得奖背后的故事。
从10月7日起,诺贝尔生理学或医学奖、物理学奖、化学奖、文学奖、经济学奖等奖项陆续揭晓。
从1901年首次颁发至今,诺贝尔奖已经走过了120多个年头。1895年,63岁的瑞典化学家诺贝尔立下遗嘱,用3100万瑞典克朗的遗产设立了诺贝尔基金会。作为世界上最负盛名的奖项,诺贝尔奖旨在授予全球在物理、化学、生理学或医学、文学、和平、经济6个领域取得非凡成就的人。
每年的诺贝尔奖都是一大看点,今年的诺贝尔更是因为AI引发全网讨论。先是将诺贝尔物理学奖授予两位AI领域的学术大牛John J. Hopfield和Geoffrey E. Hinton,以表彰他们“为利用人工神经网络进行机器学习做出的基础性发现和发明”。紧接着,第二天的诺贝尔化学奖的一半颁给了DeepMind公司的丹米斯·哈萨比斯(Demis Hassabis)和约翰·乔普(John M. Jumper),以表彰其在蛋白质结构预测方面的贡献。
AI成为诺奖热门的背后,可以看到AI正在逐步推动物理、化学、生物、医疗等多个学科交叉赋能,同时也引发了全球科学界乃至全社会的热烈关注与深度思考。人们热议着:诺贝尔文学奖会发给ChatGPT吗?未来AI能替代人类科学家吗?
除了AI,今年的每一位诺奖得主背后都有着精彩的人生故事和独特的个性。他们从兴趣出发,在自己的研究领域引领了各自学科的发展、推动了社会的进步。今天这篇文章,分享了他们得奖背后的故事。以下,Enjoy:
10月7日,2024 年诺贝尔生理学或医学奖正式公布。美国科学家维克托·安布罗斯和加里·鲁夫坎获得2024年诺贝尔生理学或医学奖,以表彰他们发现了微小核糖核酸(microRNA) 及其在转录后基因调控中的作用。
微小核糖核酸这个名词听起来很冷僻,但和我们每个人的健康息息相关。人体的器官和组织由许多不同的细胞类型组成,它们的 DNA 中都存储了相同的遗传信息,但这些不同的细胞表达有独特的蛋白质集,这便需要基因活性的精确调节。并且,基因活动必须不断微调,以使细胞功能适应我们身体和环境不断变化的条件。如果基因调控出错,可能会导致癌症、糖尿病或自身免疫等严重疾病。
microRNA是真核生物中一类内源性的小非编码RNA。从胚胎发育开始,到细胞凋亡,乃至肿瘤生长,miRNA在一系列生理和病理过程中发挥着重要的作用。各种遗传、代谢、传染病和肿瘤相关的miRNA为科学家进行病理研究提供了新的角度,可能成为可靠的疾病生物标志物,科学家们也正积极地通过改变miRNA的功能、研发新的体内递送方法,寻求对疾病干预治疗的手段。
遗传信息从 DNA 到 mRNA 再到蛋白质的流动。相同的遗传信息存储在我们体内所有细胞的 DNA 中。这需要精确调节基因活性,以便只有正确的基因集在每种特定细胞类型中具有活性。© 诺贝尔生理学或医学委员会。马蒂亚斯·卡伦
维克多·安布罗斯和加里·鲁夫昆的突破性发现揭示了一种全新的基因调控原理,该原理对于包括人类在内的多细胞生物至关重要。现在已知人类基因组编码超过1000个microRNA。他们令人惊讶的发现揭示了基因调控的全新维度。事实证明,microRNA对于生物体的发育和功能至关重要。
可是,维克托·安布罗斯和加里·鲁夫坎最开始发现microRNA的时候,并没有得到科学界认可。20世纪80年代末,维克托·安布罗斯和加里·鲁夫坎是Robert Horvitz 实验室的博士后研究员,Robert Horvitz曾在2002年获得过诺贝尔奖。
二人想要研究基因调控的机制,但是人体太复杂了,所以他们选择了一种只有1000多个细胞的小生物——隐杆线虫。他们研究了两种突变的蠕虫菌株 lin-4 和 lin-14,它们在发育过程中表现出遗传程序激活时间的缺陷,希望识别突变的基因并了解它们的功能。
这个实验并未得到外界的理解,并未动摇两位科学家的研究信心。博士后研究结束后,维克托·安布罗斯在哈佛大学新成立的实验室中分析了 lin-4 突变体,并发现lin-4 基因产生一个异常短的 RNA 分子,该分子缺乏蛋白质生产密码;加里·鲁夫坎在麻省总医院和哈佛医学院新成立的实验室中研究了 lin-14 基因的调控,实验还揭示了 lin-14 mRNA 中的一个片段,该片段是其被 lin-4 抑制所必需的。
