| 查看: 2568 | 回复: 2 | |||
yexuqing木虫之王 (文学泰斗)
太阳系系主任
|
[交流]
人工智能何以成为今年诺奖“大赢家”
|
|
2024年诺贝尔三大科学奖项中，两大奖项与人工智能研究相关，先是物理学奖颁给了曾获图灵奖的机器学习先驱，紧接着化学奖也将一半颁给了“程序员”。 不仅诺奖得主在接到获奖电话时表示大感意外，就连诺贝尔奖官方也就此发起两起投票，强调人工智能与基础科学的互动。一则是：你知道机器学习的模型是基于物理方程的吗? 另一则是：你知道人工智能被用来研究蛋白质的结构吗? 不少人疑惑，人工智能这一近年来才频频进入公众视野的技术热词，何以俘获诺贝尔评奖委员会的“芳心”，并一举成为本年度科学奖项的“大赢家”？ 助力解决传统科学方法难以应对的问题 诺贝尔物理学奖和化学奖获奖成果不仅是基础科学的突破性进步，更显示出人工智能已成为推动基础科学的重要工具。利用这一技术，科学家得以基于此前研究构建新型模型，得以处理海量数据，更新传统的方法，得以加速研究，推动多领域基础科学实现新的进展。 得益于今年诺贝尔化学奖得主——谷歌旗下“深层思维”公司的德米斯·哈萨比斯和约翰·江珀在前人研究基础上设计的人工智能模型“阿尔法折叠”，人们现在已可以预测出自然界几乎所有蛋白质的三维结构。 另一名对计算蛋白质设计作出突出贡献的获奖者、美国华盛顿大学西雅图分校的戴维·贝克在谈到人工智能技术时指出，蛋白质结构预测真正凸显了人工智能的力量，使人们得以将人工智能方法应用于蛋白质设计，大大提高了设计的能力和准确性。 人工智能正帮助科研人员解决传统科学方法难以应对的问题。曾作为“阿尔法折叠”早期测试人员的英国伦敦国王学院分子生物物理学教授丽夫卡·艾萨克森说：“我们传统上采用费力的实验方法来分析蛋白质形状，这可能需要数年时间。这些已解析的结构被用于训练‘阿尔法折叠’。得益于这项技术，我们能够更好地跳过这一步，更深入地探究蛋白质的功能和动态，提出不同的问题，并有可能开辟全新的研究领域。” 基础科学与人工智能“碰撞”产生巨大能量 本年度两大科学奖项不仅是对获奖者和他们成就的肯定，更向人们展示出基础科学的深刻洞见与计算机科学创新“碰撞”可以产生的巨大能量。 2024年诺贝尔物理学奖获得者约翰·霍普菲尔德和杰弗里·欣顿是两名机器学习领域的元老级人物。他们使用物理学工具，设计了人工神经网络，为当今强大的机器学习技术奠定了基础。与此同时，相关技术已被用于推动多个领域的研究。 “正是物理学原理为两名科学家提供了思路，而另一方面，研究成果又被用于推动多个领域的研究，不仅包括粒子物理、材料科学和天体物理等物理学研究，也包括计算机科学等其他领域的研究。”诺贝尔物理学委员会秘书乌尔夫·丹尼尔松在接受新华社记者采访时说。 在谈到诺贝尔化学奖成果时，欧洲分子生物学实验室副主任兼欧洲分子生物学实验室－欧洲生物技术研究所主任埃旺·伯尼强调，这一人工智能工具建立在数十年的实验工作之上，得益于分子生物学界内部在全球范围内公开共享数据的文化。 改变科研范式推动突破学术边界 人工智能技术俘获诺贝尔评奖委员会的“芳心”更反映出人工智能与多学科融合，推动科学研究突破边界这一重要的探索趋势。 诺贝尔化学委员会评委邹晓冬表示，技术与基础科学的交叉融合未来将成为常态，而人工智能技术作为这一融合过程中的核心驱动力之一，将推动科学研究不断突破传统框架，实现更加深远、更加广泛的创新。 另一方面，人工智能的快速发展也引发人们对未来的担忧。诺贝尔物理学委员会主席埃伦·穆恩斯说，人类有责任以安全且道德的方式使用这项新技术。诺奖得主欣顿在接受电话连线时也表示，相关技术将对社会产生巨大影响，但也必须警惕技术可能构成的威胁。 毋庸置疑的是，传统科学研究的范式正在转换。从问题出发，通过人工智能技术寻求解决方案，这不仅将在生物、化学和物理等领域中发挥革命性作用，更将推动众多不同学科的融合，推动科学研究突破边界，并对人类未来产生深远影响。 英国研究与创新署工程与物理科学研究委员会执行主席、牛津大学结构生物信息学教授夏洛特·迪恩表示，能在当今从事科学工作是一件令人兴奋的事情，特别是在这些跨学科领域，因为人工智能不仅开始解决真正困难的问题，而且还改变了我们从事科学研究的方式。 正如伯尼所说，“大数据与人工智能和技术发展的潜力是无限的——而这，只是一个开始”。 |
