今天小編分享的互聯網經驗：諾貝爾獎連續“頒給AI”，背後最大赢家竟是Google？，歡迎閱讀。
2024 年的諾貝爾化學獎一半授予大衛 · 貝克（David Baker），" 以表彰在計算蛋白質設計方面的貢獻 "；另一半則共同授予德米斯 · 哈薩比斯（Demis Hassabis）和約翰 · M · 詹珀（John M. Jumper），" 以表彰他們在蛋白質結構預測方面的成就 "。
David Baker 是華盛頓大學蛋白質設計研究所所長，被譽為蛋白質設計領網域先驅。2003 年起，他成功設計出全新的 Top7 等多種創新蛋白質，廣泛應用于藥物、疫苗、納米材料、微型傳感器等領網域。并在 1999 年就提出了蛋白質結構預測算法 RoseTTA，早于 Deepmind 的 AlphaFold。
另兩位獲獎者就更不陌生。Demis Hassabis 是 Google DeepMind 聯合創始人兼 CEO，John M. Jumper 現任 Google DeepMind 總監。兩人通過領導團隊開發 AI 模型 AlphaFold 2，解決了困擾科學界 50 年的難題：從氨基酸序列預測蛋白質的復雜結構。
蛋白質是生命的基礎化學工具，它們控制并推動着所有生物化學反應，擔任激素、信号物質、抗體和組織構建的關鍵角色。在蛋白質中，氨基酸以長鏈的形式連接在一起，并折疊成三維結構。自上世紀 70 年代以來，研究人員一直嘗試根據氨基酸序列預測蛋白質結構，無奈進展緩慢，直至四年前 DeepMind 帶來的驚人突破。
2020 年，Demis Hassabis 和 John Jumper 在初代 AlphaFold 的基礎開發了 AlphaFold 2。它幾乎能夠預測所有已被研究人員識别的 2 億個蛋白質的結構，至今已被引用超過 2 萬次，被來自 190 個國家 200 多萬人使用，在推動包括瘧疾疫苗、癌症治療、酶設計和抗生素耐藥性研究等領網域取得了巨大進展。實際上在諾獎以前，兩人已于去年獲得素有 " 科學界奧斯卡 " 之稱的生命科學突破獎和 " 諾獎風向标 " 拉斯克獎，以表彰他們為基礎醫學研究做出的突出貢獻。
瑞典皇家科學院在聲明中稱，" 沒有蛋白質，生命無法存在。如今我們能夠預測蛋白質結構并設計自己的蛋白質，這為人類帶來了巨大的福祉。"
得知獲獎消息後，Google DeepMind 官方第一時間發文 " 報喜 "。
Demis Hassabis 也發表聲明稱：
" 獲得諾貝爾獎是我一生的榮譽。感謝瑞典皇家科學院，感謝 John Jumper 和 AlphaFold 團隊，感謝更廣泛的 DeepMind 和 Google 團隊，以及所有為這一時刻做出貢獻的同事。我将我的職業生涯奉獻給 AI 的進步，因為它擁有無與倫比的潛力，能夠改善數十億人的生活。AlphaFold 已經被 200 多萬研究人員用于推進關鍵工作，從酶設計到藥物發現。我希望未來我們能将 AlphaFold 視為 AI 加速科學發現巨大潛力的第一個實證。"
John Jumper 随即表示：" 這是 AI 能夠加速科學研究并最終幫助理解疾病和開發治療方法的一個重要證明。這項工作歸功于 Google DeepMind 的優秀團隊，這個獎項也認可了他們的傑出貢獻。"
至此，加上此前率先獲得物理學獎，并引發高度讨論度的 "AI 教父 " 傑弗裡 · E · 辛頓（Geoffrey E. Hinton），這些今年最受關注的獲獎者背後，共同的交集很明顯——辛頓是承載 Google 早期 AI 野心的 Google Brain 的核心人物，而 Demis Hassabis 是承載 Google 近年來 AI 研究任務的 Google Deepmind 的靈魂。
怪不得連 " 諾貝爾派對 " 都直接在 Google 園區舉辦了。
在諾貝爾獎連續發給 AI 科學家背後，Google 也 " 赢麻了 "。
Google 的進攻
從時間線上來看，谷歌絕對是最早入局人工智能的大公司玩家。
盡管在許多故事版本中，都将 2012 年冬天那場發生在美國太浩湖旁賭場酒店裡的秘密競拍，描述為 Google、微軟、百度三家科技巨頭與 DeepMind 之間，圍繞 Hinton 剛成立、除了幾篇論文外沒有任何實質產品的小公司 DNNResearch 的公平競争。但事後回看，這場競拍的結局其實早已注定。因為它的起源之一，正是來自 6 個月前 Google 的推動。