这两位科学家还与哈佛有一段小插曲。安布罗斯并未获得哈佛的青睐,他曾在哈佛担任助理教授,但却因各种原因未能获得终身教职,于1992年转到了达特茅斯医学院。而鲁夫坎虽然在哈佛取得了显著的成就,但他的主要工作并非在哈佛完成。
1992 年 6 月 11 日晚上,维克托·安布罗斯和加里·鲁夫坎交换了lin-4 和 lin-14 基因的序列数据,二人猜测,正是这种互补配对使得它们之间能够产生互相抵抗的作用。二人进行了进一步的实验,表明 lin-4 microRNA 通过与 mRNA 中的互补序列结合来关闭 lin-14,从而阻断了 lin-14 蛋白的产生。一种新的基因调控原理被发现,它由一种以前未知的 RNA 类型 microRNA 介导!结果于 1993 年发表在《细胞》杂志上的两篇文章中。
这篇论文发表的结果却遭到了科学界几乎震耳欲聋的沉默,大多数人认为这只不过是线虫这种小生物为了适应生活环境而做出的适应性调整。直到2000年,鲁夫坎发表了第二个miRNA——线虫里的let-7,后来安布罗斯也陆续发现新的miRNA。随着测序技术的发展,人们发现许多生物的基因组中都有成千上万的microRNA。
这一发现可以称得上是科学史上是概念性的突破。科学界已经充分意识到,很多重要的基因调控都是由microRNA来介导完成,对microRNA的研究已经逐渐深入。两人第一次发现miRNA在转录后通过各种不同的分子机理调控基因表达,最创新之处是miRNA可以调控发育。随着研究的深入,大家逐渐发现它们还可以调控抗病毒反应、各种疾病的发生。现在很多制药公司试图利用miRNA的工作机理设计、开发针对一些疾病的药物。
北京时间 10 月 8 日,2024 年诺贝尔物理学奖正式授予了约翰·J·霍普菲尔德 (John J. Hopfield) 和杰弗里·E·辛顿 (Geoffrey E. Hinton),“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”。
这两位在机器学习与人工神经网络领域深耕数十年的超级技术大佬得知自己获得了诺贝尔物理学奖,都感觉到十分意外。杰弗里·辛顿(Geoffrey Hinton)在凌晨两点接到诺贝尔奖委员会电话时,最初想法是:我没有想到(I have no idea that will happen),怎么能确定这不是个恶作剧电话?
坦白说,机器学习先驱Hinton、Hopfield共同获奖,的确出乎所有人意料:大多数人预测物理学奖大热门仍是传统的凝聚态物理领域,没想到最后是人工智能专家拿了诺贝尔物理学奖。
此前,诺贝尔物理学奖从未直接颁发给计算机科学相关的研究,为何如今却“跑偏”选择了人工智能领域?
要知道,如今的AI能够学会翻译语言、识别图像,甚至合理对话,这些背后都离不开两位诺贝尔物理学奖得主的努力。他们运用物理学的工具,构建了能够存储和重构信息、自主发现数据特征的方法,为今天强大的AI网络铺平了道路。
© Johan Jarnestad/瑞典皇家科学院
当我们深入了解这两位科学家的科研之路,也会了解到这次诺贝尔物理学的背后用意。
约翰·霍普菲尔德原本是一位“不务正业”的物理学家,这里的“不务正业”只是想强调这位科学家学科背景的多元化。约翰·霍普菲尔德年轻时也一直在从事物理学方面的研究,一次偶然机会参与了神经网络相关项目,整个研究小组全是心理学家和生物学家,只有他一位物理学家。正是这次机会,他被深深吸引了——「对我来说,思想如何从大脑中产生是我们人类提出的最深刻的问题,而这个拥有多元化人才和极大热情的NRP小组正在追求这一目标」。