回复此楼» 猜你喜欢
请问有评职称，把科研教学业绩算分排序的高校吗
已经有6人回复
-
2025冷门绝学什么时候出结果
已经有6人回复
-
Bioresource Technology期刊，第一次返修的时候被退回好几次了
已经有7人回复
-
真诚求助：手里的省社科项目结项要求主持人一篇中文核心，有什么渠道能发核心吗
已经有8人回复
-
寻求一种能扛住强氧化性腐蚀性的容器密封件
已经有5人回复
-
请问哪里可以有青B申请的本子可以借鉴一下。
已经有4人回复
-
请问下大家为什么这个铃木偶联几乎不反应呢
已经有5人回复
-
天津工业大学郑柳春团队欢迎化学化工、高分子化学或有机合成方向的博士生和硕士生加入
已经有4人回复
-
康复大学泰山学者周祺惠团队招收博士研究生
已经有6人回复
-
AI论文写作工具：是科研加速器还是学术作弊器？
已经有3人回复
» 本主题相关商家推荐: (我也要在这里推广)
yexuqing
木虫之王 (文学泰斗)
太阳系系主任
- 应助: 11 (小学生)
- 金币: 199041
- 散金: 5
- 红花: 126
- 沙发: 724
- 帖子: 167325
- 在线: 4675.6小时
- 虫号: 88288
- 注册: 2005-08-23
- 专业: 数论
|
2024年的诺贝尔化学奖一半授予大卫·贝克（David Baker），“以表彰在计算蛋白质设计方面的贡献”；另一半则共同授予德米斯·哈萨比斯（Demis Hassabis）和约翰·M·詹珀（John M． Jumper），“以表彰他们在蛋白质结构预测方面的成就”。 David Baker 是华盛顿大学蛋白质设计研究所所长，被誉为蛋白质设计领域先驱。2003年起，他成功设计出全新的Top7等多种创新蛋白质，广泛应用于药物、疫苗、纳米材料、微型传感器等领域。并在1999年就提出了蛋白质结构预测算法RoseTTA，早于Deepmind的AlphaFold。 另两位获奖者就更不陌生。Demis Hassabis是Google DeepMind联合创始人兼CEO，John M． Jumper现任Google DeepMind总监。两人通过领导团队开发 AI 模型 AlphaFold 2，解决了困扰科学界50年的难题：从氨基酸序列预测蛋白质的复杂结构。 蛋白质是生命的基础化学工具，它们控制并推动着所有生物化学反应，担任激素、信号物质、抗体和组织构建的关键角色。在蛋白质中，氨基酸以长链的形式连接在一起，并折叠成三维结构。自上世纪70年代以来，研究人员一直尝试根据氨基酸序列预测蛋白质结构，无奈进展缓慢，直至四年前DeepMind带来的惊人突破。 2020年，Demis Hassabis和John Jumper在初代 AlphaFold 的基础开发了AlphaFold 2。它几乎能够预测所有已被研究人员识别的2亿个蛋白质的结构，至今已被引用超过2万次，被来自190个国家200多万人使用，在推动包括疟疾疫苗、癌症治疗、酶设计和抗生素耐药性研究等领域取得了巨大进展。实际上在诺奖以前，两人已于去年获得素有“科学界奥斯卡”之称的生命科学突破奖和“诺奖风向标”拉斯克奖，以表彰他们为基础医学研究做出的突出贡献。 瑞典皇家科学院在声明中称，“没有蛋白质，生命无法存在。如今我们能够预测蛋白质结构并设计自己的蛋白质，这为人类带来了巨大的福祉。” 得知获奖消息后，Google DeepMind官方第一时间发文“报喜”。 Demis Hassabis也发表声明称： “获得诺贝尔奖是我一生的荣誉。感谢瑞典皇家科学院，感谢John Jumper和AlphaFold团队，感谢更广泛的DeepMind和Google团队，以及所有为这一时刻做出贡献的同事。