人工智能，曾经的科幻小说领域，周一在瑞典占据了科学成就的顶峰。
在斯德哥尔摩标志性音乐厅举行的历史性仪式上，约翰·霍普菲尔德 (John Hopfield) 和杰弗里·辛顿 (Geoffrey Hinton) 因其在神经网络（模仿大脑架构并构成现代人工智能基石的系统）方面的开创性工作而获得了诺贝尔物理学奖。
与此同时，Demis Hassabis 和 John Jumper 因 Google DeepMind 的 AlphaFold 获得了诺贝尔化学奖，该系统解决了生物学“不可能”的问题：预测蛋白质的结构，这一壮举对医学具有深远的影响和生物技术。
这些成就超越了学术声望。它们标志着一个时代的开始，GPU驱动的人工智能系统可以解决曾经被认为无法解决的问题，彻底改变从医疗保健到金融等价值数万亿美元的行业。
霍普菲尔德的遗产和神经网络的基础
20 世纪 80 年代，擅长提出重大问题的物理学家霍普菲尔德为神经网络带来了新的视角。
他引入了借用物理学的能量景观来解释神经网络如何通过寻找稳定的低能量状态来解决问题。他的想法抽象而优雅，通过展示复杂系统如何优化自身，为人工智能奠定了基础。
快进到 2000 年代初，杰弗里·辛顿（Geoffrey Hinton）——一位热衷于激进思想的英国认知心理学家——接过了接力棒。Hinton 相信神经网络可以彻底改变人工智能，但训练这些系统需要巨大的计算能力。
1983 年，Hinton 和 Sejnowski 在 Hopfield 的工作基础上发明了玻尔兹曼机，该机使用随机二元神经元跳出局部极小值。他们发现了一种基于统计力学的优雅且非常简单的学习过程，这是反向传播的替代方案。
2006 年，这种学习过程的简化版本被证明在使用反向传播训练深度神经网络之前初始化深度神经网络非常有效。然而，训练这些系统仍然需要巨大的计算能力。
AlphaFold：生物学的人工智能革命
AlexNet 十年后，人工智能转向生物学。Hassabis 和 Jumper 领导了 AlphaFold 的开发，以解决困扰科学家多年的问题：预测蛋白质的形状。
蛋白质是生命的组成部分。它们的形状决定了它们能做什么。了解这些形状是对抗疾病和开发新药的关键。但寻找它们的过程缓慢、成本高昂且不可靠。
AlphaFold 改变了这一点。它利用 Hopfield 的想法和 Hinton 的网络以惊人的准确性预测蛋白质形状。在 GPU 的支持下，它绘制了几乎所有已知蛋白质的图谱。现在，科学家们利用 AlphaFold 来对抗耐药性、制造更好的抗生素并治疗曾经被认为无法治愈的疾病。
曾经的生物学难题已经被人工智能解开了。
GPU 因素：发挥 AI 的潜力
GPU 是现代人工智能不可或缺的引擎，是这些成就的核心。GPU 最初是为了让视频游戏看起来更漂亮而设计的，它非常适合神经网络的大规模并行处理需求。
尤其是 NVIDIA GPU，成为了推动 AlexNet 和 AlphaFold 等突破的引擎。它们以惊人的速度处理大量数据集的能力使人工智能能够解决前所未有的规模和复杂性问题。
重新定义科学与工业
2024 年获得诺贝尔奖的突破不仅仅是改写教科书，而是优化全球供应链、加速药物开发并帮助农民适应不断变化的气候。
Hopfield 基于能源的优化原则现已应用于人工智能驱动的物流系统。Hinton 的架构支撑着自动驾驶汽车和 ChatGPT 等语言模型。AlphaFold 的成功启发了人工智能驱动的气候建模、可持续农业甚至材料科学方法。
人工智能在物理和化学领域的认可标志着我们对科学的看法发生了转变。这些工具不再局限于数字领域。他们正在重塑物理和生物世界。