科学和天才都“不走寻常路”

  如果说诺贝尔物理学奖颁给AI学者是“打开了次元壁”，那么诺贝尔化学奖花落“AI+蛋白质”显然让大家达成了一致。

  北京时间10月9日晚，瑞典皇家科学院宣布，2024年诺贝尔化学奖将一分为二，一半授予戴维·贝克（David Baker），以表彰他“利用计算机进行蛋白质设计”的成就；另一半共同授予谷歌DeepMind公司的首席执行官德米斯·哈萨比斯（Demis Hassabis）和高级研究科学家约翰·M·詹珀（John M.Jumper），以表彰他们“在蛋白质结构预测方面的贡献”。

  其中，谷歌DeepMind团队获奖，正是基于大名鼎鼎的AlphaFold。

  AlphaFold是一项利用AI技术预测蛋白质三维结构的革命性工具，将蛋白质结构预测的准确率拉升到了史诗级高度，并且完全开源，为整个生物医学界贡献了堪称神奇的力量，相继帮助科学家们更加进一步探索抗生素的耐药性，还设计出了可以消化塑料的酶类蛋白质。

  虽然有网友调侃今年诺贝尔奖有“蹭AI热度”之嫌，但客观来说，物理奖和化学奖均与AI直接有关，恰恰证明了这项可望可及的巨大变革“正在彻底改变科学、工程和日常生活”。

  科学技术的基础研究与实际应用，从未像今天这样在AI领域得以清晰且协同的呈现。

  蛋白质是支撑人体基本生命活动的物质，它由20种氨基酸呈念珠状连接形成三维形状，而蛋白质的功能是由其形状决定的，因此，研究蛋白质形状长期以来都是医学和生物医学的显学。

  但这项工作在AlphaFold出现之前，实在是“又难又贵”，且准确率低。

  华南某知名大学一位博士研究生告诉21世纪经济报道记者，他从事的就是蛋白质折叠方面的研究，几乎每天都是在实验室里度过，经常要跟电子显微镜和X射线晶体分析仪打交道。

  2020年12月，詹珀在一场在线视频会议上向全球计算机科学家宣布了一项重大发现：从2018年初代版本升级而来的AlphaFold 2，能够直接从蛋白质的氨基酸序列中预测蛋白质的3D结构，达到原子级精度，且准确率超过90%，是紧随其后的对手的5倍。

  这一发现震惊了整个生物界、生物医学界。困扰人类50年历史的蛋白质折叠问题取得突破性进展，在此基础上进行药物设计成为可能。前述博士生说，他至今仍然记得业界当时听到这一条消息时的惊讶程度。

  过往颁发的诺贝尔化学奖也有多次与蛋白质研究相关，科学界和AI行业均对AlphaFold获得诺奖表达了高度一致的“心服口服”。

  多位AI头部企业相关负责人均告诉21世纪经济报道记者，AlphaFold能够拿下诺贝尔化学奖是实至名归。

  智源研究院原副院长刘江向21世纪经济报道记者表示，团队内部很早就在提“AI for Science”，AlphaFold获得诺奖只是一个开始，以后应该还会有更多借助/大模型解决重大科学问题的实践，“甚至人工智能本身也有几率会成为获奖者”。

  2024年5月，AlphaFold 3的研究成果发表于Nature杂志。它成功预测了所有生命分子的结构和相互作用，涵盖蛋白质、DNA、RNA、配体等“整个蛋白质宇宙”。

  AlphaFold 3在预测蛋白质-配体相互作用方面至少提高50%的准确率，对于一些关键的相互作用类别，预测准确率甚至提高了1倍以上。如果把AlphaFold 2与AlphaFold 3的进阶简单对比，相当于，前者是百万级训练数据集，后者的数据集则逼近亿级。

  AlphaFold模型是AI技术应用于生物信息科学领域的重要里程碑。它将极大地加速药物设计和基因组学研究进程，开启人工智能细胞生物学的崭新时代，带领人类进入到超越蛋白质的广泛生物分子。

  值得一提的是，AlphaFold 3完全开源，Google DeepMind推出了免费平台AlphaFold Server，供全世界的科学家利用它进行非商业性研究。前述博士生和导师也会访问该平台。但他表示，AlphaFold系列模型虽然强大，但没有任何办法取代生物实验本身，它的预测还离不开实验室的验证。

  戴维·贝克目前是华盛顿大学蛋白设计研究所所长，他的研究大多分布在在蛋白质设计领域。戴维·贝克和他的团队成功地构建了全新的蛋白质种类，这些蛋白质能够适用于药物、疫苗、纳米材料和传感器。