我将我的职业生涯奉献给AI的进步，因为它拥有无与伦比的潜力，能够改善数十亿人的生活。AlphaFold已经被200多万研究人员用于推进关键工作，从酶设计到药物发现。我希望未来我们能将AlphaFold视为AI加速科学发现巨大潜力的第一个实证。” John Jumper随即表示：“这是AI能够加速科学研究并最终帮助理解疾病和开发治疗方法的一个重要证明。这项工作归功于Google DeepMind的优秀团队，这个奖项也认可了他们的杰出贡献。” 至此，加上此前率先获得物理学奖，并引发高度讨论度的“AI教父”杰弗里·E·辛顿（Geoffrey E． Hinton），这些今年最受关注的获奖者背后，共同的交集很明显——辛顿是承载Google早期AI野心的Google Brain的核心人物，而Demis Hassabis是承载Google近年来AI研究任务的Google Deepmind的灵魂。 怪不得连“诺贝尔派对”都直接在Google园区举办了。 在诺贝尔奖连续发给AI科学家背后，Google也“赢麻了”。 Google的进攻 从时间线上来看，谷歌绝对是最早入局人工智能的大公司玩家。 尽管在许多故事版本中，都将2012年冬天那场发生在美国太浩湖旁赌场酒店里的秘密竞拍，描述为Google、微软、百度三家科技巨头与DeepMind之间，围绕Hinton刚成立、除了几篇论文外没有任何实质产品的小公司DNNResearch的公平竞争。但事后回看，这场竞拍的结局其实早已注定。因为它的起源之一，正是来自6个月前Google的推动。 2012年6月，Google Brain公开启动“谷歌猫（The Cat Neurons）”项目，用算法识别YouTube视频中的猫。由吴恩达领导，Jeff Dean参与，并获得公司创始人Larry Page的大力支持。 项目构建了一个拥有10亿个连接的大型神经网络，使用来自YouTube的1000万段未标注视频，在16，000个CPU上进行训练。通过无监督学习，该系统成功自主学会了识别猫脸，准确率达74.8%，并能识别人脸等其他物体。 不过，吴恩达在项目后期选择了激流勇退，临走前向Google举荐了自己的老师Hinton接替工作。Hinton表示自己不会离开大学，只愿意去Google“待一个夏天”。就这样，他成为Google历史上最年长的实习生。 作为深度学习领域的权威，Hinton很快就意识到项目的缺陷，指出谷歌猫“运行了错误的神经网络，并使用了错误的计算能力。”于是在短暂的“实习期”结束后，Hinton马上召集学生Ilya Sutskever和Alex Krizhevsky组建团队，开发了新的神经网络架构AlexNet。并带着仅4颗英伟达GPU训练出来的成果参加了2012年ImageNet图像识别比赛，最终以84%的准确率取得颠覆性胜利。 同年10月，Hinton团队在佛罗伦萨计算机视觉会议上正式介绍了冠军算法AlexNet。一支学界团队逆袭击败硬件和研发资源对比悬殊的Google，引发学术界和产业界彻底轰动。AlexNet论文也成为计算机科学史上最有影响力的论文之一，被引次数超过12万。 接下来，三人的DNNResearch公司注册成立。后续竞拍的发展就更加顺理成章，当身价被提高到4400万美元时，Hinton叫停了拍卖，与两名学生一起正式加入谷歌，担任Google Brain副总裁和工程研究员。 当时的Hinton在一篇声明中写道：“我会继续在多伦多大学兼职任教，但在Google，我能够看到我们如何处理超大型计算。” 在直到2023年5月的十年谷歌生涯中，Hinton继续参与大规模人工神经网络研究，为Bard和ChatGPT等现代AI系统的底层技术奠定了基础性贡献。他也参与开发了开源机器学习软件库TensorFlow，推动了图像识别、语言理解等AI应用的能力提升，并将深度学习技术广泛应用于Google的各类产品和服务中。 Google对人才和技术的聚集从未放缓。