今年的諾貝爾獎，從結果來看，既是預想之外，又在意料之中：人工智能（AI）成了其中的關鍵詞。

　　如果說諾貝爾物理學獎是物理學基礎研究對AI的賦能，那么化學獎則是AI賦能科學研究、給人類世界帶來改變的科技之光——如此一看，AI仿佛在今年的諾獎中“畫”了一個閉環。

　　對高校和科研機構的學者們來說，今年的諾獎更像一個風向標，預示著科學研究范式的變更，繼而開啟科學智能新紀元。

　　無論從AI還是從基礎科學的角度看，近日頒發的諾貝爾獎都引發了熱烈的思想激蕩。

　　10月8日，2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德（John Hopfield）和英國裔加拿大科學家杰弗里·欣頓（Geoffrey Hinton），以表彰他們在使用人工神經網絡的機器學習方面的奠基性發現和發明。次日的諾貝爾化學獎授予三位科學家。其中，來自華盛頓大學西 雅圖分 校的大衛·貝克（David Baker）成功完成了構建全新蛋白質這一幾乎不可能完成的任務；而來自谷歌DeepMind公司的德米斯·哈薩比斯（Demis Hassabis）和約翰·江珀（John Jumper）開發了一種名為AlphaFold2的人工智能模型，這種模型解決了一個已有50年歷史的難題：預測蛋白質的復雜結構。

　　2024年兩個諾獎的頒布，標志著一個新時代的到來。AI與基礎科學的深度融合，將開啟AI+科學“雙螺旋引擎”共振驅動的科學研究新范式：一方面，AI在科學研究中逐步走向核心地位，成為科研突破的新引擎，AI for Science（科學智能）將極大加速和擴展科學研究的效率和能力邊界；另一方面，底層科學的第一性原理和知識將成為AI向AGI（通用人工智能）進化的根本驅動和擴展引擎，下一個AI領域的里程碑很可能來自Science for AI的啟發，而兩者作為“雙螺旋引擎”，將共振驅動并定義科學智能新范式“AI+科學”，帶領我們進入科學發現涌現和人類文明躍遷的新紀元。

　　Physics for AI 是物理，也是人工智能

　　從學科劃分的角度看，機器學習與物理學邊界井然，物理學是研究真實世界的自然現象，而機器學習則屬于計算機科學、數據、代碼和算法的范疇。

　　不過，霍普菲爾德與欣頓的研究早已跨越了學科的邊界。

　　20世紀80年代，霍普菲爾德提出的“霍普菲爾德網絡”，借鑒了物理學中的自旋相互作用原理，用來模擬大腦中的記憶存儲與重構。欣頓則通過引入玻爾茲曼分布的概念，發展出了玻爾茲曼機，這一模型為機器學習中的深度生成模型奠定了基礎。

　　從底層邏輯看，物理學的使命是研究從宇宙到粒子跨尺度復雜系統第一性原理。而從信息論角度看，機器學習的范疇也會落在物理學覆蓋的領域之內，基于能量的模型（Energy based model）可以將優化問題和物理問題融合起來。

　　事實上，人工智能的很多關鍵算法都受到了物理學思維的啟發。

　　物理學家在研究自然界時，往往通過方程和數學模型來描述復雜系統的行為。這種通過變量間的關系來揭示規律的方式，與AI中的建模非常類似。比如在經典物理學中，牛頓方程、熱力學等模型都是通過數據推導出來的，而AI模型同樣依賴大量數據和數學模型去學習、預測和優化。

　　另外，人工智能常常要處理復雜的高維數據，這與物理學家研究多體系統、混沌系統等復雜現象時的挑戰相似。比如，神經網絡的復雜性和自適應性與物理學中的自組織現象類似。在此基礎上，許多AI模型借鑒了物理學的思維方式，尤其在處理復雜系統時，將物理法則與AI結合以提高模型的解釋力和效率。

　　再舉一個例子。想象在水池中滴入一滴高溫水，隨著時間的推移，熱量向四周擴散，直到整個水池溫度趨于一致。這是物理學中的熱擴散過程，能量逐漸擴散并分布得更加均勻。AI的擴散模型（Diffusion model）則通過類似的過程進行數據生成。它從噪聲開始，將數據逐步擴散為無序狀態，類似一滴高溫水的熱量擴散過程。然后，模型通過逆向過程將無序狀態逐步還原為有序數據，最終生成高質量的樣本。這個“從無序到有序”的生成過程，完美模擬了熱擴散過程，即通過逐步降低熱量差異，使系統恢復到穩定狀態。