  戴维·贝克的成就，被称为“上帝之手”，直接从头设计了新型蛋白质，并且将科研成果成功转化为商业应用，极大地推动了蛋白质设计领域的进程。

  相比之下，德米斯·哈萨比斯在AI界要比在生物与化学界知名得多。他是谷歌DeepMind公司的联合发起人、首席执行官。约翰·M·詹珀是该公司的高级研究科学家，AlphaFold的第一作者。2021年，他被Nature列为年度榜单中的十大“重要人物”之一。

  2016年3月，DeepMind的人工智能机器人AlphaGo，以总比分4：1大胜当时世界上的排名前十的韩国围棋高手李世石，一战成名；2017年5月，AlphaGo又战胜了彼时世界上的排名第一的柯洁，正式开启了“AI战胜人类”的魔法盒。

  AlphaGo取胜的秘诀，正是“深度学习”，而AlphaFold的建树，也是基于深度学习。

  据了解，AlphaFold并未使用已经明确结构的蛋白质3D模型作为模板，而是通过将机器学习作为蛋白质结构预测网络的核心组成部分，让AlphaFold从数据中自行发现模式规律。

  他13岁时就成为了“国际象棋大师”，是该年龄组的世界第二；后来考进剑桥大学计算机系，毕业后创立了游戏公司，并开发出了知名度极高的《主题公园》《共和国：革命》等。

  在“人生”几近通关的当口，哈萨比斯又转身去攻读了神经科学博士，希望真正了解人类大脑的奥秘。其间，他开创性地发现了大脑中海马体与情景记忆间的关系，研究成果在2007年被顶级学术期刊《科学》评为“年度突破”。

  2010年，哈萨比斯开始将重心放到了AI领域，在伦敦联合发起创立了DeepMind，以“解决智能”为公司的终极目标。

  2014年1月，DeepMind被谷歌以4亿美元纳入麾下，但依然保持了相对独立运营。依托谷歌的资源和资金优势，哈萨比斯的研究团队开发出了震惊世界的AlphaGo、AlphaFold等系列工具。

  谷歌旗下所有研究AI模型的团队，都整合归入到哈萨比斯领导的DeepMind公司。“这有助于加快我们Gemini模型的开发，统一我们的机器学习基础设施和开发团队”，谷歌CEO桑达尔·皮查伊说。就在当月，谷歌宣布，将投入超过1000亿美元用于AI开发。

  哈萨比斯的AI之路依然长远。在与OpenAI的较量中，外界观点多认为谷歌目前暂时处于下风。由DeepMind开发的谷歌Gemini系列模型，虽在一些维度的测评中超过了OpenAI的GPT系列，但后者咄咄逼人的引领态势，需要谷歌耗费巨大的精力紧紧追赶。

  不只是OpenAI与Google DeepMind，不只是在硅谷，也不只是在美国，全世界范围内的基于深度学习的AI竞争，才刚刚开始。

  获得诺贝尔物理学奖的辛顿，被称为“AI教父”，曾在谷歌就职多年，与物理学还是有一些距离；霍普菲尔德则是在生物物理学和神经科学领域有所交叉。

  辛顿在回答觉得自身“是计算机科学家，还是试图了解生物学的物理学家”这样的一个问题时，称“我会说我是一个不太清楚自己从事什么领域，但致力于解决大脑工作原理问题的人”。

  同样，戴维·贝克最早的专业是哲学，甚至与理科也不搭边，但在生物化学研究这条路上，他确实创造了足够重磅的成就。

  小米大模型负责人栾剑告诉21世纪经济报道记者，霍普菲尔德和辛顿的早期工作推动了人工神经网络在AI领域的应用，在此基础上发展出的深度学习最终替代了各种传统的统计模型，成为行业主流。这其实是AI发展史上一个重要的里程碑。近年来，生成对抗网络、强化学习、大语言模型等一系列重大创新均基于此。“他们的贡献是有目共睹的。”

  智源AI研究院原副院长刘江强调，作为最高荣誉，诺奖给了科学界一个很好的启示：要有突破性创新，先盯住大问题，要说明方法工具就用什么，不用太考虑学科分界，做出成就是第一步。

  借用物理学、生物学、化学、AI等等工具，人类为解开生命奥秘正在行万里路。

  无论是从物理学理论出发，奠定了AI的基础；还是应用AI工具，革命性地解决了生物学难题，这些成就，最终都推动了人类科技的进步。

  “不走寻常路”的哈萨比斯，接受的家庭教育是“不要循规蹈矩”，他的妹妹是一名作曲家和钢琴演奏家，弟弟是创造性写作作家，他自己则在、神经科学、AI等领域成了“创新玩家”。