在收购DNNResearch仅两年后，当年参与竞拍的对手之一， Hassabis创立的DeepMind也被它纳入囊中。 据悉，Google当时还专门包了架私人飞机带Hinton去伦敦”验货“，并且专门改造了座椅，解决他背痛不能坐飞机的问题。而当时被Google挤走的Facebook在错失DeepMind后，则转而高价挖走了“深度学习三巨头”之一的Yann LeCun。 Deepmind的故事 来到DeepMind这边，其实被Google收购前，DeepMind已经在财务方面遇到了困难，公司一直在烧钱，却未能找到可持续的商业模式，甚至濒临破产。 谷歌的6亿美元收购拯救了DeepMind，不仅保留了核心技术团队，还为其提供了强大的计算资源，包括云计算平台和数据中心支持。这让DeepMind能够利用更强的算力来训练深度神经网络，特别是在AlphaGo的开发中，大幅提升了计算速度和模型精度。除此之外，谷歌还提供了专门设计的TPU（张量处理单元），进一步优化了深度学习模型的训练和推理效率，AI基础工具TensorFlow也被广泛应用到DeepMind的研究之中，协助加强AlphaGo的表现。 AlphaGo是DeepMind团队开发的一款人工智能围棋程序。它通过分析数百万局棋谱，用自我对弈进行强化学习，掌握了复杂的围棋策略，能够超越人类顶尖围棋选手。2016年，AlphaGo在与围棋世界冠军李世石的比赛中取得了4比1的胜利，从此一战成名，震惊全球。 然而在Hassabis眼中，通过棋盘游戏验证AI解决复杂问题的潜力只是开始。更重要的是用它来引导通用学习系统，应对现实世界的挑战，从而真正改善人类生活、革新行业并推进科学发展。 于是在几个月内，DeepMind便迅速雇佣生物学家，组建了一支跨学科团队，专注于解决蛋白质折叠难题，最终在2018年促成了AlphaFold项目诞生。经过多次迭代，AlphaFold已凭借其突破性的蛋白质结构预测能力，彻底改变了生物学研究，展现了AI在科学领域的强大应用前景。 就在今年5月，Google Deepmind再次官宣，与Isomorphic Labs联合推出新一代蛋白质预测模型AlphaFold 3，相关论文一举登上《Nature》杂志。 与之前的版本相比，AlphaFold 3不仅在蛋白质折叠预测上取得了进展，还首次实现了对蛋白质、DNA、RNA及配体等生命分子的结构及其相互作用的高精度预测。这一突破帮助科学家更深入地理解疾病机制和生命过程，同时大幅缩短了研发时间和成本。无论是开发可再生材料，还是加速药物设计和基因组学研究，AlphaFold 3都为生物分子领域打开了更广泛的应用空间。 不仅如此，团队还基于AlphaFold 3推出了一个名为AlphaFold Server的免费平台，供全球科学家进行非商业性研究，进一步推动科学探索的普及。 通过DeepMind，Google不断吸引着全球顶尖的科研人才，并提供长期的资金支持，使其能够专注于突破性研究，而不必依赖短期的商业回报。Google还赋予了DeepMind高度的战略自主权，使其能够自由选择研究方向。正是这种独立性和长期支持，为DeepMind进行前瞻性研究奠定了坚实基础。 除游戏领域和生物学突破外，DeepMind还开发了用于谷歌助手的逼真语音合成模型WaveNet，提升了语音交互体验。通过视觉-语言-动作模型RT-2增强了机器人在多样环境中的任务执行能力。其研究还涉及天气预测、核聚变反应堆等复杂问题，并通过AlphaCode和AlphaDev等项目推动了计算机算法的进一步发展。 Google的“家底”依然深厚 在今天的人工智能竞争中，OpenAI和Anthropic等明星公司的迅速崛起、ChatGPT、Claude之于Gemini的“碾压”，一度让人们对Google的AI策略产生了质疑。特别在生成式AI产品和开发者工具的商业化进程上，OpenAI们的快速发展与Google相对缓慢的步伐形成了鲜明对比。 