这两天的诺贝尔奖正在颠覆从业者的认知。

10月8日，2024年诺贝尔物理学奖颁给了AI领域的“人工神经网络”，10月9日，化学奖颁给了“蛋白质设计和蛋白质结构预测领域”，一半奖项属于谷歌旗下的AI团队DeepMind。

“物理学不存在了。”物理学奖揭晓后，不少圈内人士都转发了出自《三体》的这一名句，表达自己的意外。在奖项发布之前，一位博主表示，自己在全网看了这么多预测，以及周围里里外外一圈物理人，“就没一个预测对的”。

在物理学奖之后，诺贝尔化学奖颁给蛋白质结构预测，似乎显得顺理成章了。“如果说诺贝尔物理学奖颁给了机器学习让人眼前一黑，但诺贝尔化学奖颁给AI用于蛋白质结构预测和蛋白质设计，就是眼前一亮了。”冷哲是华大基因旗下科普教育平台爱博物联合创始人、科普作家，他的感受是，DeepMind的AlphaFold揭开了生命科学领域飞跃的一个序幕，获诺贝尔奖是实至名归。

这一届诺贝尔奖，由于AI的存在引起了不少的争议和讨论。为什么是AI？“时代的主流就是AI，出场率高也正常。”华南理工大学物理系姚尧教授对第一财经表示。知乎答主@卜寒兮是计算机视觉博士，他认为，这已经超出了学科讨论的范畴，一个已成的事实是AI 已经几乎渗透到越来越多的学科，而且产生了不可忽视的影响。

“如果非要回答为什么 Hinton（辛顿）能获得2024年的诺贝尔物理学奖？那我只能说现在 AI 的影响力太大了。”@卜寒兮说。

AI成诺贝尔奖最大赢家？

今年物理学诺贝尔奖引发的争议最多。

据诺贝尔奖官方，约翰·霍普菲尔德（John J. Hopfield）与杰弗里·辛顿（Geoffrey E. Hinton）因“使用物理学训练人工神经网络”获奖。值得注意的是，辛顿被称为“AI教父”，也是2018年图灵奖得主，不过他此前的学术经历并不包括物理学，而是聚焦人工智能。

诺贝尔奖官方解释，今年的两位诺贝尔物理学奖得主利用物理学工具开发了今天强大机器学习的基础方法，“基于人工神经网络的机器学习目前正在彻底改变科学、工程和日常生活，例如开发具有特定属性的新材料”。

一位毕业于北大物理学院的博士表示，自己朋友圈里有相当一部分人都是学物理的，据他观察，往年诺贝尔奖公布后，大部分人顶多就是动动手指转发，但今年诺贝尔物理学奖大家基本都会评论（负面评论居多），是近些年来讨论度最高的，“物理学奖给了搞人工智能的，所有物理学子领域的人都不干了”。

“真的很意外，学物理和学计算机的人都沉默了。”一位认证为中国科学院大学工学博士的博主表示，“怎么看都觉得官方的理由有点牵强”，大家所理解的“物理”都较传统，在奖没出来前，都觉得今年的物理学奖应该是自旋电子、反常霍尔效应、拓扑绝缘体等等当中的一个。人工神经网络好像不是大家所理解的“物理”。

在物理学奖项给了AI之后，冷哲就预测，“化学奖项给AlphaFold也不算突兀了”，如果机器学习在物理学层面属于锦上添花的帮助的话，在生物领域，尤其是蛋白质领域，AI就是“雪中送炭”了，或者可以用颠覆性的成果来评价。

10月9日公布的诺贝尔化学奖，被授予大卫·贝克（David Baker）、戴米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M.Jumper），以表彰他们在蛋白质设计和蛋白质结构预测领域作出的贡献。哈萨比斯是谷歌旗下AI团队 DeepMind的联合创始人兼CEO，江珀也是DeepMind成员，他们开发了模型AlphaFold，用以预测蛋白质的复杂结构。

对于AlphaFold的划时代意义，冷哲解释，AlphaFold的出现扭转了大家对于蛋白质结构不可预测的一个刻板印象，甚至当时一度传出来结构生物学从业者要失业的评价。而这只是一个简单的开端，当看到有学者尝试用AlphaFold2来逆向设计工程蛋白质结构的时候，“忽然觉得，生物工程，或者叫蛋白质工程学的春天终于到来了。”

现在的蛋白质工程学从“discovery”走到了“design”的阶段，也就是说，行业可以运用AI去设计一个耐高温、耐低温、发各种颜色的光，或者去靶向各种癌细胞，去治疗人类的各种疾病。“虽然现在能做的还不多，但这是0和1的本质上的区别。”冷哲认为，未来AI for Science，已经是不可阻挡的趋势了。

