谷歌DeepMind 获诺贝尔化学奖

三位科学家，包括谷歌人工智能部门 DeepMind 的联合创始人兼首席执行官 Demis Hassabis，谷歌 DeepMind 的高级研究科学家 John Jumper 以及华盛顿大学的 David Baker，因其在预测和开发新蛋白质方面的开创性工作获得了 2024 年诺贝尔化学奖。

DeepMind 的两位科学家因 AlphaFold 2 获奖，AlphaFold 2 是一种能够根据氨基酸序列预测蛋白质 3D 结构的人工智能系统。与此同时，Baker 因领导一个实验室而获奖，该实验室使用构成蛋白质的 20 种氨基酸来设计新的蛋白质，包括用于“药物、疫苗、纳米材料和微型传感器”的蛋白质，诺贝尔委员会在公告中说。

该奖项突出了人工智能正在彻底改变生物科学的方式——并且是在我认定的人工智能技术首次获得诺贝尔奖的第二天，该奖项授予了另一位谷歌 DeepMind 的科学家 Geoffrey Hinton 和普林斯顿大学教授 John J. Hopfield，以表彰他们在人工神经网络方面的贡献。

瑞典皇家科学院宣布了该奖项，就像他们宣布物理学奖一样，奖金价值 1100 万瑞典克朗（约合 100 万美元），在获奖者之间分配——一半将归 Baker 所有，另一半将再次分配给 Hassabis 和 Jumper，每人占总额的四分之一。

委员会强调了 AlphaFold 的前所未有的影响，将其描述为一项突破，它解决了一个困扰生物学界 50 年的难题：蛋白质结构预测，或者如何根据氨基酸序列预测蛋白质的三维结构。

几十年来，科学家们都知道蛋白质的功能是由其 3D 形状决定的，但预测氨基酸链如何折叠成这种形状却极其复杂。研究人员从 20 世纪 70 年代就开始尝试解决这个问题，但由于可能的折叠构型数量巨大（被称为莱文索尔悖论），准确的预测仍然难以捉摸。

由谷歌 DeepMind 开发的 AlphaFold 通过使用人工智能来预测蛋白质的 3D 结构，实现了接近实验精度的突破，这意味着 AlphaFold 对蛋白质 3D 结构的预测与传统实验方法（如 X 射线晶体学、冷冻电子显微镜或核磁共振 (NMR) 光谱）获得的结果非常接近，几乎无法区分。

当 AlphaFold 达到“接近实验精度”时，它能够以与这些方法相媲美的精度预测蛋白质结构，对于大多数蛋白质，误差范围约为 1 埃（0.1 纳米）。这意味着该模型的预测与通过实验方法确定的实际结构非常吻合，使其成为生物学家的变革性工具。

Hassabis 和 Jumper 在 DeepMind 伦敦实验室进行的工作彻底改变了结构生物学和药物发现领域，为全球科学家提供了一个强大的工具。

Hassabis 在一份声明中说：“AlphaFold 已经被超过 200 万名研究人员用于推进关键工作，从酶设计到药物发现。我希望我们将来回顾 AlphaFold 时，会将其视为人工智能加速科学发现的巨大潜力的第一个证明。”

AlphaFold 的预测可以通过 AlphaFold 蛋白质结构数据库免费获取，使其成为最重大的开放获取科学工具之一。来自 190 个国家的 200 多万名研究人员使用了该工具，使他们能够获得最先进的人工智能，并在分子生物学、药物开发甚至气候科学等各个领域取得突破。

通过在几分钟内预测蛋白质的 3D 结构——以前这项任务需要数年时间——AlphaFold 正在加速科学进步。该系统已被用于解决抗生素耐药性问题，设计降解塑料的酶，以及帮助疫苗开发，这表明它在医疗保健和可持续性方面的用途。

AlphaFold 开发的联合负责人 John Jumper 回顾了它的意义，他说：“我们很荣幸能因实现计算生物学长期承诺而获得认可，帮助我们了解蛋白质世界，并为实验生物学家的出色工作提供信息。”他强调 AlphaFold 是一种发现工具，可以帮助科学家以前所未有的速度了解疾病并开发新的疗法。

AlphaFold 的根源可以追溯到 DeepMind 对人工智能的更广泛探索。

Hassabis 是一位象棋神童，他在 1994 年 17 岁时开始了他的职业生涯，共同开发了热门视频游戏《主题公园》，该游戏于当年 6 月 15 日发布。

在剑桥大学学习计算机科学并获得认知神经科学博士学位后，他于 2010 年共同创立了 DeepMind，利用他对象棋的理解从著名的反向投资人彼得·蒂尔那里筹集资金。该公司专门从事人工智能，于 2014 年被谷歌以约 5 亿美元的价格收购。

