诺贝尔物理学、化学奖,今年都颁给了AI。这出乎所有人意料,包括获奖者自己。
“我怎么能确定这不是个恶作剧电话?”杰弗里·辛顿(Geoffrey Hinton)在凌晨两点接到诺贝尔奖委员会电话时,这是他的最初想法。
当时,这位 77 岁的AI 教父正在加州的一家酒店,网络信号微弱,电话信号也不好,当天本来打算去做个核磁共振扫描,检查下身体。直到他想到,电话是从瑞典打来的,而且说话的人有浓重的瑞典口音,还有好几个人在一起,他才确定了自己获得了诺贝物理学奖这一事实。另一位获奖者91 岁高龄的约翰·霍普菲尔德在收到消息时,同样有些震惊。
这届的诺贝尔奖“AI”含量有点高
时间回到 10 月 8 日,在这一天,2024 年诺贝尔物理学奖正式授予了杰弗里·辛顿(Geoffrey Hinton)和另一位学者约翰·霍普菲尔德(John J. Hopfield),以表彰他们在机器学习与人工神经网络领域的基础性发现和发明。
没错,不是事前预测中热门的凝聚态或量子物理等方向,就是AI,是机器学习,更具体来说是神经网络。对此有人说,诺奖抢了图灵奖的活,甚至有人说物理学不存在了。
那么,他们的贡献与物理关联何在呢?
诺贝尔奖委员会揭秘:他们利用了物理学方法来寻找信息的特征,构建了为当今强大的机器学习奠定基础的方法。Hopfield提出的“Hopfield神经网络”,以相当于物理学中自旋系统能量的方式进行描述。Hinton提出的“玻尔兹曼机”,则使用了统计物理学中的工具。后来Hinton在这项工作的基础上,帮助启动了当前机器学习的爆炸性发展,也就是我们熟知的深度学习革命了。
无独有偶,北京时间10月9日下午,瑞典皇家科学院决定将2024年诺贝尔化学奖授予三位科学家。其中,一半授予美国华盛顿大学教授大卫·贝克 (David Baker),以表彰其在计算蛋白质设计方面的贡献;另一半则共同授予英国人工智能公司谷歌DeepMind公司的丹米斯·哈萨比斯(Demis Hassabis)和约翰·乔普(John M. Jumper),以表彰其在蛋白质结构预测方面的贡献。
诺奖官网称,今年的三位诺贝尔化学奖得主利用“蛋白质”——生命中精妙的化学工具,破解了蛋白质惊人结构的密码。其中,化学奖得主贝克成功完成了几乎不可能完成的任务,制造出了全新的蛋白质。他的共同获奖者哈萨比斯和乔普开发一种 AI 模型AlphaFold2来解决一个50年前的问题:以巨大的技术潜力预测蛋白质的复杂结构。
从2024年诺贝尔物理学奖到化学奖,AI 成为了今年诺奖中令人意外的“热门”技术。但对于很多物理领域学者和化学家来说,今年的诺奖不仅“无趣”,甚至还有点感到沮丧,因为理论物理和理论化学都得不到学术界圣杯——诺奖的认可。
因此,有很多人评价认为:诺奖真的变“水”了,物理与化学技术都还不如 AI 更有用处。
但问题在于,学科交叉已成为学术界公认的事实性趋势,AI 技术确实已经在推动物理、化学、生物、医疗、金融等多个学科交叉赋能。2000年图灵奖得主、中国科学院院士、清华大学教授姚期智今年9月表示,AI 最明显的趋势有两个,一个是从弱智能走向通用智能。另一个是学科间的交叉赋能,使得本来就明显学科交叉的工作,变得更加活跃和重要。
而在学术界对AI投下信任票的同时,今年以来,产业界明显冷静了许多,“大模型泡沫论”的观点甚嚣尘上,以高盛6月份发布的《生成式AI:投入过多,收益过少?》报告为例,其中提到,未来几年科技巨头、企业和公共部门将在生成式AI上投入约一万亿美元的资金,但目前来看,这些投资似乎并没有带来预期的回报。
AI的商业化:“杀手级应用”何时、何种方式出现
如果要说学术界与产业界有什么共识,那应该就是大模型不是“万能药”,只有把大模型任置于具体的场景中,才能兑现技术价值。
在实现路径上,当下AI搜索玩家的发展轨迹,大致可分化为两条路:一方面,众多企业沿袭“由模型到应用”的路径,逐步在AI产品中叠加新特性,从而构建生态系统。这如同“拿着锤子找钉子”——先把产品设计好,再去找应用场景。
