北京
10月10日消息，人工智能研究领域本周迎来了引人注目的重大事件：谷歌DeepMind首席执行官德米斯·哈萨比斯（Demis Hassabis）和被誉为“人工智能教父”的杰弗里·辛顿（Geoffrey Hinton）分别荣获诺贝尔化学奖和物理学奖。这一突破性成就是否会对更广泛的科学激励机制带来深远变革？值得我们深入思考。
以下为翻译全文：
哈萨比斯并不知道自己获得了瑞典皇家科学院颁发的诺贝尔化学奖，直到他的妻子在Skype上频繁接到一个来自瑞典号码的电话“轰炸”。
在庆祝获奖的新闻发布会上，哈萨比斯说道：“她接了几次电话又挂掉，但铃声依然持续。后来我想她可能意识到这是瑞典的号码，于是她告诉了他们我的电话号码。”此次新闻发布会，哈萨比斯与谷歌DeepMind的同事约翰·朱姆珀（John Jumper）共同出席。
哈萨比斯获得诺贝尔化学奖其实并不令人意外：就在前一天，常被誉为“人工智能教父”的辛顿（Geoffrey Hinton）与普林斯顿大学教授约翰·霍普菲尔德（John Hopfield）因在机器学习领域的贡献而荣获诺贝尔物理学奖。
显然，我们已经进入了人工智能的时代。现在，通过研究它并为其他领域做出贡献，完全有可能获得诺贝尔奖，就像辛顿和霍普菲尔德所在的物理学领域，还有哈萨比斯与朱姆珀（他们与华盛顿大学的基因组科学家大卫·贝克（David Baker）一同获奖）聚焦的化学领域。
剑桥大学Leverhulme未来智能中心的高级研究员埃莉诺·德拉格（Eleanor Drage）指出：“这无疑是‘科学领域的人工智能’时刻。目睹杰出的计算机科学家荣获诺贝尔化学奖和物理学奖，我们都开始预测谁将摘得和平奖的桂冠。”她办公室的同僚们还打趣说，xAI创始人埃隆·马斯克（Elon Musk）已成为和平奖的热门人选。
德拉格认为，向人工智能领域的研究者颁发物理和化学奖项“引发了一场激烈的讨论，不仅在这些学科内部，而且在外部也引起了广泛关注。”她表示，这些奖项的颁发可能基于两个原因：一是人工智能在学术研究中无孔不入，极大地改变了学科之间的界限；二是“我们对计算机科学家如此推崇，以至于愿意将他们归入任何领域。”
尽管德拉格对于诺奖组委会本周的决定所蕴含的意义持保留态度，但她和其他人都坚信，这一决定将对未来的研究产生深远影响。
英国科研诚信办公室前研究诚信经理马特·霍奇金森（Matt Hodgkinson）评论道：“利用人工智能获得诺贝尔奖的趋势可能已初露端倪，这可能会影响研究方向。”然而，问题在于，这种变革是否会朝着正确的方向发展？
作为本年度诺贝尔化学奖的得主之一，贝克长期以来一直是利用人工智能预测蛋白质结构领域的领军人物。他数十年来始终致力于攻克这一难题，并逐渐取得了进展。贝克意识到，明确界定的问题以及蛋白质结构的规范性，使其成为人工智能算法的一个理想试验平台。他的成功并非偶然，贝克在其职业生涯中发表了超过600篇学术论文。同样，谷歌DeepMind的AlphaFold2项目也证明了这一点。
然而，霍奇金森担忧的是，该领域的研究人员在试图剖析今年三位诺贝尔奖得主的成功原因时，可能会过分关注技术层面，而忽视了科学本质。他强调：“我希望这不会误导研究人员，让他们误以为所有的人工智能工具都具备同等价值，从而滥用聊天机器人等工具。”
这种担忧源于人们对其他所谓“颠覆性技术”的浓厚兴趣所带来的影响。霍奇金森指出：“炒作周期总是存在，最近的一个例子就是区块链和石墨烯。”