作为谷歌 DeepMind 的首席执行官，Hassabis 引领了人工智能领域的突破，包括创建在围棋和象棋等游戏中表现出色的系统。

到 2016 年，DeepMind 因开发出能够掌握古老围棋游戏的人工智能系统而获得了全球认可，击败了世界冠军。正是这种人工智能方面的专业知识，DeepMind 开始将其应用于科学，旨在解决更具意义的挑战，包括蛋白质折叠。

AlphaFold 项目正式启动于 2018 年，参加了蛋白质结构预测关键评估 (CASP) 竞赛——一项每两年举办一次的全球竞赛，旨在预测蛋白质结构。那一年，AlphaFold 赢得了比赛，其表现优于其他团队，预示着结构生物学的新时代。但真正的突破发生在 2020 年，当时 AlphaFold2 面世，以以前无法想象的精度解决了最困难的蛋白质折叠问题。

AlphaFold 2 的成功标志着多年来对神经网络和机器学习的研究的顶峰，DeepMind 在这些领域已成为全球领导者。

该系统在大量已知蛋白质结构和氨基酸序列数据集上进行训练，使其能够对从未遇到过的蛋白质进行概括预测——这在以前是不可想象的。

今年早些时候，谷歌 DeepMind 和 Isomorphic Labs 推出了 AlphaFold 3，这是该模型的第三代，其创造者表示，该模型使用了改进版的 Evoformer 模块，这是一种深度学习架构，是 AlphaFold 2 优异性能的关键。

新模型还包含一个扩散网络，类似于人工智能图像生成器中使用的网络，它从原子云迭代地细化预测的分子结构，最终形成高度准确的最终构型。

虽然 Hassabis 和 Jumper 解决的是预测问题，但 David Baker 在从头开始的蛋白质设计方面的工作提供了一种同样具有变革性的方法：创造自然界中不存在的全新蛋白质。

Baker 的实验室位于华盛顿大学蛋白质设计研究所，开发了Rosetta，这是一种用于设计合成蛋白质的计算工具。

Baker 的工作导致了可以用于创建新型疗法的蛋白质的开发，包括定制设计的酶和病毒样颗粒，这些颗粒可以作为疫苗。他的团队甚至设计了蛋白质来检测芬太尼，芬太尼是一种处于全球健康危机中心的阿片类药物。

通过从头开始设计新的蛋白质，Baker 的研究扩展了蛋白质功能的边界，通过使能够创建针对特定功能定制的分子，补充了 AlphaFold 的预测能力。

诺贝尔奖对 AlphaFold 和 Baker 工作的认可突出了一个更广泛的趋势：人工智能正在迅速成为科学研究中不可或缺的工具。AlphaFold 的成功引发了人们对人工智能在解决各个领域的复杂问题（包括气候变化、农业和材料科学）方面的潜力的兴趣。

诺贝尔委员会强调了这些发现的变革潜力，强调它们“为生物学和化学的未来打开了广阔的可能性”。Hassabis 一直以来都直言不讳地谈论人工智能推动创新的潜力，但他对风险也保持清醒的头脑。他在最近的一次采访中说：“人工智能有可能以前所未有的速度加速科学发现，但我们必须负责任地使用它。”

随着 AlphaFold 等人工智能系统不断发展，它们模拟生物过程和预测结果的能力可能会彻底改变医疗保健、可持续发展努力以及其他领域。Jumper 和 Hassabis 获得诺贝尔奖是对他们工作巨大影响的认可，但也标志着科学新时代的到来——在这个时代，人工智能在解开生命奥秘方面发挥着核心作用。

2024 年诺贝尔化学奖表彰了 Demis Hassabis、John Jumper 和 David Baker 的杰出贡献，他们的开创性工作重塑了蛋白质科学领域。AlphaFold 现在已成为全球研究人员的基石工具，以前所未有的方式加速了发现。

David Baker 在计算蛋白质设计方面的工作进一步扩展了生物创新的可能性，为全球挑战提供了新的解决方案。

这些进步共同标志着人工智能在科学领域新时代的开始——一个可能性才刚刚开始展现的时代（双关语）。

虽然他对人工智能的积极影响仍然持乐观态度，但 Hassabis 警告说，必须像对待气候危机一样认真对待风险，包括可能发生的社会规模的灾难。