术领域变得更加美好，对此我感到非常兴奋。”

颁奖仪式结束后，当一名记者问他是否有最喜欢的蛋白质时，他回答说：“我喜欢所有的蛋白质，我不想挑最喜欢的。”

“蛋白质是使生命得以存在的分子。”诺贝尔化学奖委员会主席Heiner Linke在谈到Baker的贡献时表示：

“他开发的计算工具现在使科学家能够设计出具有全新形状和功能的新型蛋白质，为人类的最大福祉开辟了无限的可能性。”

AlphaFold2：用AI破解蛋白质折叠难题

Hassabis于1976年出生于伦敦，毕业于剑桥大学计算机科学专业。2010年，Hassabis与他人共同创立了DeepMind，四年后，谷歌以6.5亿美元收购了该公司。

DeepMind的目标是打造通用人工智能，即能够完成人类大脑所能完成的任何事情的AI。该公司还探索了其他有助于实现这一目标的技术，其中一项技术就是AlphaFold。

Jumper出生于美国，2017年，他以研究员身份加入该实验室，并与Hassabis等人一起研究AlphaFold。

2020年，Demis Hassabis和John Jumper提出了一个名为AlphaFold2的AI模型。借助它，他们能够预测研究人员发现的几乎所有2亿种蛋白质的结构。

委员会在颁奖稿中写道：

自他们取得突破以来，AlphaFold2已被来自190个国家的200多万人使用。在众多科学应用中，研究人员现在可以更好地了解抗生素耐药性并创建可以分解塑料的酶的图像。

AlphaFold2能够直接从蛋白质的氨基酸序列中预测蛋白质的3D结构，并且达到原子级精度，被认为解决了困扰人类50年历史的蛋白质折叠挑战，迅速推进了人类对基本生物过程的理解，并促进药物设计。

在该模型出现之前，科学家们要花几个月甚至几十年的时间来精确定位单个蛋白质的形状，而AlphaFold2可以在几个小时甚至几分钟内完成这项工作。

2024年5月，Jumper的团队发布了AlphaFold3，除了蛋白质之外，它还可以预测其他分子，如DNA和RNA。与它的前身不同，AlphaFold3不是开源的。

去年的诺贝尔化学奖颁给了Moungi Bawendi、Louis Brus和Aleksey Ekimov，以表彰他们发现了名为“量子点”的微小粒子。量子点如今被广泛用于在平板屏幕、发光二极管（LED）灯等。

 

人工智能界迎来历史性时刻！周二，2024年诺贝尔物理学奖颁给了AI教父。

诺贝尔物理学委员会（Nobel Committee for Physics）宣布，授予John Joseph Hopfield和Geoffrey E. Hinton诺贝尔物理学奖，以表彰他们“利用人工神经网络实现机器学习的基础性发现和发明”。

诺贝尔委员会表示：“今年的两位诺贝尔物理学奖获得者利用了物理学方法来寻找信息的特征，构建了为当今强大的机器学习奠定基础的方法。”

在颁奖时，该委员会指出，机器学习“长期以来一直对研究很重要，包括对大量数据的排序和分析。”

Hopfield提出的“Hopfield神经网络”，以相当于物理学中自旋系统能量的方式进行描述，Hinton则在Hopfield神经网络的基础上开发了一种新的神经网络“玻尔兹曼机”，玻尔兹曼机可以学习给定数据类型的特征元素，可以用来分类图像或创建新材料。这一技术推动了机器学习的爆炸式发展，掀起了广为人知的深度学习革命。

John J. Hopfield：Hopfield网络之父

John Joseph Hopfield生于1933年7月15日，于1954年获得斯沃斯莫尔学院物理学学士学位，1958年在康奈尔大学获得博士学位。

Hopfield现任美国普林斯顿大学教授，因在物理学和神经网络领域的贡献而闻名。1982年，John Hopfield提出了Hopfield网络，对人工智能和神经网络的发展影响深远。

这种网络模仿了人类的记忆机制，类似于大脑中神经元之间的突触连接，通过调整网络中节点间的连接，能够存储和恢复图像及其他数据模式。Hopfield网络引入了精确的二值神经元和能量函数的概念，是人类对大脑计算过程研究的开创性工作。

委员会成员在颁奖稿中写道：

Hopfield发明了一种网络，它使用一种保存和重新创建模式的方法。我们可以将节点想象成像素。Hopfield网络利用物理学来描述材料由于原子自旋而产生的特性——这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，并通过寻找节点之间连接的值来进行训练，以便保存的图像具有较低的能量。

当Hopfield网络被输入扭曲或不完整的图像时，它会有条不紊地处理节点并更新它们的值，从而降低网络的能量。因此，网络逐步找到与输入的不完美图像最相似的保存图像。

“AI三教父”之一：Geoffrey Hinton

Geoffrey Hinton也被广泛称作“神经网络之父”、“AI教父”，是人工智能和深度学习领域的领军人物之一，他的学生和后辈遍布现在整个AI学术界和工业界。

Geoffrey Hinton于1947年出生于英国，现任加拿大多伦多大学教授。他曾在谷歌工作了近10年的时间，担任副总裁兼工程研究员职务，帮助谷歌在图像识别、语音识别等人工智能领域取得重大进展。

2018 年，因在深度学习领域的开创性贡献，Hinton与LeCun和Bengio一起获得了图灵奖，该奖通常被称为“计算界的诺贝尔奖”，以表彰他们在人工智能领域的卓越贡献。

委员会写道：

Geoffrey Hinton使用Hopfield网络作为使用不同方法的新网络的基础：玻尔兹曼机，可以学习识别给定数据类型中的特征元素。

Hinton使用了统计物理学中的工具，统计物理学是由许多类似组件构建的系统科学，通过向机器提供机器运行时极有可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型的新示例。

Hinton以这项工作为基础，帮助启动了当前机器学习的爆炸性发展。

对人工智能基础研究的重要肯定

Hinton周二在电话中告诉委员会，他对获得该奖项的消息感到“震惊”，“我不知道会这样。”

他是在加州的一家“廉价酒店”发表讲话的。“我本来今天要做核磁共振扫描，但我想我得取消了。”

委员会表示，这两位获奖者都为机器学习奠定了基础：Hopfield“创造了一种可以存储和重建信息的结构”，而Hinton“发明了一种可以独立发现数据属性的方法，这种方法对于现在使用的大型人工神经网络来说已经变得很重要。”

诺贝尔物理学奖委员会主席Ellen Moons表示：

“获奖者的工作已经产生了巨大的效益。在物理学领域，我们将人工神经网络应用于广泛的领域，例如开发具有特定属性的新材料。”

Geoffrey Hinton和John Joseph Hopfield两位科学家荣获诺贝尔奖，不仅是对他们个人成就的肯定，更是对人工智能研究价值的国际认可。在未来，人工智能技术或许会对人类社会产生越来越深远的影响。