谷歌学术论文搜索工具Google Scholar的数据显示，自2004年石墨烯被发现后，2005年至2009年间，提及该材料的学术论文数量为4.5万篇。然而，在安德烈·海姆（Andre Geim）和康斯坦丁·诺沃谢洛夫（Konstantin Novoselov）因发现石墨烯而荣获诺贝尔奖后，相关论文的发表数量急剧增加，2010年至2014年间达到45.4万篇，2015年至2020年间更是突破了100万篇。但迄今为止，这种研究热潮对现实世界的影响仍然有限。
霍奇金森认为，多名研究人员因其在人工智能领域的工作而得到诺贝尔奖组委会的认可，这种鼓舞人心的力量可能会吸引更多人涌入这个领域，而这可能会带来科学质量上的变化。他补充道：“人工智能的提议和应用是否具有实质性内容是另一个需要考量的问题。”
我们已经目睹了媒体和公众对人工智能的关注对学术界产生的深远影响。斯坦福大学的研究揭示，从2010年至2022年，围绕人工智能发表的论文数量增加了两倍，仅在2022年就发表了近25万篇论文，相当于每天有超过660篇新论文问世。而且，这一数据是在2022年11月ChatGPT引领生成式人工智能革命之前的。
纽约大学坦顿工程学院从事人工智能研究的计算机科学副教授朱利安·托格里厄斯（Julian Togelius），对于学者们会在多大程度上受到媒体关注、金钱诱惑和诺贝尔奖委员会赞誉的影响感到担忧。他指出：“通常情况下，科学家们会选择阻力最小、回报最大的路径。”
考虑到学术界的竞争本质，资金日益稀缺，并且直接与研究人员的职业发展前景相关联，似乎有可能将一个热门话题（如本周这样有可能为高成就者赢得诺贝尔奖的领域）与获取资源相结合，这样的诱惑可能难以抗拒。
风险在于，这种趋势可能会抑制创新思维的发展。托格里厄斯指出：“从自然界中获取更多基础数据，并提出人类能够理解的新理论，是一项极具挑战性的任务。” 这需要深入的思考和探索。对于研究人员而言，利用人工智能进行模拟，支持现有理论，并处理现有数据，虽然在理解上只能实现小幅度的提升，而非巨大的飞跃，但这样的做法效率却要高得多。托格里厄斯预测，新一代科学家最终可能会选择这样的道路，因为这样做更为简便。
此外，还存在另一种风险，即那些过于自信的计算机科学家，在推动人工智能领域发展的同时，开始看到人工智能在不相关的科学领域（如物理和化学）获得诺贝尔奖，并决定效仿他们的做法，侵占其他领域的研究空间。
托格里厄斯警告说：“计算机科学家往往在涉足他们不了解的领域时，不假思索地应用一些算法，然后称之为进步。无论这种做法是好是坏，他们都认为这是理所当然的。” 他承认，由于自己对物理学、生物学或地质学等领域了解有限，他也曾有过将深度学习应用于其他科学领域，并在深入思考之前就急于“推进”的想法。
哈萨比斯是利用人工智能推动科学发展的一个杰出范例。他是一名具备神经科学背景的博士，于2009年获得该领域的博士学位，并凭借这一专业背景，在谷歌DeepMind为人工智能的发展做出了重要贡献。然而，就连他也承认，该行业提高效率的方式已经发生了转变。在诺贝尔奖新闻发布会上，他提到：“如今，人工智能更倾向于工程化。我们掌握了许多技术，现在主要是在算法上进行改进，而不再直接参考大脑的工作原理。”
这一变化对研究的类型、研究对象、研究人员对领域的了解程度以及他们进入该领域的动机都产生了深远影响。我们可能会看到更多的计算机科学家参与研究，而不再是那些将一生奉献给某一专业领域，他们脱离了他们所研究的现实。
然而，这并没有削弱哈萨比斯、朱姆珀及其同事们对获得诺贝尔奖的喜悦。哈萨比斯早些时候表示：“我们已接近完成AlphaFold3的代码清理，并计划向学术界免费开放。接下来我们会继续推进。”（小小）