在这之后,霍普菲尔德研究方向转向生物学,开始着手将物理学概念引入人工神经网络领域。霍普菲尔德创建了一种联想记忆方法,可以存储和重构图像或其他类型的数据模式。他基于物理学的自旋系统,提出了一种能存储和重建信息的联想记忆模型,这一模型使得神经网络可以通过不完整的输入进行自我修正,重建出原始模式——这就是「霍普菲尔德网络」。
霍普菲尔德网络的基本思想是:每个节点类似于图像中的一个像素,节点可以被视为系统中的能量状态,而这个网络的目标,是通过不断调整节点之间的连接权重,降低系统的能量,力图找到最稳定、最节省能量的状态。此时,网络输出的图案就是重建后的完整图案。这一机制不仅使机器可以重建部分丢失或受损的图像,还能从部分输入中提取出整体信息。
以霍普菲尔德网络为基础,杰弗里·辛顿又将人工神经网络推进到了全新的高度。Hinton是史上首位图灵奖+诺贝尔物理学奖的获奖者,是公认的“ 深度学习之父 ”,有趣的是,图灵奖有“计算机界的诺贝尔奖”之称。可在他的研究成果得到世人认可之前,他坐了30多年的冷板凳依旧兢兢业业。
从1972年到苏格兰爱丁堡大学攻读人工智能博士起,他选择的神经网络研究方向就一直不被学术界看好,认为是没有未来、注定失败的一条路。甚至在他深入研究这一领域多年后,人工智能甚至被人们普遍认为算不上科学。
可是辛顿却认为这样的经历对科学家是非常好的训练:“让你对自己的观点充满信心,每个人都可能是错的,你需要坚持自己的主张,直到实现它或者否定它,做科学就需要这样的精神。”
科学研究需要耐心,更需要天时、地利、人和,当时的人工神经网络均不具备。在科学界普遍不认可神经网络和人工智能的时候,霍普菲尔德网络的出现一定程度上补足了“人和”的短板。在霍普菲尔德发布关于联想记忆的文章后,辛顿从Hopfield网络出发,利用统计物理学的思想,构建了引人注目的「玻尔兹曼机」。经过训练的玻尔兹曼机可以在以前没有见过的信息中识别熟悉的特征,成为了生成式模型的雏形。
2012年,辛顿和他的学生发表了一篇题为「Deep Neural Networks for Acoustic Modelling in Speech Recognition」的开创性论文,首次证明了神经网络是当时最先进的技术——在识别语音模式方面优于隐马尔可夫模型(HMM)和高斯混杂模型(GMM)等经典模型。
随即,这一年成为了人工智能的突破之年。在ImageNet竞赛中,辛顿和学生Alex、Ilya基于计算机视觉领域的老古董——神经网络算法建立的计算机视觉系统能够识别1000个物体,最终在ImageNet竞赛中获胜。次年,辛顿的公司DNNresearch被谷歌收购,而他本人也被招募进谷歌兼职。
他的研究帮助启动了当前机器学习的爆炸性发展,为谷歌、微软、IBM等科技巨头开发语音识别、图像识别、自然语言处理等应用提供了坚实的技术基础。
如此看来,霍普菲尔德和辛顿两位科学家研究领域,虽然不属于当代物理学的四大分支(高能物理学、天文物理学、原子分子和光学物理学,以及凝聚态物理学),但他们成为人工智能领域的奠基人离不开物理学的支撑。
神经网络的研究不仅仅局限于生物学和计算机科学,它还包含了许多物理学的核心思想,如梯度下降、伊辛模型等。这些物理概念不仅为神经网络的理论提供了基础,也为算法的优化和应用提供了工具。此外,斯坦福的应用物理学教授表示,人工智能的很多重要基础都依赖于物理学,拿奖理所当然,而且理解和改进人工智能已经成了物理学的新的前沿课题了。
更重要的是,近几年物理学奖频频颁给物理学与其他学科交叉领域做出重大贡献的科学家,这也证明了科学从来不是孤立的。
今年的诺贝尔奖快被AI霸榜了。
10月9日,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。
另一半则花落谷歌,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”。
前有“深度学习之父”辛顿得到诺贝尔物理奖,后有AlphaGo之父得米斯·哈萨比斯(Demis Hassabis)和同事一起拿了诺贝尔化学奖。与物理奖有着同样的疑惑,诺贝尔化学奖为何也落在了AI领域?
