2024年诺贝尔奖在物理学以及化学已经让我们一窥科学的未来。人工智能（AI）是两个奖项所表彰的发现的核心。你不禁会想什么阿尔弗雷德·诺贝尔设立这些奖项的人恐怕不会想到这一切。
我们肯定会看到更多的诺贝尔奖牌颁发给使用人工智能工具的研究人员。随着这种情况的发生，我们会发现被诺贝尔委员会表彰的科学方法可能不再局限于像这样的简单分类：“物理”, 化学以及生理学或医学.
我们可能会发现获奖者的科学背景与这些类别之间的联系较为松散。今年的物理学奖颁发给了普林斯顿大学的美国科学家约翰·霍普菲尔德和多伦多大学出生英国的杰弗里·辛顿。虽然霍普菲尔德是一位物理学家，而辛顿最初学习实验心理学，后来转向人工智能领域。
化学奖由来自华盛顿大学的生物化学家戴维·贝克与英国谷歌深度思维公司的计算机科学家德米斯·哈萨比斯和约翰·朱马珀共同分享。
在物理学和化学类别中获得荣誉的人工智能进展之间有着密切的联系。Hinton帮助开发了一种方法被DeepMind用于实现突破在预测蛋白质的结构时。
物理奖得主，特别是辛顿，奠定了被称为强大领域的基础known as（此处原文中有一个不完整的英文短语"known as"，未提供具体领域名称，因此保留原样）机器学习这是人工智能的一个子领域，关注于算法，即执行特定计算任务的规则集。
霍普菲尔德的工作在今天并没有广泛使用，但赫顿共同发明的反向传播算法却有了广泛应用。产生了巨大的影响这涉及神经网络，这是一种模仿人脑结构和功能的计算模型，用于处理数据。反向传播使科学家能够“训练”巨大的神经网络。尽管诺贝尔委员会尽力将这个有影响力的算法与物理学联系起来，但可以说这种联系并不是直接的。
训练一个机器学习系统涉及使其接触大量的数据，这些数据通常来自互联网。辛顿的进展最终使得训练这类系统成为可能例如GPT（背后的技术）以及人工智能算法阿尔法围棋和AlphaFold由谷歌深度思维开发。因此，反向传播的影响是巨大的。
DeepMind的AlphaFold 2解决了50年的难题从它们的分子构建块氨基酸预测蛋白质的复杂结构。
自1994年以来，每两年，科学家们都会举办一场竞赛，以寻找从氨基酸序列预测蛋白质结构和形状的最佳方法。该竞赛被称为结构预测关键评估(CASP).
在过去的几届CASP比赛中，获胜者都使用了DeepMind的AlphaFold的某个版本。因此，可以画一条直接的线从Hinton的反向传播到Google DeepMind的AlphaFold 2的重大突破。
大卫·贝克使用了一个叫做罗塞塔的计算机程序来完成这一艰巨的任务。构建新型蛋白质贝克尔和深度思维的方法都具有巨大的未来应用潜力。
将荣誉归于个人一直是诺贝尔奖争议的一个方面。最多可以有三名研究人员分享一个诺贝尔奖。但科学上的重大进展通常是合作的结果。科学研究论文可能有多达10、20、30个作者或更多。多个团队的贡献可能会得到诺贝尔委员会的认可。
今年我们可能进一步讨论关于反向传播算法的研究归属问题，这个问题已经被多位研究人员提出。同时，我们也可能会讨论像物理学这样的领域中一项发现应归于谁的一般性归属问题。
我们现在在归因问题上有了一个新的维度。越来越不清楚我们是否总是能够区分人类科学家的贡献和他们的人工智能合作者（这些AI工具已经在帮助推动知识边界的拓展）的贡献。
未来，机器能否取代科学家，而人类只能担任辅助角色？如果是这样的话，或许人工智能工具将获得主要的诺贝尔奖，而人类需要自己的奖项类别。