划重点
01AI领域的杰出研究者杰弗里-辛顿和谷歌Deepmind创始人戴密斯-哈萨比斯分别获得诺贝尔物理学奖和诺贝尔化学奖。
02辛顿因在人工神经网络实现机器学习的基础性发现和发明而获奖，哈萨比斯则因在计算蛋白质设计和蛋白质结构预测领域的卓越贡献而获奖。
03由于辛顿不是传统意义上的物理学家，而是计算机科学领域的大师，他的获奖令人感到意外和引发讨论。
04另一方面，哈萨比斯的获奖意味着谷歌更不可能舍得和他分开，因为他在DeepMind的发展中发挥了重要作用。
05人工智能在科研领域的应用前景广阔，有望加速科学研究进程，为人类社会的进步做出更大的贡献。
以上内容由腾讯混元大模型生成，仅供参考
本期要点：AI推动科学进步的时代来了！
你好，我是王煜全，这里是王煜全要闻评论。
10月8日和9日，对于人工智能领域的研究者来说，无疑是振奋人心的两天。被称为“AI教父”的杰弗里-辛顿（Geoffrey E. Hinton）以及谷歌Deepmind的创始人、“AlphaGo之父”戴密斯哈萨比斯（Demis Hassabis）相继获得了诺贝尔物理学奖和诺贝尔化学奖。
具体说来，辛顿是和美国普林斯顿大学的教授约翰-霍普菲尔德（John J. Hopfield）一同获得诺贝尔物理学奖，因其“基于人工神经网络实现机器学习的基础性发现和发明”；哈萨比斯则是和戴维贝克（David Baker）以及同样来自Deepmind的研究者约翰乔普（John M. Jumper）一同获得诺贝尔化学奖，源于他们在“计算蛋白质设计”和“蛋白质结构预测”领域的卓越贡献。
对于我们的老读者以及特训营学员而言，辛顿和哈萨比斯应该都算是老熟人了。但辛顿被大众所熟知的身份，还是OpenAI前首席科学家伊尔亚苏茨克维（Ilya Sutskever）的导师。在近期的采访中，辛顿还不忘怼几句OpenAI的CEO Sam Altman，说他唯利是图，而苏茨克维的离开令他感到骄傲。辛顿的学习和学术历程也很奇特。他最初在剑桥大学学习生理学，但觉得无法解答自己关于大脑和认知的疑问，于是转入哲学系。但他又觉得哲学缺乏科学的严谨性和实证性，最终转入了心理学系。有意思的是，正是为了真正理解大脑的工作原理，辛顿才开始了人工智能领域的研究，并做出卓越贡献，最终获得了诺贝尔奖。由于辛顿不是传统意义上的物理学家，而是计算机科学领域的大师，所以他的获奖确实令人感到意外、也引发了不少讨论。开句玩笑，我甚至认为辛顿应该得生理学奖，因为他用人工智能模仿了人类的认知机制。再说到哈萨比斯，就更有意思了。我一直认为只有当他离开谷歌，谷歌才有可能避免未来的衰落，现在他获得诺奖了，看来谷歌更不可能舍得和他分开了。2010年，哈萨比斯在英国创立了DeepMind公司，并在2014年被谷歌收购。2016年，DeepMind所开发的AlphaGo战胜了韩国著名棋手李世石，一时风头无两。后来他们又开始了蛋白质结构预测工具的研发，并推出了AlphaFold。所以，哈萨比斯获得化学奖确实比较“名正言顺”。在2017年，三位科学家就因在冷冻电镜技术领域的杰出贡献而被授予诺贝尔化学奖，而这个技术的主要用途就是观察接近于生理状态的生物大分子，比如蛋白质和DNA的结构。相比之下，人工智能的适用性显然会更广，我们有理由相信它将在更多领域发挥重要作用。我们还可以大胆设想，辛顿都获奖了，未来像李飞飞这样的人工智能专家也有理由获得诺贝尔物理学奖，因为她用理性的方法实现了人工智能的飞跃，为科学研究带来了新的突破。如果这也成真了，将标志着人工智能在科学研究中的地位得到了进一步的认可。辛顿和哈萨比斯的获奖，标志着未来人工智能在科学研究中的应用前景将非常广阔。随着人工智能技术的不断进步，那些边界清晰、条件清晰、计算逻辑比较清晰、且数据量巨大的科学研究工作很有可能会被人工智能替代，而科学研究也将大幅加速。届时，科学家们将不再像爱因斯坦那样的强调科学的分析能力了，而是强调研究模式的设计，让人工智能去帮自己做分析和研究。换句话说，科学家也要开始强调“人类机器智商”了，否则，也有可能失业。例如，现在AlphaFold已经是生理学研究的重要工具。AlphaFold2已经有200万人使用，AlphaFold3也已经部分供科学家进行非商业性研究。在新冠疫苗研发的过程中，研究者就曾利用AlphaFold分析抗体与变异株S蛋白结合位点之间的相互作用，为新型疫苗设计提供了参考，加快了疫苗的研发进程。
当然，人工智能在科研领域的应用远不止于此。查阅文献、追踪研究前沿，耗费了科研人员大量的精力，而通过人工智能工具（如Iris.ai）就可以快速筛选文献，构建知识图谱，提高文献综述的效率。人工智能还能协助进行自动化实验设计，优化实验参数和流程，减少人为误差和资源浪费，从而加速材料科学、化学、生物学的研究，也能加快新药的研发。人工智能还能帮助科研人员从海量的数据中提取出关键结果。比如基因组数据通常包含大量的基因序列和表达信息，传统的分析方法往往难以处理。而通过机器学习的方法，研究人员能够识别与疾病相关的蛋白质结构，并为疾病诊断和治疗提供新的线索。这些只是人工智能在科研领域应用的初步阶段。我们期待随着人工智能在科研工作中的普及，它能够与科研工作形成“飞轮效应”，相互促进，协同发展。当然，这也意味着，要支持人工智能的计算和实验，科研经费也可能会猛增，因为要花大钱买GPU了。不过，从长远来看，这些投入都是值得的，因为这将极大加速科学研究，为人类社会的进步做出更大的贡献。相信你也看出来了，AI已经成为了所有人都应该掌握的工具。最后，做个小广告，快快锁定周日前哨AI小课直播，Tina老师将手把手教你掌握先进科技。王煜全要闻评论，我们明天见。