被誉为“AlphaGo之父”的哈萨比斯早就享誉国际科技圈,他创办的DeepMind,曾在全球范围内引起过一轮人工智能热潮。生于1976年的哈萨比斯8岁自学编程,13岁时达到了大师标准。本科以优异成绩毕业于剑桥大学,后来在伦敦大学学院拿到了认知神经科学博士学位,又在MIT和哈佛做博士后。
2010年,哈萨比斯与在伦敦大学学院读博士遇到的施恩·莱格(Shane Legg)共同创办了DeepMind并担任CEO。在他的带领下,DeepMind开发的AlphaGo从零开始学习并掌握复杂任务的能力震惊世界,后来AlphaGo打败了世界顶级围棋手李世石,让全世界掀起了一轮AI创业热潮。
几年后,DeepMind的AlphaFold在蛋白预测领域做出卓越贡献。诺贝尔奖委员会评价称,来自谷歌的科学家哈萨比斯和詹珀则开发了一种名为AlphaFold2的人工智能模型,这种模型解决了一个已有50年历史的难题,能够预测大约两亿种已知蛋白质的复杂结构,并且已被全球200多万人使用。
预测蛋白质的复杂结构究竟有多难?AI又是如何解决这一难题 ?
蛋白质由数十个氨基酸到数千个氨基酸呈念珠状连接形成三维形状,这种结构对蛋白质的功能起着决定性作用。自20世纪70年代以来,研究人员一直试图从氨基酸序列预测蛋白质结构,但这项工作十分困难且耗时长。观察蛋白质结构使用昂贵的电子显微镜或X射线晶体分析仪,耗费数月、甚至几年,才能得到三维结构并将其结构可视化。无数博士和科学家研究单一蛋白质的折叠。
蛋白质可以由从数十个氨基酸到数千个氨基酸组成,氨基酸链折叠成对蛋白质功能起决定性作用的三维结构。©Johan Jarnestad/瑞典皇家科学院© Johan Jarnestad/瑞典皇家科学院
困扰科学家的难题,被AI轻易攻克了。作为AlphaFold的第一作者,John Jumper在芝加哥大学获得博士学位,主要研究方向是使用ML来模拟蛋白质折叠和动力学,现任英国伦敦谷歌DeepMind高级研究科学家。他称得上是Alphafold成长过程中的功臣之一。
2018年,DeepMind团队带着第一代AlphaFold参加第十三届全球蛋白质结构预测比赛(CASP),表现虽然不错,但还没有达到足够高的准确率。
John Jumper果然决定抛弃原本的路线,重头开始。其实,早期版本的“ AlphaFold2”表现比它的前辈差得多,但John Jumper依旧没有动摇,继续坚持下来。
2020 年,Hassabis 和 Jumper 提出了一种名为AlphaFold2 的 AI 模型。AlphaFold2 能够直接从蛋白质的氨基酸序列中预测蛋白质的3D结构,并且达到原子级精度,被认为解决了困扰人类50年历史的蛋白质折叠挑战,迅速推进了人类对基本生物过程的理解,并促进药物设计。
在全球蛋白质结构预测比赛中,AlphaFold2 的三维蛋白质结构预测模型准确率超过90%,比最接近的竞争对手高出5倍。会议组织者John Moult打消了所有疑虑。他几乎斩钉截铁地表示:AlphaFold2已经“基本解决”了蛋白质折叠问题,并永远改变了蛋白质科学。
此外,今年5月推出的AlphaFold3更被视为可以将蛋白质带入广泛的生物分子领域,让生物开发与药物设计、基因组学研究实现AI化飞跃的重要工具。
Hassabis 和 Jumper利用AI解决了一个困扰学界长达半个世纪的难题;另一位化学奖得主David Baker成功完成了这一几乎不可能完成的壮举——制造全新种类蛋白质。
David Baker是华盛顿大学蛋白设计所的主任,人生经历也是一段传奇。他出生在高知家庭,父母均是华盛顿大学父亲研究弦理论和夸克,母亲研究天体物理和大气科学,而David Baker却跑到哈佛读起了哲学和社会科学,只是为了搞懂人脑如何做决定。
意外的是,David Baker又因为一本名为《细胞分子生物学》的书,开始对生物学感兴趣。于是,他从哲学跨界到生物学,开发了从头设计自然界从未出现的新型蛋白的技术,并首次使用生成式人工智能从头设计出了全新的抗体,有望让AI从头设计蛋白进入抗体药物市场。
与物理奖一样,化学奖也向众人宣告:AI正在给科学发现带来的深刻变革:AI for Science,将引领科学前沿。
10月10日下午,瑞典学院将2024年度诺贝尔文学奖颁给了韩国作家韩江,“以表彰她用强烈的诗意散文直面历史创伤,揭示人类生命的脆弱”。因此,韩江成为了第一位荣获此奖项的亚洲女性作家。