不过，虽然蛋白质结构预测有其行业意义，但毕竟出现还不久，拿诺贝尔这样等级的奖在从业者眼里仍然有些意外。

科普账号biokiwi负责人吴海旭也是遗传学专业的博士，他一开始就认为蛋白质结构预测大概率能获奖，但他同时也会觉得这个获奖的时机稍微有些早。

“按照预测的逻辑，一般会查诺奖风向标拉斯克奖，他们也获奖了，而从实际意义上，这一研究解决了结构生物学一直卡脖子的问题，获奖也有其道理。”但吴海旭表示，蛋白质结构预测开始普遍应用也就三年前，这一点其实和以往大部分诺贝尔奖的风格不太一样。因为诺贝尔奖更多是考虑机制上有重大突破，研究成果成熟，且成果实实在在地给造福了人类的。而这一点上AI预测设计蛋白质，可以说突破巨大，但应用还没有完全实现，毕竟生物药物的研发周期很长。

一名西北农林科技大学生物学研究人员也告诉记者，此次诺贝尔化学奖有些出乎他的意料，一方面，诺贝尔物理学奖已经颁给神经网络机器学习领域，AlphaFold基于神经网络开发，如此未免太偏爱AI。另一方面，这次诺贝尔化学奖虽然实至名归，但AlphaFold问世才3年，显得“稍早”。诺奖在与生物有关的领域向来偏向实验科学，如今颁给计算生物学领域，还是AI领域，显示向AI时代、虚拟化转型的想法，可能算力、算法未来会更多出现在诺奖中。

”在生物学领域，有些人认为做实验的方式更好，做计算、AI则是‘取巧’。“另有生物学研究者告诉记者。

知乎答主@博丽灵梦本科毕业于北京大学，目前从事化学相关方向，对于AlphaFold获奖，她对第一财经记者表示，“其实不太惊讶，只是感觉对于诺奖的节奏而言似乎有点太早了，肯定有一些所谓的传统物理/化学领域的工作者会有点心情复杂。”

为什么今年诺贝尔奖格外关注AI？圈内有一些非正式的传言玩笑称，诺贝尔基金会需要通过理财来发每年的奖金，基金会或许重仓了AI相关股票。@博丽灵梦也听闻了这一调侃，不过在她看来，一个合理得多的推断是，诺奖基金会也某种程度上有引领科学方向的责任，所以在这个AI的关键节点上集中发奖，也无可非议。

物理学边界正在扩张

在大部分人看不懂这次诺贝尔物理学奖颁给AI时，也有一小部分人认同并支持这一颁奖结果。

“谁来定义物理？显然不应该由躺在一个旧领域刷论文KPI的人。”作为物理系教授，姚尧撰文表示，诺奖的初衷还是要这项科学成果服务于人类的，而不是服务于出版商和学术利益集团。如果旧领域确实已经不足以产生比肩前辈的对人类有影响力的应用成果，那就是时候扩大这个学科的内涵了。

“今天的奖是最近让我最畅快的事了，有一种整个暮气沉沉的领域突然活过来的爽感。”姚尧在颁奖当天发文表示。

对于物理奖颁给神经网络的合理性，姚尧对记者解释道，启发式神经网络其实是沿着玻尔兹曼的统计物理思想一路发展起来的，它的发展已有近两百年的历史，是属于传统物理的研究内容，只是拓展到了新的研究内涵。

“当然，由于统计物理长期在整个物理学中的从业人数过少，大多数的从业者并不熟悉这个方面的进展，所以才产生了这些疑问。”姚尧说。

香港科技大学（广州）助理教授谢泽柯在知乎撰文解释，此次诺贝尔物理学奖产生争议背后，大多数做物理的人不做统计物理，大多数做AI的人也没碰过理论机器学习。统计物理和理论机器学习在物理和AI圈子里都是少数派，而此次诺贝尔物理学奖恰是统计物理、理论机器学习的交叉。

“经历过本科物理、博士深度学习理论、成为AI方向博士生导师这条少数人走的路，我可能是少数觉得今年诺贝尔物理学奖颁得理直气壮、理所应当的。”谢泽柯表示。洛桑联邦理工学院物理学博士梁师翎也撰文称“我们搞统计物理的‘开香槟’了。”