然而眼前的两项诺贝尔奖似乎在提醒我们，Google深厚的科研土壤和技术积累仍是其他公司难以复制的优势。 在2006年之前，深度学习的现状可以用开尔文男爵的那句名言来概括：“深度学习的大厦已经基本建成，只不过在阳光灿烂的天空下，漂浮着三朵小乌云。” 这三朵小乌云分别是算法、算力和数据。 而Google恰恰在这些关键领域拥有明显优势。首先，它掌握了全球领先的庞大数据资源，依托YouTube、Google Scholar和Google Search等平台，Google为视觉、语音识别和自然语言处理等AI模型提供了丰富且多样化的训练数据。 其次，Google在计算资源方面具有显著优势。其自主开发的TPU硬件大大加快了深度学习模型的训练速度，Google Cloud不仅为内部研究提供了强大的计算能力，还为全球开发者提供了工具，帮助他们快速构建和部署复杂的AI应用。 在算法研发领域，Google也处于行业前沿。诞生于Google Brain团队的Transformer架构奠定了现代自然语言处理的基础，推动了今天几乎所有前沿AI模型的发展。这些技术不仅推动了学术界的进步，还广泛应用于Google的核心产品中。 2024年，AI领域依然面临着算法、算力和数据挑战。尽管许多公司也各自在某些领域有所突破，但相比之下，似乎同时具备三方面优势并持续有效结合的，还是Google。 在与OpenAI、微软等公司的竞争中，Google的“家底”依然厚实，在AI竞赛中也并未被打败。人工智能的潜力远未被充分挖掘，而在这场长跑中，或许技术创新的深度和广度才决定了最终的胜者。 |
2楼2024-10-13 15:37:55
yexuqing
木虫之王 (文学泰斗)
太阳系系主任
- 应助: 11 (小学生)
- 金币: 199041
- 散金: 5
- 红花: 126
- 沙发: 724
- 帖子: 167325
- 在线: 4675.6小时
- 虫号: 88288
- 注册: 2005-08-23
- 专业: 数论
|
“超越人类智慧的AI可以用语言操纵我们，或许会试图说服我们不要关掉开关。” 今年3月，由ChatGPT掀起的AI（人工智能）技术革命背后的奠基性科学家、被誉为“AI教父”的杰弗里·辛顿（Geoffrey E. Hinton），曾对媒体提及他对AI“反噬人类”的担忧。如今，在他心中“危险和机遇并存”的AI，为他带来了诺贝尔物理学奖的荣誉。 当地时间10月8日，瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予美国普林斯顿大学的约翰·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学的杰弗里·辛顿，以表彰他们“为推动利用人工神经网络进行机器学习作出的基础性发现和发明”。 诺贝尔化学奖则部分授予了谷歌旗下DeepMind公司AI科学家德米斯·哈萨比斯和约翰·江珀，以表彰他们研发出的“Alpha Fold2”模型在蛋白质结构预测方面的成就。 当AI首次成为诺贝尔奖的主要元素，这不仅是对科学家的认可，也是对“AI辅助科学研究”这一应用趋势的肯定，“诺贝尔物理学奖和化学奖都花落AI，既在意料之外，又在情理之中。”复旦大学计算机科学技术学院教授、上海市数据科学重点实验室主任肖仰华告诉澎湃新闻记者。 在他看来，AI在诺贝尔奖当中占据相当比重，释放出传统的自然科学国际性的奖项向新兴学科迁移的信号。传统上人们认为，诺贝尔奖主要授予在传统自然科学领域做出杰出贡献的个人或组织。此次诺奖对人工智能等新兴学科的倾斜，标志着以人工智能驱动的科研方式已不再是“偏门”而是逐渐走向“主流”，并获得传统自然科学领域的广泛肯定。 AI“攻占”诺贝尔奖意味着什么？ “我做了这么一辈子科研，从来没见过AI这么一个行当。每三个月就有新突破，每半年就要翻天覆地了。”国际著名计算生物学家、复旦大学复杂体系多尺度研究院首任院长、上海人工智能实验室领军科学家马剑鹏向澎湃新闻记者坦言。 