如何评价2024年诺贝尔委员会对ai领域的偏爱?

我认为 2024 年诺贝尔物理学奖的情况可以接受，诺贝尔化学奖的情况不适当。

John J. Hopfield 和 Geoffrey E. Hinton 利用统计物理学工具开发出人工神经网络方法，他们的工作涉及玻尔兹曼分布、自旋玻璃模型、能量函数、最小作用量原理等。

两人的获奖理由“使通过人工神经网络实现机器学习成为可能的基础性发现和发明”没有什么问题。将统计物理学或统计力学写上去，会更容易让一般读者理解。

• 例如，可以表述为“在人工神经网络领域的开创性统计物理学工作”。
• Hopfield 的 Hopfield 网络源自零温度下的伊辛模型^[1]。伊辛模型是以物理学家恩斯特·伊辛为名的数学模型、统计力学模型，用于描述物质的铁磁性。
• Hinton 在 Hopfield 网络的基础上运用统计物理学工具开发了玻尔兹曼机。

Ambuj Tewari 认为，两人这次获奖可以展示物理学理念如何推动深度学习的兴起。

看起来，世界范围内，关注诺贝尔物理学奖的人大多认为，2024 年诺贝尔物理学奖不应该颁给看起来与物理学没有直接关系的人工智能领域，这个奖更应该颁给做更直接的物理领域工作的老科学家。一些人调侃这是在暗示或明示学物理没前途、物理学不存在了、学物理的人们应该赶快转去学计算机。这些玩笑是有一定趣味性的，但我不觉得人们真的应该赶快转去学计算机。

2024 年 10 月 8 日下午，大家开上述玩笑的时候，我就说计算机是数学、材料学、量子电动力学等的应用，人工神经网络里有不少电子工程相关的理论和实践。

相比之下，Alphafold 输出的蛋白质结构预测有待改进。

2024 年夏末，一篇文章报告 Alphafold 系列预测蛋白质结构的准确率很低，会预测出实验显示不存在的结构，其预测受训练集的强烈影响^[2]。

• 作者选取了 92 对已知的折叠转换蛋白和 7 个训练集外的折叠转换蛋白。每对已知蛋白具有相同的或高度相似的氨基酸序列、截然不同的二级/三级结构。
• 针对上述蛋白质，作者用 AF2.3.1、AF2-multimer、AF3 等和两种增强采样方法（SPEACH_AF、AF-cluster）生成了超过 282000 个标准条件下的结构预测，考察预测的结构准确度和 pLDDT、pTM 分数。
• 结果显示，这些模型和方法预测了 35% 的已知双重构象、1/7 的训练集外折叠转换蛋白。pLDDT、pTM 分数给出的置信度未能有效反映预测的准确度。
• 作者以 AF2Rank 方法评估模型对折叠转换蛋白不同能量状态的区分能力，发现模型的表现与瞎猜相似。

标准条件下的两种构象就这样了，你觉得在现实中的各种条件下蛋白质出现的更多构象要怎么办呢？