2012 年 6 月，Google Brain 公開啟動 " 谷歌貓（The Cat Neurons）" 項目，用算法識别 YouTube 視頻中的貓。由吳恩達領導，Jeff Dean 參與，并獲得公司創始人 Larry Page 的大力支持。
項目構建了一個擁有 10 億個連接的大型神經網絡，使用來自 YouTube 的 1000 萬段未标注視頻，在 16,000 個 CPU 上進行訓練。通過無監督學習，該系統成功自主學會了識别貓臉，準确率達 74.8%，并能識别人臉等其他物體。
不過，吳恩達在項目後期選擇了激流勇退，臨走前向 Google 舉薦了自己的老師 Hinton 接替工作。Hinton 表示自己不會離開大學，只願意去 Google" 待一個夏天 "。就這樣，他成為 Google 歷史上最年長的實習生。
作為深度學習領網域的權威，Hinton 很快就意識到項目的缺陷，指出谷歌貓 " 運行了錯誤的神經網絡，并使用了錯誤的計算能力。" 于是在短暫的 " 實習期 " 結束後，Hinton 馬上召集學生 Ilya Sutskever 和 Alex Krizhevsky 組建團隊，開發了新的神經網絡架構 AlexNet。并帶着僅 4 顆英偉達 GPU 訓練出來的成果參加了 2012 年 ImageNet 影像識别比賽，最終以 84% 的準确率取得颠覆性勝利。
同年 10 月，Hinton 團隊在佛羅倫薩計算機視覺會議上正式介紹了冠軍算法 AlexNet。一支學界團隊逆襲擊敗硬體和研發資源對比懸殊的 Google，引發學術界和產業界徹底轟動。AlexNet 論文也成為計算機科學史上最有影響力的論文之一，被引次數超過 12 萬。
接下來，三人的 DNNResearch 公司注冊成立。後續競拍的發展就更加順理成章，當身價被提高到 4400 萬美元時，Hinton 叫停了拍賣，與兩名學生一起正式加入谷歌，擔任 Google Brain 副總裁和工程研究員。
當時的 Hinton 在一篇聲明中寫道：" 我會繼續在多倫多大學兼職任教，但在 Google，我能夠看到我們如何處理超大型計算。"
在直到 2023 年 5 月的十年谷歌生涯中，Hinton 繼續參與大規模人工神經網絡研究，為 Bard 和 ChatGPT 等現代 AI 系統的底層技術奠定了基礎性貢獻。他也參與開發了開源機器學習軟體庫 TensorFlow，推動了影像識别、語言理解等 AI 應用的能力提升，并将深度學習技術廣泛應用于 Google 的各類產品和服務中。
Google 對人才和技術的聚集從未放緩。在收購 DNNResearch 僅兩年後，當年參與競拍的對手之一， Hassabis 創立的 DeepMind 也被它納入囊中。
據悉，Google 當時還專門包了架私人飛機帶 Hinton 去倫敦 " 驗貨 "，并且專門改造了座椅，解決他背痛不能坐飛機的問題。而當時被 Google 擠走的 Facebook 在錯失 DeepMind 後，則轉而高價挖走了 " 深度學習三巨頭 " 之一的 Yann LeCun。
Deepmind 的故事
來到 DeepMind 這邊，其實被 Google 收購前，DeepMind 已經在财務方面遇到了困難，公司一直在燒錢，卻未能找到可持續的商業模式，甚至瀕臨破產。
谷歌的 6 億美元收購拯救了 DeepMind，不僅保留了核心技術團隊，還為其提供了強大的計算資源，包括雲計算平台和數據中心支持。這讓 DeepMind 能夠利用更強的算力來訓練深度神經網絡，特别是在 AlphaGo 的開發中，大幅提升了計算速度和模型精度。除此之外，谷歌還提供了專門設計的 TPU（張量處理單元），進一步優化了深度學習模型的訓練和推理效率，AI 基礎工具 TensorFlow 也被廣泛應用到 DeepMind 的研究之中，協助加強 AlphaGo 的表現。
AlphaGo 是 DeepMind 團隊開發的一款人工智能圍棋程式。它通過分析數百萬局棋譜，用自我對弈進行強化學習，掌握了復雜的圍棋策略，能夠超越人類頂尖圍棋選手。2016 年，AlphaGo 在與圍棋世界冠軍李世石的比賽中取得了 4 比 1 的勝利，從此一戰成名，震驚全球。