1970年,韩江出生在韩国光州的书香世家,父亲韩胜源是韩国著名作家。在家庭氛围影响下,韩江从14岁便立志要成为一名作家。后来,她成功考入延世大学韩语文学系,1993 年在杂志 문학과사회(“文学与社会”)上发表了多首诗歌,开始了她的职业生涯,发布多部散文作品、小说和短篇小说。
真正让韩江在国际文坛崭露头角的作品是《素食者》。这本小说讲述了女主人公在一场噩梦之后,突然开始拒绝吃肉,结果却被丈夫和专制的父亲强行拒绝。她还与姐夫发生丑闻,也曾被送往精神病诊所,她的姐姐试图营救她并让她恢复“正常”的生活。然而,女主越来越深地陷入了一种通过“燃烧的树木”表达的精神病般的状况中,“燃烧的树木”象征着一个既诱人又危险的植物王国。
韩江通过描写一名女性对韩国守旧传统的叛逆抵抗,探索人内心抑压的疯狂与伤痕。在2016年获得国际布克奖时,韩江说,《素食者》可以看成是反对父权制的寓言,但她并不认为这仅仅属于韩国社会,世界各地虽然程度有差别,但现象是普遍的。
诺贝尔官方评价她的作品:韩江的作品敢于直面历史创伤和无形的规则,并在她的每一件作品中揭露了人类生命的脆弱。她笔下的人物形象既精确又简练,不仅传达了过去对现在的力量,而且试图揭露集体遗忘的事物,并将他们的创伤转化为一个共同的艺术项目。她对身体与灵魂、生者与死者之间的联系有着独特的认识,并以她的诗歌和实验风格成为当代散文的创新者。
10月14日,2024年诺贝尔经济学奖得主揭晓。MIT教授Daron Acemoglu、MIT教授Simon Johnson、芝加哥大学James A. Robinson获得这一奖项,表彰其“制度如何形成以及如何影响繁荣的研究”。这些获奖者对长期影响国家经济繁荣的因素做出了创新性研究。
今年的经济科学获奖者 Daron Acemoglu、Simon Johnson 和 James Robinson 证明了社会制度对一个国家繁荣的重要性。
获奖者还开发了一个创新的理论框架,解释了为什么一些社会陷入了榨取式制度的陷阱,以及为什么摆脱这个陷阱如此困难。然而,它们也表明变革是可能的,并且可以建立新的机构。在某些情况下,一个国家可以摆脱其继承的制度来建立民主和法治。从长远来看,这些变化也会减少贫困。
他们关于制度如何影响繁荣的见解表明,支持民主和包容性制度的工作是促进经济发展的重要途径。
“缩小国家之间巨大的收入差距是我们这个时代面临的最大挑战之一。获奖者证明了社会机构对实现这一目标的重要性,“经济科学奖委员会主席 Jakob Svensson 说。
值得注意的是,Daron Acemoglu、Simon Johnson、James A. Robinson三位诺奖得主的研究成果也会涉及AI、机器人自动化等领域,在多个领域产生了深远的实际应用和影响。
譬如,Daron Acemoglu的研究主要集中在政治经济学和技术变革之间的相互作用,特别是自动化技术对劳动力市场的影响。
Daron Acemoglu教授认为,人工智能只会适度提高生产力,未来十年对美国经济产出的贡献不会超过 1%。AI只能自动化少量常规任务,难以帮助员工解决更复杂的问题。此外,他的研究揭示了工业机器人等自动化技术如何取代大量美国工人,导致收入不平等的增加。
Simon Johnson的研究则强调了人工智能领域的人类智能模拟与理解,并提出了“有限理性”理论,认为人类在决策时受到认知能力和信息处理能力的限制。他的研究成果不仅在理论上具有创新性,还在实际应用中产生了深远影响。
James A. Robinson的研究则涉及历史的自然实验,通过多学科的历史案例阐述如何科学地研究历史。他的著作《国家为什么会失败》和《政治发展的经济分析:专制和民主的经济起源》等,探讨了政治发展与经济发展的关系,对理解国家失败的原因提供了重要的理论框架。
此前三年,诺贝尔经济学奖分别颁给了关于因果关系分析、金融危机应对、女性劳动力市场等领域的研究。
References:
1.Nobel Prize官网
2.今年获诺奖的发现,曾在科学界遭遇“震耳欲聋的沉默” by科学大院
3.诺贝尔物理学奖罕见一幕!“AI教父”意外获奖,物理圈傻眼 by智东西
6.刚刚,2024年诺贝尔经济学奖揭秘:研究制度如何形成并影响繁荣 by生物学报
文章来自于“经纬创投”,作者“经纬创投主页君”。