　　在機器學習領域，很多學者早期都是物理學背景。麥克斯·韋靈（Max Welling）是機器學習領域的頂尖學者之一，專注于概率圖模型、深度學習和貝葉斯方法。他曾是一位理論物理學家，研究量子場論，并在物理學領域積累了豐富的數學和計算技巧。這些技巧后來被應用到人工智能中，特別是在變分推斷（Variational inference）和深度生成模型的研究上，由此他提出了著名的VAE算法。

　　受益于我在麻省理工學院的導師湯米·雅科拉（Tommi Jaakkola，擁有理論物理學碩士和計算神經科學博士學位，于1998年加入麻省理工學院電子工程與計算機科學系擔任教職），我在研究AI時也學習了統計物理學的知識。他和同在麻省理工的宇宙學家麥克斯·泰格馬克（Max Tegmark）都擁有物理學背景，他們合作開發的一種全新的受物理啟發的生成模型家族，統一了擴散模型和泊松流生成模型（PFGM）。這兩個模型都與物理學相關，擴散模型與物理學熱擴散原理相似，泊松流生成模型則是受到高維電磁理論的啟發。

　　AI for Chemistry 科學突破的新引擎

　　再來看看今年摘獲諾貝爾化學獎的AlphaFold2。在2018年發布的Al phaFold基礎上，由DeepMind公司開發的這款人工智能程序在2020年的蛋白質結構預測大賽（CASP）中取得了突破性進展，以接近實驗水平的精度預測蛋白質的三維結構，該成就被認為是人類在21世紀取得的最重要的科學突破之一。這一成果不僅推動了生命科學的發展，還加速了針對癌癥、病毒的抗生素、靶向藥物和新效率的蛋白酶的研發。

　　AlphaFold2的成功展示了AI在基礎科學研究上的巨大潛力。同獲諾獎的貝克的Rosetta軟件的開源性質，使得全球科研人員都能夠利用這一工具進行研究。問鼎諾獎，其實早在科學家的意料之中。

　　AlphaFold2的核心是使用大量的蛋白質序列數據訓練出的一個深度學習模型，該模型能夠理解氨基酸序列與蛋白質結構之間的復雜關系。它首先搜索同源序列和模板，然后通過多序列比對和成對特征聯合嵌入來構建蛋白質結構的預測。AlphaFold2采用了一種新的輸出表示和相關損失函數，實現了精確的端到端結構預測。此外，它還使用了一種新的等變注意體系結構，通過中間損失實現預測的迭代細化，并與結構聯合訓練。

　　盡管AlphaFold2取得了巨大成功，但它仍然存在預測方面的局限性。今年5月問世的AlphaFold3結合了圖神經網絡和變分推斷方法，并引入了多種生物物理學知識，形成了強大的結構預測統一框架，涵蓋了前所未有的廣度和精確度。AlphaFold系列實證了AI作為科學發現新引擎的強大力量。

　　Science for AI和AI for Science 定義一個全新的科學研究范式

　　在AI與科學研究的交匯點上，“Science for AI”和“AI for Science”構成了驅動科學進步的“雙螺旋引擎”。這兩個概念不僅代表了科學與技術之間的相互作用，也定義了一個全新的科學研究范式。

　　Science for AI指的是利用物理學等基礎科學的原理和方法來啟發和改進AI技術。

　　如前文所述，物理學中的熱擴散原理啟發了AI中的Diffusion model。在機器學習領域，很多關鍵算法都受到了物理學思維的啟發，比如利用能量函數、玻爾茲曼分布等概念來構建模型。此外，符號計算也是Science for AI的一個重要方面，它涉及到使用計算機代數系統來執行數學符號的計算和推理。

　　AI for Science則是將人工智能技術應用于科學研究，以解決科學問題，包括引導科學假設的生成，自動實驗和驗證，并推進科學發現。

　　總之，無論是數字世界還是物理世界，要實現發現復雜世界的未知規律這一科學終極目標，需要Science for AI和AI for Science的“雙螺旋驅動”，就類似DNA和RNA的雙螺旋結構。

　　在Science for AI和AI for Science的共振中，數據驅動和第一性原理的融合是關鍵。深度學習是數據的擬合，第一性原理和知識則可以外插到缺少或者沒有數據的地方，體現更好的擴展性。

　　當規則、知識和關鍵數據矛盾，可以調整知識規則，就像愛因斯坦把有限的物理數據、他自己頭腦實驗的合成數據（比如坐著光會看到什么樣的宇宙）和黎曼幾何結合起來，把牛頓力學擴展到了刻畫宏觀宇宙的相對論。在這個意義上，打造AI愛因斯坦是科學智能（AI+Science）的終極目標，也是AGI的終極目標——發現未知規律，推動科學和人類的進步。在這個激動人心的科學探索和創造未來的旅程中，讓我們一起同行。

　　文：漆遠（復旦大學浩清教授、上海科學智能研究院院長）

　　圖：視覺中國