10月9日，瑞典皇家科学院宣布，将2024年诺贝尔化学奖授予大卫·贝克(David Baker)、戴密斯·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。其中，后两者来自谷歌DeepMind公司。

获奖者大卫·贝克完成了设计全新蛋白质的非凡壮举，而戴密斯·哈萨比斯和约翰·江珀开发了一个人工智能（AI）模型，以解决一个50年前的挑战：预测蛋白质的复杂三维结构。

而就在前一天，2024年诺贝尔物理学奖给了美国科学家John J. Hopfield(约翰・霍普菲尔德)、英国裔加拿大科学家Geoffrey E. Hinton(杰弗里・辛顿)，以表彰他们通过“人工神经网络实现机器学习的基础性发现和发明”。John J. Hopfield和Geoffrey E. Hinton 都是AI的先驱，后者还被赞誉为“AI之父”。

他们二人的工作不仅在物理学领域产生了影响，而且对整个AI领域产生了革命性的推动。这些研究成果表明了AI技术在科学研究和技术创新中的重要作用。

可以说，2024诺贝尔化学奖和诺贝尔物理学奖是一个标志性事件，凸显了跨学科研究的价值，也看到了AI的作用，这预示着未来科学研究的新方向，也为全球提供了解决问题和创新的新思路。

2024年诺贝尔化学奖得主为美国华盛顿大学的戴维·贝克、英国伦敦谷歌旗下人工智能公司DeepMind的德米斯·哈萨比斯和约翰·江珀。

其中，一半授予美国华盛顿大学的大卫·贝克 ，以表彰其在计算蛋白质设计方面的贡献，另一半则共同授予英国伦敦谷歌DeepMind公司的戴密斯·哈萨比斯和John Jumper，以表彰其在蛋白质结构预测方面的贡献。

诺贝尔奖委员会表示，大卫·贝克在2003年设计了一种新的蛋白质，此后他的研究小组创造了一种又一种富有想象力的蛋白质，包括可用于药物、疫苗、纳米材料和微型传感器等方面的蛋白质。

该委员会补充说，戴密斯·哈萨比斯和约翰·江珀则创建了一个人工智能(AI)模型，该模型能够预测研究人员已经确定的几乎所有2亿种蛋白质的结构。

诺贝尔化学奖委员会主席海纳·林克表示：“今年获得认可的发现之一与神奇蛋白质的构造有关。另一项发现则与实现50年前的梦想有关：根据氨基酸序列预测蛋白质结构。这两项发现都开辟了广阔的可能性。”

公开资料显示，大卫·贝克是美国西雅图华盛顿大学医学院生物化学教授、蛋白质设计研究所所长，他开发了著名的Rosetta软件，使计算生物学取得了突破性的进步。

戴密斯·哈萨比斯(Demis Hassabis)，1976年7月出生，毕业于剑桥大学计算机科学专业。2010年，他在伦敦成立了DeepMind公司，该公司在2014年被谷歌收购 。2014年，他带领团队打造出深度学习的程序 。2016年3月，创办的DeepMind智能系统AlphaGo打败世界围棋冠军、职业九段选手李世石。2017年5月，创办的AlphaGo与世界围棋选手柯洁对战并再次获胜。2018年底，带领团队使用算法在围棋、国际象棋和将棋三个领域奠定领先地位，并登上《科学》封面 。

John M.Jumper在芝加哥大学接受教育，并于2017年获得博士学位，还曾在剑桥大学学习物理学，在那里他获得了马歇尔奖学金，并在范德比尔特大学获得了物理学和数学学士学位。

50多年来，科学家们一直对蛋白质复杂的问题感到困惑：蛋白质的折叠方式繁多，准确预测非常困难。但是，理解蛋白质的一维编码与其三维结构之间的关系对于深入了解帕金森氏病等疾病以及设计抗HIV病毒的药物至关重要。

在2020年底，Google DeepMind团队高级研究科学家John Jumper称之为AlphaFold 2的机器学习算法破解了这一难题。Jumper的团队后来将该模型免费发布在互联网上。