另一条路径是“由场景到技术”,即在明确的高需求场景内强化AI搜索功能,实现了技术与实际需求的紧密对接,这相当于直接在成熟场景中找到需求的“钉子”,再用AI技术和产品能力的“锤子”砸下去,精准命中用户需求,相对更为直接且效果显著。
深度学习和大模型的迅猛发展让AI看似无所不能,然而,这一浪潮的商业化却充满了痛点。OpenAI等公司虽然取得了技术上的重大突破,但盈利模式依旧模糊。例如,OpenAI尽管靠GPT系列获得了广泛关注和巨大的营收,但因高昂的算力和数据成本,依然处于巨额亏损状态。这反映出,AI大模型虽然技术领先,但其高成本、高耗能的问题,限制了大规模商业化应用。
从现状看,搜素引擎是AI应用最适配,最先应用改造的产品形态。在AI技术加持下,当前搜索引擎已经迈入下一阶段,即以用户为中心,更好理解用户语义,并支持个性化推荐和跨模态、跨语言检索、交互等,用户价值有望超过传统搜索。
不过当前AI搜索产品尚处早期,商业模式有待进一步探索。有行业分析师就指出,当前AI搜索产品的整体表现距离“杀手级应用”的标准仍有一定差距。“尽管技术进步显著,但从产品形态的多样性、使用量的广泛性以及应用场景的深度来看,AI搜索尚未形成足以颠覆市场的单一应用。”
AI的上限:技术突破与市场期望之间是否有偏差
除了商业化,产业界还有一个大的担忧就是AI会不会陷入新的低谷,也就是AI是不是有能力的上限。
这种担忧并不是凭空想象。毕竟从历史看,AI曾经陷入过多次低估。自从1956年的达特茅斯会议之后,人工智能技术和产业经历了三起三落,少有一类技术能够跨越如此之长的周期,既不归于沉寂也尚未实现规模爆发。
那么,为什么AI的每一轮热潮总是会变成泡沫?要回到这个问题,我们首先要了解为什么AI容易引发泡沫。
这背后的逻辑其实也非常清晰:即技术突破与市场期望的错位。每当AI技术在实验室或某些特定领域取得突破,市场就会将这种局部成功过度放大,期待AI能够迅速在各个领域中颠覆人类工作和生活。然而,技术的成熟度通常远未达到这种预期。当关键问题如算力、数据和算法性能未能得到根本解决时,市场的过高期望必然导致失望,资本的撤离则导致泡沫破裂。
其次新技术在改变世界上总要有些时间。曼哈顿研究所高级研究Mark P. Mills认为,正如汽车、无线电、互联网等革命性技术,新技术在改变世界之前,都会经历漫长的蛰伏期,绕不过发明创造、商业可行、大规模推向市场三个阶段。
“颠覆性创新”通常每个阶段持续20年左右。例如在汽车发明(1886年)之后多年,T 型车设计才出现(1908 年),到了1920年代末,美国汽车渗透率上升到20%。
有时创新发生得也会快一点,从“分组交换”的想法到创建互联网不到十年,万维网公开商业化花了 20 年时间,但只用了 10 年时间就看到了显著的市场渗透。
结语:对AI不要神化,也不要妖魔化
综上,产业界总是在期待一个无上限、全能、全知的“上帝型AI”,但这只是美好的想象。除了算力、能源这些现实制约因素外,人类社会也将给AI一个人为的边界和上限。
回溯AI的诞生与成长,从最初的符号逻辑推理,到如今深度学习驱动的智能应用,每一次技术革新都为医疗、金融、教育等领域带来了前所未有的效率提升与创新可能。然而,每一项进步的阴影下,伦理与法律的挑战也随之而来。
无人驾驶汽车的事故责任归属、算法偏见导致的就业歧视、AI生成内容侵犯版权等问题,犹如一面镜子,映射出科技与伦理、法律交织的复杂现实。这些问题如同警钟,警示我们:在追求AI技术的星辰大海时,不可忽视其对社会公平、隐私保护等基本价值的潜在冲击。
因此,对于AI我们既不能神化,也不能妖魔化。让AI回到理性的环境中,或许才能正确的对待AI。
4000520066 欢迎批评指正
All Rights Reserved 新浪公司 版权所有