不要惊慌。人工智能不会来终结科学探索。

科学充满了曾经看似革命性的工具，而现在它们只是研究工具箱中的一部分。对于人工智能来说，这样的时刻或许已经到来。

10月8日，诺贝尔物理学奖被授予开发了机器学习第二天，化学诺贝尔奖授予了蛋白质结构预测通过人工智能。对此人工智能的双重打击的反应可能在里氏规模上有所记录。

有些人认为，特别是物理学奖，不是物理“人工智能也将冲击科学领域。”纽约时报 结束了一致同意或确定了较为极端的评论者走得更远：“物理学现在正式结束了。”一位旁观者说道。宣布了在X（前身为Twitter）。未来的物理和化学奖，一位物理学家开了个玩笑，必然会颁发给机器学习领域的进步。在一個简洁邮件美联社报道，新任物理学奖得主和人工智能先驱杰弗里·欣顿发表了他自己的预言：“神经网络是未来。”

几十年来，人工智能研究一直是一个相对冷门的领域计算机科学领域。其倡导者经常预测人工智能终将带来超越人类智能的黎明。然而，就在最近几年内，这些愿景变得清晰起来。随着的到来大型语言模型具有强大的生成能力已经导致了关于人工智能在人类所有领域的成就中侵占地位的猜测。AI可以接收提示，输出插图、文章、复杂数学问题的答案——现在甚至可以提供诺贝尔奖级别的发现。人工智能是否已经接管了科学界的诺贝尔奖，乃至科学本身？

支持科学新闻报道

如果您喜欢这篇文章，考虑通过以下方式支持我们获奖的新闻报道：订阅中通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和思想的影响力故事的未来。

慢着。在我们要么欣然向未来仁慈的计算机统治者宣誓效忠，要么摒弃从袖珍计算器以来的所有技术之前（共同发明人杰克·基尔比因这项发明获得了一部分奖项）2000年物理学诺贝尔奖顺便说一句，也许谨慎一些是明智的。

首先，诺贝尔奖究竟是为了什么而颁发的？物理学奖前往了辛顿和约翰·霍普菲尔德，一位物理学家（曾任美国物理学会主席），他发现了网络的物理动态如何编码记忆。霍普菲尔德提出了一种直观的类比：一个在凹凸不平的地貌上滚动的球经常会“记住”回到同一个最低谷。辛顿的工作通过展示具有隐藏“层”的复杂神经网络可以更好地学习，从而扩展了霍普菲尔德的模型。简而言之，物理学诺贝尔奖是颁发给关于信息物理原理的基础研究，而不是广泛意义上的“人工智能”及其应用。

无实际内容需要翻译，保持原样。 原文：The化学奖，与此同时，奖项的一半授予了生物化学家戴维·贝克，而另一半则颁给了AI公司DeepMind的两位研究人员：计算机科学家、DeepMind首席执行官德米斯·哈萨比斯和化学家、DeepMind董事约翰·贾普勒。对于蛋白质而言，形态即功能，它们纠缠在一起形成复杂的形状，作为钥匙来适应无数的分子锁。但预测这些蛋白质结构一直非常困难。蛋白质的涌现结构从其氨基酸序列来预测蛋白质的三维结构——想象一下试图猜测一串链如何折叠。首先，贝克开发了软件来解决这个问题，包括一个从头设计新颖蛋白质结构的程序。然而到了2018年，在所有遗传数据库中登记的大约2亿种蛋白质中，只有大约15万种（不到0.1%）有确认的结构。然后哈萨比斯和朱伯特在一次预测蛋白质折叠挑战中推出了AlphaFold。它的第一个版本远远超过了竞争对手；第二个版本提供了剩余2亿种蛋白质的折叠结构的高度准确计算。

AlphaFold是“科学领域中人工智能开创性应用”的一项成果 a2023年回顾关于蛋白质折叠的陈述。但是即使如此，人工智能也有其局限性；它的第二代未能预测蛋白质缺陷，并且在处理“环状结构”时遇到了困难，“环状结构”对于药物设计至关重要。它并不是解决所有蛋白质折叠问题的万能药，而是一个卓越的工具，类似于多年来获得奖项的许多其他工具：2014年物理学奖授予蓝色发光二极管（当今几乎每个LED屏幕中都有），或者2019年化学奖授予锂离子电池（即使在手机手电筒时代仍然至关重要）。

这些工具中的许多现在已经融入了它们的用途之中。当我们使用含有数十亿个晶体管的电子产品时，我们很少会停下来思考1956年物理奖得主所发明的晶体管。一些强大的机器学习功能已经走上了这条路。在流行的消费软件程序中，提供准确语言翻译或令人惊讶地合适的歌曲推荐的神经网络只是服务的一部分；算法已经退居幕后。正如科学领域一样，在许多其他领域，这一趋势表明，当AI工具变得司空见惯时，它们也会逐渐淡出人们的视线。

仍然一个合理的担忧可能是，无论这种自动化是微妙还是明显的，都可能威胁到人类物理学家和化学家的努力，使其被取代或玷污。随着人工智能成为进一步科学进步不可或缺的一部分，是否还会有任何奖项会承认完全没有使用AI的工作？正如包括诺贝尔物理学奖得主尼尔斯·玻尔以及著名棒球运动员尤吉·贝拉在内的许多人所说，“预测是非常困难的，尤其是关于未来的事情。”

人工智能可以革新科学；这一点毋庸置疑。它已经帮助我们以前所未有的清晰度看到了蛋白质。很快，人工智能可能会构思新的分子对于电池的研究，或者在对撞机数据中寻找新的粒子——简而言之，它们可能做许多事情，其中一些此前似乎是不可能的。但它们有一个关键的限制，这个限制与科学的美好之处有关：即它基于现实世界的实证依赖性，这种依赖性无法仅通过计算来克服。

一个AI在某些方面只能和它所给的数据一样好。例如，它不能仅仅依靠纯粹的逻辑来发现暗物质的本质，这种神秘的物质构成了宇宙中80%的物质。相反，它将不得不依赖于物理探测器的观测结果，而这些探测器的组件总是需要人力维护。要发现真实世界，我们始终必须应对这样的实体障碍。

科学也需要实验者——那些致力于研究宇宙的人类专家，他们将会提出一些人工智能无法回答的问题。正如霍普菲尔德本人解释的那样，在一个场合中2018年作文物理学——真正意义上的科学——不仅仅是一门学科，更是一种“看待问题的视角”，其核心理念是通过仔细的实验和观察，“世界是可以被理解的”，并且这种理解是以量化和预测的形式表现出来的。

那个真实的世界，以其无限的伟大和神秘，仍然存在于未来科学家的研究范围内，无论是否借助人工智能。

这是意见与分析文章，作者的观点未必代表科学美国人