2024年5月，Jumper的团队发布了AlphaFold 3，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，AlphaFold 3不是开源的。

10月8日，2024年诺贝尔物理学奖给了美国科学家John J. Hopfield(约翰・霍普菲尔德)、英国裔加拿大科学家Geoffrey E. Hinton(杰弗里・辛顿因)，以表彰他们通过“人工神经网络实现机器学习的基础性发现和发明”。

（左为约翰・霍普菲尔德，右为杰弗里・辛顿因）

作为“神经网络之父”和“深度学习之父”，辛顿1947年出生于英国伦敦，1978年获英国爱丁堡大学博士学位，如今是加拿大多伦多大学教授。他是使用神经网络进行机器学习的先驱，教会了人工智能如何自动查找数据中的属性，从而执行识别图片中特定元素等任务。2018年，他还获得了图灵奖这一计算机领域的最高荣誉。生成式大模型的顶尖团队，基本都是辛顿门徒。

而美国普林斯顿大学教授约翰・霍普菲尔德，则是创建了一种名为“霍普菲尔德网络”的联想存储器，可以存储和重建图像以及数据中的其他类型模式。他曾获得2022年的玻尔兹曼奖。

以“霍普菲尔德网络”为基础，辛顿使用统计物理学的方法，构建了玻尔兹曼机。这一成果让机器学习领域出现了“爆炸性发展”。

“诺贝尔奖得主的工作已经产生了巨大的益处。当今物理学许多领域正在使用人工神经网络，例如开发具有特定特性的材料，”诺贝尔物理学委员会主席Ellen Moons说道。

霍普菲尔德和辛顿两人是跨学科研究者。霍普菲尔德是一位横跨多个学科领域的物理学博士，在物理、化学和生物学的交叉处开发了神经网络。辛顿就读剑桥大学时，同时学习物理学和生理学，后来获得实验心理学学士学位，他通过物理、数学和计算机、神经心理学多领域的交叉，推动机器学习的发展。

诺贝尔物理学奖给了非物理学领域专家意义重大，突出了跨学科的交叉和互通，也凸显了AI的发展离不开数学、物理等基础学科的发展。

附诺贝尔奖官网对诺贝尔物理学奖获得者的介绍：

今年的两位诺贝尔物理学奖得主使用了物理学的工具，为当今强大的机器学习方法奠定了基础。John Hopfield创建了一种联想记忆，可以存储和重构图像，或其他类型的数据模式。Geoffrey Hinton发明了一种可以自动发现数据中属性并执行任务的方法，例如识别图片中的特定元素。

谈到人工智能，人们通常指的是使用人工神经网络来训练的机器学习技术。这项技术最初受大脑结构启发。在人工神经网络中，大脑的神经元通过具有不同值的节点表示。这些节点通过可以类比为突触的连接相互影响，而这些连接可以变强或变弱。这种网络可以通过训练来优化，例如可加强同时具有较高值的节点之间的连接。今年的诺贝尔物理奖得主们自20世纪80年代起就在人工神经网络领域做出了重要的工作。

John Hopfield发明了一种网络来保存和重现数据模式。我们可以将节点想象为像素。Hopfield网络利用了描述物质特性的原子自旋——该性质使得每个原子都可看作一个小磁铁。网络的整体结构则可等价地用物理学中自旋系统的能量来描述，并通过寻找节点之间的连接值来训练，使得保存的图像具有较低的能量。当Hopfield网络接收到一个失真或不完整的图像时，它逐步处理节点并更新其值，以降低网络的能量。通过这种方式，网络就可一步步找到与输入的失真图像最为相似的图像。

Geoffrey Hinton以Hopfield网络为基础，开发了一种基于新方法的网络：玻尔兹曼机(Boltzmann Machine)。该网络可以学习识别某一类数据中具有特征的元素。Hinton使用了统计物理学的工具，这是研究由许多相似组分组成的系统的科学。玻尔兹曼机通过输入在机器运行时非常可能出现的示例进行训练。它可以用于对图像进行分类或创建与其训练模式相似的新示例。Hinton在此基础上继续研究，推动了当前机器学习爆炸式的发展。