在他看来，过去50年中，“蛋白质折叠问题”一直是生物学界的重大挑战。此前，生物学家主要利用X射线晶体学或冷冻电镜等实验技术来破译蛋白质的三维结构，耗时长、成本高。几年前，科学家用计算机预测复杂的蛋白质折叠结构，正确率还不到40%。Alphafold出现后，奇迹出现了。 2020年11月30日，Alphafold 2在蛋白质结构预测大赛CASP 14中，对大部分蛋白质结构的预测与真实结构只差一个原子的宽度，接近达到了人类利用冷冻电子显微镜等复杂仪器观察预测的水平，这是蛋白质结构预测史无前例的巨大进步。 “预测蛋白质结构，向来被认为是‘太阳底下最难的科学问题之一’。”马剑鹏表示，他和好朋友、诺贝尔化学奖得主迈克尔·莱维特都曾认为，这一问题在他们的有生之年恐怕很难完全解决，“但没想到人工智能‘Alphafold 2’的出现了，让这个问题向前迈进一大步，真正体现了算法的力量，将诺贝尔化学奖颁给人工智能，是一个理所应当或者非常恰当的决定。” 马剑鹏认为，人工智能可以将求解的准确率大幅提升，显示了“科学智能”研究范式的强大。虽然“Alphafold 2”和“Alphafold 3”并未完全解决蛋白质折叠问题，但它给科学界带来了启示：可以通过数据驱动，将人工智能应用于更多的科研领域，让AI助手破解各种难题。 “人工智能现在已经成为一场新的技术革命，或者可以称之为工具革命。”肖仰华告诉记者，在科学研究领域，AI已成为推动社会进步和研究发展的最重要引擎。 肖仰华认为，诺贝尔奖授予人工智能相关研究实际上起到一个风向标的作用，这意味着传统自然学科一定会掀起努力拥抱和学习人工智能、积极把人工智能的很多工具和方法融入到科学自身的科学研究中的热潮。“大家普遍认为，获得诺贝尔奖的科学家需要经过几十年的研究，而AI打破了这一定律。未来可能会有越来越多年轻学者使用AI工具在传统自然科学做出巨大贡献，在短短几年之内获得诺奖，三四十岁左右的诺奖者可能会大量涌现，这个风向标的意义十分重大，也会对传统的自然科学研究造成巨大冲击。” “这次的诺奖授予情况，可以说是打破了一直以来的评奖传统，可以说是诺贝尔奖评选的一次自我改革。一方面，这反映了诺贝尔奖委员会对于该奖项意义的反思，之后的授奖会更加地关注技术的现实影响，而非绝对意义的学术前沿。”中央财经大学经济学院教授、清华大学中国经济思想与实践研究院研究员徐翔告诉澎湃新闻记者。 另一方面，这反映人工智能技术带来的巨大冲击与科技界对这项技术的无限期待，说明科技界把人工智能看成了科学研究的底层技术，这是过去很多年的获奖成果没有做到的。 “此次AI在诺奖获得成功，表明了学科大交叉、深交叉是趋势，AI改变了科研范式，突破了传统科研方式天花板。通过量变推动质变，AI有望在未来助力更多学科领域取得突破。”国内人工智能专家张春龙向澎湃新闻记者表示，对于网友们的“ChatGPT获得诺贝尔文学奖”等期待，他认为，科学（科技）工程类学科可以由大系统AI助力，文学创作类的可能还是需要人文和情感底蕴支撑。 AI发展有什么风险？如何利用好？ “假设青蛙创造了人类，那么你认为现在谁会占据主动权，是人，还是青蛙？” 去年，辛顿本人在北京智源大会提出的问题仍在耳畔回响，在诺奖“爆冷”颁给AI后，人们也在质疑，AI是否正在夺走科学家最重要的荣誉，AI的高速发展，真的不会带来取代人类的风险吗？ “最后获奖的是AI算法背后的科学家和工程师，而非人工智能本身，目前的人工智能技术也未能达到脱离数据+算力+算法独立运行的程度，本质上还是人类的智慧，但是我们需要对于人工智能下一阶段的发展抱有审慎态度，用客观的眼光看待并做好治理介入的准备。”徐翔坦言。 “从来不是AI可能取代人类，而是掌握了AI这种先进工具的拥有者在淘汰没有掌握先进工具的人，历史车轮的发展轨迹一直如此，任何一次技术革命都是先进技术的拥有者去淘汰没有获得先进技术的人，形成了相对的竞争优势。” 