上司的老婆_科技快报_AI“统治”诺贝尔奖背后，知识的贬值已经开始了

AI“统治”诺贝尔奖背后，知识的贬值已经开始了_上司的老婆ZAKER新闻

4月18日，尹锡悦接受采访谈及台湾问题时声称：“韩国将同国际社会一道，坚决反对依靠力量改变现状。台湾问题不仅是中国大陆和台湾之间的问题，而是像朝鲜问题一样，是个全球性问题。”

文 | 乌鸦智能说这两天，诺贝尔奖逐步公布，AI 成了最大赢家。10 月 8 日，瑞典皇家科学院宣布，2024 年诺贝尔物理学奖授予美国科学家约翰 · 霍普菲尔德（John J. Hopfield）和英裔加拿大科学家杰弗里 · 辛顿（Geoffrey E. Hinton），以表彰他们利用物理学工具，开发出了当今强大机器学习技术的基础方法。一天之后，瑞典皇家科学院又宣布，将 2024 年诺贝尔化学奖授予大卫 · 贝克（David Baker）、戴米斯 · 哈萨比斯（Demis Hassabis）和约翰 · 江珀（John M.Jumper），以表彰他们用 AI 在蛋白质设计和蛋白质结构预测领域作出的贡献。你可以简单理解为，诺奖评委们把诺贝尔物理学奖颁给了机器学习，而诺贝尔化学奖颁给了 AI 预测蛋白质结构和蛋白质设计。为什么 AI 突然能拿下两座诺贝尔大奖？AI 站上诺贝尔奖舞台背后，到底隐藏着一个什么趋势？AI 连下两座诺贝尔大奖先说下诺贝尔物理学奖的获得者霍普菲尔德和辛顿。霍普菲尔德在 1982 年创造出联想神经网络，现在通称为霍普菲尔德网络（Hopfield network），可以存储并重现图像和其他数据模式的关联记忆技术。简单来说，霍普菲尔德网络解决的问题是：人是如何进行联想记忆的，也就是如何通过某一部分的记忆联想起整个记忆。比如，你听到一个人的名字，就能联系他的长相。而作为深度学习领域的领军人物，辛顿的最大贡献在于，开发了一种新的神经网络：玻尔兹曼机。在我们大脑中，神经元之间会相互作用，有些神经元的决策是可以影响另一部分的神经元。借用知乎上产品二姐的比方：有些神经元的决策是可以表现出来的，比如某些人看了《长安三万里》这部动画片。但又有些神经元的表现是不可见的，比如某些人看《长安三万里》是因为喜欢唐诗，有些人看是因为喜欢追光动画，还有些人是因为陪喜欢的人一起看。而玻尔兹曼机所要做的事，就是搞清楚这些可见和不可见神经元之间互相影响的关系。玻尔兹曼机的出现，很大程度推动了机器学习的快速发展。特别是在深度学习发展早期，波尔兹曼机被用来预训练深层神经网络，帮助网络在进行更复杂学习任务之前，找到合适的权重初始状态。说完物理学奖，再来说说诺贝尔化学奖。其中，诺贝尔化学奖获奖者之一的大卫 · 贝克，率先开发了设计和预测蛋白质三维结构的方法，创造出了全新的蛋白质，基于创新的软件、算法解决医学难题。而戴米斯 · 哈萨比斯和约翰 · 江珀，则参与创造的 AI 蛋白质结构分析工具 AlphaFold，直接把蛋白质预测这事带到了一个新纪元。如果将生命体比作一个拼好的乐高积木，那蛋白核酸等大分子就像一个个独立的乐高零件。在过去的五十年里，理解每一个乐高零件的形状就是结构生物学家的主要工作。但这事并不容易，蛋白质是由 20 种不同的氨基酸按特定序列连接形成的多聚体，这些不同的氨基酸通常会折叠成某一个特定的形状。所以，想要真正地理解蛋白质如何发挥作用，科学家们就必须准确地掌握蛋白质的空间结构。蛋白质结构从简单到复杂，总共分为 4 级。一级结构比较容易确定，简单的生物实验如质谱法即可，但涉及到二级以上结构如何折叠的，结构生物学家往往需要利用 X 射线、核磁共振、电游仪、冷冻电镜来检测。这些方法耗时耗力、人工成本也极高，比如电泳仪只能间接进行测量，实验中还受较多因素干扰，因而会影响对蛋白质结构的分析与理解。而能高分辨率解析的冷冻电镜则极为昂贵，一台约 1 亿人民币左右。截至今年，我国的冷冻电镜也只有 60 多台。AlphaFold 厉害的地方在于，通过深度学习模型来预测蛋白质更高结构，不仅非常快，而且相当准确，大大提高了蛋白质研究的效率。2021 年，AlphaFold 就预测了 35 万个蛋白质结构，这包括了 98.5% 的人类蛋白质，并将这些蛋白质结构放到了 AlphaFold-EBI 数据库中。到了 2022 年，这个数据库中的蛋白质数超过了 2 亿，几乎包含了地球上所有可能存在的蛋白质。可以说，AlphaFold 几乎一个人把预测蛋白质结构这事给做了，这对人类探索自身的生命密码尤其重要。知识的尽头是 AI虽然机器学习拿下诺贝尔物理学奖这事有很大争议，但另一个已成的事实是，AI 已经几乎渗透到所有的学科，并产生了不可忽视的影响。原因很简单，AI 的学习效率比人强太多。在之前很长时间里，辛顿一直认为，人的智慧比 AI 更高。但这几年，辛顿看法开始转变，因为他发现，AI 在知识传播效率、学习机制、能源效率方面都比人强。就拿知识传播来说，当一个 AI 智能体掌握了某个知识，所有的 AI 智能体都能立刻学会这个知识。相反，人类只能通过观察和复制教师行为来学习，这个过程时间更长且效率更低。再说学习机制，人类的大脑里有 100 万亿个连接，而 GPT 只有一万亿个，数量远远低于人类。但一个 GPT 用 1700 多亿的参数，居然就记住了人类所有的知识和文明，而且还可以进行抽象的思考。这意味着，AI 比人类更擅长将大量知识放在 1 万亿的连接中。换句话说，AI 可能找到了比人类更好的学习方法。在 AI 强大的学习能力之下，知识正在迅速贬值。OpenAI 早期投资人 Vinod Khosla 曾预测，未来几乎所有的专业知识都将被 AI 免费化。持有类似观点的还有牛津大学教授 Nick Bostrom。他的观点更极端，本科和博士课程将加速贬值，传统 20-30 年以知识传递为核心的人力资本投资将看不到任何回报。但与此同时，跨学科知识的重要性可能被进一步提升，即使用计算机工具，以及与其他学科的理论，去帮助其它学科（物理，化学，材料，生物，医药）攻克学术难题。也就是说，未来学好人工智能，很有可能会比拒绝人工智能的人，能更有效的工作，形成新的重要发现，甚至争夺各个方向的诺贝尔奖。甚至有一天，一个拿 GPT-X 写文章的人，或许也能够获得诺贝尔文学奖。