神經網絡和蛋白質預測領域基于 GPU 所實現的重大突破榮獲諾貝爾獎，預示著科學與各行各業進入了一個新時代。

AI 曾經只存在于科幻小說中。但近日，AI 在瑞典登上了科學成就的頂峰。

在斯德哥爾摩地標性建筑——斯德哥爾摩音樂廳（Konserthuset）舉行的這場具有歷史意義的頒獎典禮上，John Hopfield 和 Geoffrey Hinton 憑借在神經網絡領域的開創性成就榮獲諾貝爾物理學獎。神經網絡系統模仿大腦結構，構成了現代 AI 的基石。

同時，Demis Hassabis 和 John Jumper 憑借 Google DeepMind 的 AlphaFold 系統榮獲諾貝爾化學獎。該系統解決了生物學中一個曾經“不可能”解決的問題，即預測蛋白質結構。這一成就對醫學和生物技術具有深遠的影響。

這些成就不僅僅意味著學術聲望，更標志著一個時代的開始，即由 GPU 驅動的 AI 系統解決了曾經被認為無法解決的問題，正在為醫療健康、金融等數萬億美元規模的行業帶來變革。

Hopfield 的研究成果與神經網絡的基礎

在 20 世紀 80 年代，擅長提出重大問題的物理學家 Hopfield 為神經網絡領域帶來了新的視角。

他借用物理學中的能量景貌，解釋了神經網絡如何通過尋找穩定的低能量狀態來解決問題。他的想法抽象而巧妙，通過展示復雜的系統如何自我優化，為 AI 奠定了基礎。

到本世紀初，英國認知心理學家 Geoffrey Hinton 接過這一重任。Hinton 相信神經網絡可以給 AI 技術帶來變革，但訓練這些系統需要巨大的算力。

1983 年，Hinton 和 Sejnowski 在 Hopfield 的研究基礎上發明了玻爾茲曼機，該機器利用隨機二值神經元跳出局部最小值。他們發現了一種巧妙且非常簡單的學習程序，該學習程序基于統計力學，可替代反向傳播。

2006 年，該學習程序的簡化版被證明在使用反向傳播訓練深度神經網絡之前，能夠非常有效地初始化深度神經網絡。然而，訓練這些系統仍然對算力有嚴苛要求。

AlphaFold：生物學領域的 AI 變革

AlexNet 推出十年后，AI 進入了生物學領域。Hassabis 和 Jumper 主導開發了 AlphaFold，解決了預測蛋白質的形狀這一困擾科學家多年的難題。

蛋白質是生命的基石，其形狀決定了功能。了解蛋白質的形狀是對抗疾病和研發新藥的關鍵。但尋找它們的過程緩慢、成本高昂且結果難以預料。

AlphaFold 改變了這一切。它根據 Hopfield 的想法，使用 Hinton 的網絡以驚人的精確度預測蛋白質的形狀。在 GPU 的支持下，它繪制了幾乎所有已知蛋白質的圖譜。如今，科學家利用 AlphaFold 來對抗耐藥性、研發更優質的抗生素，以及治療曾經被認為是不治之癥的疾病。

曾經困擾生物學的棘手難題，如今通過 AI 獲得了解法。

GPU 的作用：發揮 AI 的潛力

GPU 作為現代 AI 不可或缺的引擎，是取得這些成就的關鍵。GPU 最初是為了讓電子游戲的畫面變得更好，它非常適合滿足神經網絡的大規模并行處理的需求。

尤其是 NVIDIA GPU 成為了推動 AlexNet 和 AlphaFold 等突破的引擎。NVIDIA GPU 能夠以超乎尋常的速度處理龐大的數據集，使 AI 得以解決規模和難度空前的問題。

重新定義科學與各行各業

這些獲得 2024 年諾貝爾獎的巨大突破不僅改寫了教科書，還優化了全球供應鏈、加速了藥物研發，并幫助農民適應不斷變化的氣候。

如今，Hopfield 基于能量的優化原理為 AI 驅動的物流系統提供了思路；Hinton 的架構已成為自動駕駛汽車以及 ChatGPT 等語言模型的基礎。AlphaFold 的成功啟發了 AI 驅動的方法在氣候建模、可持續農業乃至材料科學領域的應用。

物理學和化學領域對 AI 的認可標志著我們對科學的思考方式發生了轉變。這些工具不再局限于數字領域，它們正在重塑物理和生物世界。