科研成果的“降维打击”：当物理学奖给了AI教父

说实话，刚看到2024年诺奖名单的时候，我愣了好几秒。物理学奖……颁给了搞AI的？Geoffrey Hinton？那个让机器学会“深度学习”的人？

震惊。然后是狂喜——这大概是近年最不“物理”的物理学奖，但又可能是最该得的一次。

凭什么？凭的就是那项科研成果：神经网络。对了，还有John Hopfield，他的“霍普菲尔德网络”给后来的AI铺了路。但最炸裂的，还是Hinton那帮人折腾出来的深度学习革命。现在回过头看，这哪是计算机科学，根本就是一场对物理世界建模方式的颠覆。

更妙的是——化学奖也给了AI。David Baker、Demis Hassabis、John Jumper，因为蛋白质结构预测和设计。AlphaFold，三亿多种蛋白质结构，一夜之间算出来了。过去一个博士耗五年解一个结构，现在……几秒钟。

这算什么科研成果？跨学科碰撞，直接把生命科学摁在地上摩擦。

物理奖？其实是一场科研的“叛变”

物理圈炸锅了。有些人嘀咕：“这不就是计算机科学吗？”可你去翻翻Hinton的早期论文，满篇都是统计力学、能量函数、自旋玻璃。他根本没把神经网络当算法，而是当成物理系统来琢磨。Hopfield网络干脆直接借用了伊辛模型——妥妥的物理内核。所以这次诺奖，不是跑题，是回归。

但生气的人也有。比如我那个做凝聚态物理的朋友，脸都绿了：“我们这么多年的冷原子、超导，还不如一个搞AI的？” 我倒觉得，这才叫降维打击。你的小领域拼死拼活，人家换个赛道，直接掀了桌子。科研成果的范式，早该变变了。

再说，Hinton本人也够神的。据传他当年在剑桥，导师建议他放弃神经网络，说是死路。结果呢？反向传播算法硬生生被他熬了出来。后来AlexNet一出，图像识别秒杀传统方法。科研这种东西，有时候就得认死理。

蛋白质折叠：从不可能到一键生成

如果说物理奖是“过去的重估”，那化学奖就更像科幻成真。蛋白质折叠——安芬森在1972年就说，氨基酸序列决定三维结构。可咋算啊？五十年，无数团队折戟。CASP大赛办了一届又一届，评分卡在90分死活上不去。

直到DeepMind的AlphaFold2出现。2020年，它把评分干到了92.4（满分100）。整个结构生物学界沉默了。那感觉就像……你刚学会骑自行车，别人都开上磁悬浮了。

我清楚记得那天刷到新闻，手指发麻。因为太离谱了。之前我采访过一个结构实验室的PI，他苦哈哈地说：“一个博士生，五年，养细胞、提蛋白、长晶体、收衍射数据、解结构……运气好能发篇CNS。” 现在呢？点个按钮，几秒出结果。这叫啥？这就是科研成果的暴力美。

但别以为这只是快。更恐怖的是，AlphaFold开放了数据库，预测了地球上几乎所有已知的蛋白质。三亿多个。以前你想都不敢想。药企乐疯了，靶点设计、酶优化一下子有了地图。可也有人担忧：基础科研怎么搞？学生再花几年学结晶学，是不是白费？

我倒不这么看。工具强了，问题会更复杂。会催生新的好奇心。就像显微镜没让生物学家失业，反而打开了细胞世界。科研成果永远是一把梯子，而不是终点。

科研的鄙视链，该破了

这两项诺奖，扇了“纯种科研”一耳光。以前总有人说：做应用的别碰基础科学，搞计算机的别来物理地盘撒野。但Hinton和Hassabis证明了——跨界才是核弹。科研成果的鄙视链？（噗嗤）早就该扔进历史垃圾桶。

我大学时候，有个教授特别讨厌“工程思维”。他觉得只有推导公式才算真科学，一碰代码就低人一等。如今呢？深度学习模型解开蛋白质折叠，这比任何优雅的方程都来得真实。世界是复杂的，非线性、高维、混沌，传统还原论根本搞不定。AI给了我们一套新语言。

当然，也有人嘀咕：AI出的结果算“理解”吗？AlphaFold预测了结构，但它不懂生物学意义。可话说回来，人类就懂吗？我们把蛋白质设计出来，塞进细胞，有时也猜不透它为何work。科研从来不是黑箱变白，而是黑箱变小一点，再小一点。

对了，还有一个花絮。Hinton前两年离开谷歌，就是因为他怕了——怕AI失控。一个研发者警告世界当心自己的发明，这戏码够讽刺。但这也是科学家的良心。科研成果没有善恶，但人有。所以，奖给他，不仅表彰智慧，还表彰这种拧巴的清醒。

最后聊一句大白话：以后搞科研，别再画地为牢了。学点物理，懂点代码，玩点生物，说不定哪天你就捅破了天。你说呢？