然而在 Hassabis 眼中，通過棋盤遊戲驗證 AI 解決復雜問題的潛力只是開始。更重要的是用它來引導通用學習系統，應對現實世界的挑戰，從而真正改善人類生活、革新行業并推進科學發展。
于是在幾個月内，DeepMind 便迅速雇傭生物學家，組建了一支跨學科團隊，專注于解決蛋白質折疊難題，最終在 2018 年促成了 AlphaFold 項目誕生。經過多次迭代，AlphaFold 已憑借其突破性的蛋白質結構預測能力，徹底改變了生物學研究，展現了 AI 在科學領網域的強大應用前景。
就在今年 5 月，Google Deepmind 再次官宣，與 Isomorphic Labs 聯合推出新一代蛋白質預測模型 AlphaFold 3，相關論文一舉登上《Nature》雜志。
與之前的版本相比，AlphaFold 3 不僅在蛋白質折疊預測上取得了進展，還首次實現了對蛋白質、DNA、RNA 及配體等生命分子的結構及其相互作用的高精度預測。這一突破幫助科學家更深入地理解疾病機制和生命過程，同時大幅縮短了研發時間和成本。無論是開發可再生材料，還是加速藥物設計和基因組學研究，AlphaFold 3 都為生物分子領網域打開了更廣泛的應用空間。
不僅如此，團隊還基于 AlphaFold 3 推出了一個名為 AlphaFold Server 的免費平台，供全球科學家進行非商業性研究，進一步推動科學探索的普及。
通過 DeepMind，Google 不斷吸引着全球頂尖的科研人才，并提供長期的資金支持，使其能夠專注于突破性研究，而不必依賴短期的商業回報。Google 還賦予了 DeepMind 高度的戰略自主權，使其能夠自由選擇研究方向。正是這種獨立性和長期支持，為 DeepMind 進行前瞻性研究奠定了堅實基礎。
除遊戲領網域和生物學突破外，DeepMind 還開發了用于谷歌助手的逼真語音合成模型 WaveNet，提升了語音互動體驗。通過視覺 - 語言 - 動作模型 RT-2 增強了機器人在多樣環境中的任務執行能力。其研究還涉及天氣預測、核聚變反應堆等復雜問題，并通過 AlphaCode 和 AlphaDev 等項目推動了計算機算法的進一步發展。
Google 的 " 家底 " 依然深厚
在今天的人工智能競争中，OpenAI 和 Anthropic 等明星公司的迅速崛起、ChatGPT、Claude 之于 Gemini 的 " 碾壓 "，一度讓人們對 Google 的 AI 策略產生了質疑。特别在生成式 AI 產品和開發者工具的商業化進程上，OpenAI 們的快速發展與 Google 相對緩慢的步伐形成了鮮明對比。
然而眼前的兩項諾貝爾獎似乎在提醒我們，Google 深厚的科研土壤和技術積累仍是其他公司難以復制的優勢。
在 2006 年之前，深度學習的現狀可以用開爾文男爵的那句名言來概括：" 深度學習的大廈已經基本建成，只不過在陽光燦爛的天空下，漂浮着三朵小烏雲。"
這三朵小烏雲分别是算法、算力和數據。
而 Google 恰恰在這些關鍵領網域擁有明顯優勢。首先，它掌握了全球領先的龐大數據資源，依托 YouTube、Google Scholar 和 Google Search 等平台，Google 為視覺、語音識别和自然語言處理等 AI 模型提供了豐富且多樣化的訓練數據。
其次，Google 在計算資源方面具有顯著優勢。其自主開發的 TPU 硬體大大加快了深度學習模型的訓練速度，Google Cloud 不僅為内部研究提供了強大的計算能力，還為全球開發者提供了工具，幫助他們快速構建和部署復雜的 AI 應用。
在算法研發領網域，Google 也處于行業前沿。誕生于 Google Brain 團隊的 Transformer 架構奠定了現代自然語言處理的基礎，推動了今天幾乎所有前沿 AI 模型的發展。這些技術不僅推動了學術界的進步，還廣泛應用于 Google 的核心產品中。
2024 年，AI 領網域依然面臨着算法、算力和數據挑戰。盡管許多公司也各自在某些領網域有所突破，但相比之下，似乎同時具備三方面優勢并持續有效結合的，還是 Google。
在與 OpenAI、微軟等公司的競争中，Google 的 " 家底 " 依然厚實，在 AI 競賽中也并未被打敗。人工智能的潛力遠未被充分挖掘，而在這場長跑中，或許技術創新的深度和廣度才決定了最終的勝者。