物理和生物领域一些研究者认可此次诺奖评选结果，认为诸如物理学这种基础学科正在扩展自身边界，机器学习已被纳入研究范畴或已对该领域研究工作产生影响。

梁师翎告诉记者，机器学习发展最初很大程度上受物理启发，两位诺贝尔物理学奖得主中，约翰是物理学家，他基于物理学里的模型构建可以”学习和记忆“的系统，辛顿的工作也与物理有很深的联系。从物理角度出发研究机器学习，是把“人工神经网络”当作一个客观对象去其理解工作原理并阐释为何有效。三年前的物理诺奖得主Giorgio Parisi就是做统计物理，并大力发展了对“spin glass”（自旋玻璃）领域的研究。这个学派现在有很多人转向机器学习研究，通过spin glass的方法论研究机器学习训练过程。

“物理方式处理机器学习是一个正在崛起的领域，特别是统计物理。统计物理涵盖面比很多人理解的广很多。从细胞层面的性质到宏观鸟群/鱼群的运动、交通网络阻塞等都是统计物理研究范畴，研究机器学习也不奇怪。” 梁师翎表示，实际上，很多新兴学科早期发展都由物理学推动，如机器学习、神经科学乃至量化金融，物理学的边界不断扩张。

“一方面AI拿奖名副其实，另一方面也是诺奖委员会不愿意错过机器学习作为一种新学科崛起的浪潮。”谢泽柯告诉记者。

理论物理博士刘易安则告诉记者，就基础学科而言，AI并没有给出新的突破性理论，每年有好几千篇甚至更多关于AI在物理学中应用的文章发表，但真正突破现有物理学框架的，AI还没有做到。从这个角度看，这次诺奖很大程度上是一种鼓励。

“诺奖委员会可能认为未来AI进入基础科学领域是大势所趋，通过AI可能有新的物理（发现）出来。AI作为新工具，可能改变人们思考的方式，并不局限于物理学本身。AI更是一个交叉学科，涉及数学、物理、计算机等领域，诺奖未来也可能偏向颁发给这种交叉学科。”刘易安称。

AI终于成为科学了

就诺贝尔化学奖颁发给AI领域的科学家，一些化学或生物领域的研究者也认为有合理性。

就科学家利用AI技术，基于AlphaFold在蛋白质预测领域的贡献获得诺奖，西北农林科技大学生物学研究人员告诉记者，AlphaFold本身的首创、影响力、高应用价值符合诺奖的颁奖规范。AlphaFold的核心价值在于为生物学的研究者提供蛋白质结构生物学基础，曾需专业结构生物学研究人员花费数月乃至数年的工作，可由非结构生物学专家完成，带来蛋白质化学和生物化学领域的革命。

中科院生物学博士刘耀文告诉记者，AI工具在生物或化学领域的应用，目前主要是在蛋白质结构预测、药物研发和多组学等生物学领域，尤其是在药物研发领域，用AI来寻找、设计药物已较多见。例如，预测出基因后再去做实验检测，往往有10%~20%的预测是正确的，这已经是很高比例了。

“这次AI获奖对于很多传统做生物的研究者而言，或许是一点提醒或提示。很多生物科学家认为生物是一门实验性学科，抗拒计算机等技术，包括生物信息学已经发展很久，不少人仍觉得这个领域只是小工具。希望生物学者们能更认真审视以AI为代表的技术在生物学中的意义。时代不一样了，要做出改变。”刘耀文表示，此次诺奖结果也意味着生物学发展可能加速，毕竟以往生物学实验太耗时耗力，且稳定性也是个很大的问题。

诺贝尔物理学奖和化学奖颁给了看上去不太像传统物理和化学领域的AI学者，一些AI领域学者则受到鼓舞。

“人工智能终于不是技术，而是科学了。”诺贝尔物理学奖得主揭晓后，一名人工智能学者在朋友圈评论道。一些AI学者则认为，此次诺奖评选背后，AI开始对各领域产生深远影响。

“人工智能的深远影响才刚刚开始。”“AI教母”李飞飞称。Meta首席AI科学家杨立昆表示，Rosetta、AlphaFold和其他由机器学习驱动的蛋白质结构预测和蛋白质设计的努力的影响已非常巨大，且有望在未来产生更大的影响。

“AI这次诺贝尔奖赢麻了。”AI在读博士、知乎博主@平凡表示，他同时表示，诺贝尔奖未来在很长一段时间内不会再颁给AI了。他认为，AI这些年能火爆到如此程度，无非是深度学习效果实在太惊艳了，如AlphaFold直接预测出2亿种蛋白质结构，这种效率是人类拍马也赶不上的。但AI的问题在于非常依赖于训练数据和计算资源，而数据的积累是循序渐进的。

在上述博主看来，AI已经发展到了瓶颈期，他对记者解释，虽然说现在行业还在飞快进化，但是速度会放缓，因为素材一次性用得差不多了，除非找到新的更好的养分，“未来估计只有AGI才有资格再拿诺贝尔奖。”