在肖仰华看来，要看到AI在科学研究发展上的巨大潜力，也要意识到AI背后潜在的风险和问题，以目前AI的能力，即便将来发展很完善，本质依然是工具，是对人类的辅助，需要人类科学家去引导、规范和纠正，“因为AI很难具有人类科学家的原始创新能力，它不具备像爱因斯坦那样提出这种相对论，去解释物理现象，突破传统牛顿力学对于这个世界的机械力学的解释，从零到一的原始创新仍然还是人类科学家才有可能完成。” 肖仰华表示，目前AI发展存在两大主要弊端，第一是AI会放大科技的两面性，当AI驱动科学研究之后，这意味着双刃剑的剑锋恐怕要更加锋利，需要积极管理和管控其可能带来的风险。 更严重的是价值观念和伦理道德的挑战，“科技是火车头，整个人类社会是车身，目前火车头动力十足，速度越来越快，越来越加速。但是整个人类社会是由一个个鲜活的个体组成的，是由还在遵循着传统伦理和价值观念的家庭组成的，一个个社区及小型社会群体构成的。我们还在遵循着几千年未变的文化价值、伦理、情感观念，这些是不可能做那么快的调整的。” 在科技的强劲的带动下，生产力会快速发展，生产力快速发展就势必要求整个社会的上层建筑、伦理价值和情感观念跟着去做适应和调整，缓慢调整的社会上层关系和在科技带动下快速发展的生产力之间可能会诞生新型的矛盾。 今年6月，2024年诺贝尔经济学奖得主麻省理工学院（MIT）教授达龙·阿西莫格鲁（Daron Acemoglu）在接受澎湃新闻记者专访时表示，对于人工智能，非常担心它成为将财富和权力从普通人转移到一小群科技企业家的方式，“问题是我们没有任何必要的控制机制以确保普通人从AI中获利，比如强有力的监管、工人参与、公民社会和民主监督。我们看到的‘不平等’是‘煤矿里的金丝雀’，意味着更糟糕的事即将到来。” 国产大模型如何腾飞超越？ 在360创始人周鸿祎看来，这一次诺贝尔物理学奖颁给计算机科学、颁给人工智能，具有标志和代表性的意义。 “从诺贝尔奖评审的角度来讲，可能都已经开始相信物理学的前沿靠人类是不够的，要靠AI。未来所有学科的发展都离不开AI，将来可能生物学、化学、数学等其他科学的奖项也会发给计算机科学家，会发给对AI产业具有贡献的人。可能以后各个科学的突破，都要靠AI来推动。AI会成为人类科学研究的重要的工具，”周鸿祎表示，AI正在改变这个世界，首先改变的是诺贝尔奖发奖的方式。 AI成为诺奖主流，无疑给AI产业发展带来了积极信号，中国AI科研和大模型企业又该如何对标？ “中国从来不缺优秀的工程师。”马剑鹏告诉记者，“但是如果要走向高精尖，还有很大的难度，能出现在概念上起引领作用的突破最好，因为人工智能领域确实具有广泛的应用前景。坦白讲，中国在这方面已经取得了不错的成绩，如果讨论的是我们是否能在世界范围内达到诺贝尔奖级别的成就，我想在这方面可能还存在一定差距。” 马剑鹏提到，在AI领域的竞争，需要借鉴国外的经验，不能只在高校里依靠教授单兵作战。有些工作，需要大兵团作战，需要高校、大企业等各类资源的融合。谷歌的突破就是一个明显的例子。最近AI方面的巨大突破，几乎全都是科技公司做出来的。 此外，在AI教育的短板也需要加强弥补，“高等教育机构中的学科分类，包括学院的划分，都是基于传统学科体系而设立的，现在必须改革，加强对AI教育的培训。例如，复旦大学2024年招生培养政策发布会上发布的信息，从2024年秋季学期开始，复旦大学将在2024-2025学年推出至少100门AI领域课程。AI大课将纳入所有复旦学生的学业安排。” 值得注意的是，此前国产大模型大多聚焦在通用大模型、行业大模型上，“专业大模型，尤其是与自然科学相结合的专业大模型，将来其实同样重要，甚至更加重要。比如蛋白质大模型会大量用在生命科学医疗产业，这关系到健康福祉和国家科技竞争。”肖仰华表示。 他建议，这对国产大模型未来发展具有重要启示，未来大模型在To B（企业端）行业专业场景的应用要更多和更快，“To B的应用需要有更多的资源力量和人才资本投入，而这些都和诺贝尔奖传统自然科学和AI深度融合是密切相关的。如果能借这个契机，推动更多的资源进入到专业场景，那么对大模型产业而言会产生更巨大的推动作用。” |
3楼2024-10-15 13:15:57