9月24日，OpenAI CEO山姆·奥特曼（Sam Altman）罕见地在其个人社交平台X上发表了一篇长文，题为《智能时代》（"The Intelligence Age"），引发了超过百万次的观看。
在这篇长文中山姆·奥特曼讲述了他对人工智能驱动的技术进步将带来全球繁荣的未来愿景。他认为，超级人工智能可能在未来十年内出现。
奥特曼将我们现在所处的时代称之为“智能时代”的黎明，深度学习算法的成功是这个新时代的催化剂，随着规模扩大表现越好，人类可能在几千天内实现超级智能。
不过，他也提到，AI技术也会有缺点，“会对劳动市场产生显著变化（好与坏）”，我们需要现在开始努力，最大化人工智能的好处，同时最小化其危害。”他预测，人工智能在未来，将使教育、医疗、软件开发和其他领域取得突破。
以下是奥特曼《智能时代》全文：
在接下来的几十年里，我们将能够做些被祖父母视为魔法的事情。
这一现象并不新鲜，但将会加速。随着时间的推移，人类的能力将显著提升，我们现在我们能够完成一些前辈们认为不可能的事情。
我们的能力并不是因为基因的改变，而是因为我们受益于社会的基础设施的支持，让我们变得比任何一个人都要聪明和强大；从某种重要意义上讲，社会本身就是一种高级智能。我们的祖父母和之前的几代人取得了伟大成就，他们为我们人类进步搭建了基础架构，我们都从中受益。人工智能将为人们提供复杂问题的工具，帮助我们添加新的支柱，这是我们自己无法想象的。进步的故事将继续，我们的孩子将能够做我们现在无法做到的事情。
这一切不会很快发生，但我们很快能与人工智能合作，完成比以往更多的任务。最终，每个人都可以拥有一个自己的人工智能团队，里面有各领域的虚拟专家，他们共同协作创造出几乎我们能够想象的任何事物。我们的孩子将拥有提供个性化指导的虚拟导师，能够覆盖任何科目、任何语言，并以他们所需的速度学习。我们可以想象类似的方案，用于更好的医疗保健、开发任何人能够想象的软件，等等。
拥有这些新能力后，我们可以实现共享繁荣，达到今天难以想象的高度。未来，每个人的生活都可以比现在任何人的生活都要好。虽然繁荣本身并不一定使人快乐——有许多富有却痛苦的人——但它将显著改善全球人们的生活品质。
从一个狭义的角度来看待人类历史：经过数千年的科学发现和技术进步的积累，我们已经找到了如何溶化沙子，添加杂质，以令人惊讶的精度在极小的尺度上排列成计算机芯片，给它们通电，最终得到能够创造日益强大的人工智能的系统。
这可能是迄今为止历史上最重要的事实。我们有可能在几千天内实现超级智能！可能会需要更长的时间，但我相信我们最终会实现这一目标。
那么，我们如何实现下一次繁荣飞跃？
可以用六个字来概括：深度学习有效。
用一句话来说：深度学习取得成功，随着规模的扩大，可以预见它会变得更好，我们为此投入了更多资源。
就这么简单；人类发现了一种算法，能够真正学习任何数据分布（或者说，产生任何数据分布的基本“规则”）。令人震惊的是，计算能力和数据越多，它在帮助人们解决难题时的表现就越好。我发现，无论我花多少时间思考这一点，我都无法真正内化它的重要性。
我们仍然需要解决很多细节，但被任何特定挑战分散注意力是个错误。深度学习有效，我们将解决剩下的问题。关于未来可能发生的事情，我们有很多设想，但最主要的是，人工智能将随着规模的扩大而变得更好，这将为全球人们的生活带来实质性的改善。
人工智能模型很快将作为自主个人助手，代表我们完成特定任务，比如协调医疗护理。在未来某个时刻，随着技术的进步，人工智能系统将变得更加出色，帮助我们创造更好的下一代系统，并推动各领域的科学进步。
技术将我们从石器时代带入农业时代，再到工业时代。从这里开始，通往智能时代的道路铺满了计算能力、能源和人类的意志。
如果我们想把人工智能放在尽可能多的人手中，就需要降低计算成本，使其变得丰富（这需要大量的能源和芯片）。如果我们不建设足够的基础设施，人工智能将成为一种非常有限的资源，可能会引发战争，并主要成为富人的工具。
我们需要明智而坚定地行动。智能时代的到来是一个重要的发展，伴随着非常复杂且高风险的挑战。这并不是一个完全积极的故事，但其潜力如此巨大，我们有责任为自己和未来找出如何应对眼前的风险。
我相信，未来将会如此光明，只是现在无人能用文字准确地描述它，但智能时代的一个定义特征将是巨大的繁荣。
虽然这一切将逐步发生，但令人震惊的成就最终将变得司空见惯，比如修复气候问题、建立太空殖民地和发现所有物理法则——最终将变得司空见惯。凭借近乎无限的智慧和丰富的能源——创造伟大想法的能力，以及实现这些想法的能力——我们将能够创造出许多伟大的想法，并将其变为现实。
正如我们在其他技术中看到的，也会有缺点，我们需要现在就开始努力，最大化人工智能的好处，同时最小化其危害。例如，我们预计这项技术在未来几年可能会对劳动市场产生显著变化（好与坏），但大多数工作会比人们想象的变化得更慢，我不担心我们会用尽可以做的事情（即使这些事情在今天看起来并不是“真实的工作”）。人们天生渴望创造和对彼此有用，而人工智能将使我们以前所未有的方式放大自身能力。作为一个社会，我们将回到一个不断扩展的世界，重新关注于积极的和共赢的游戏。
如今我们做的许多工作，在几百年前的人看来可能是微不足道的，是在浪费时间，但没有人希望成为充当点燃街灯的灯夫。如果一个点灯人能看到今天的世界，他会认为周围的繁荣是难以想象的。如果我们能从今天起，快进100年，我们周围的繁荣将同样难以想象。
In the next couple of decades, we will be able to do things that would have seemed like magic to our grandparents.
This phenomenon is not new, but it will be newly accelerated. People have become dramatically more capable over time; we can already accomplish things now that our predecessors would have believed to be impossible.
We are more capable not because of genetic change, but because we benefit from the infrastructure of society being way smarter and more capable than any one of us; in an important sense, society itself is a form of advanced intelligence. Our grandparents – and the generations that came before them – built and achieved great things. They contributed to the scaffolding of human progress that we all benefit from. AI will give people tools to solve hard problems and help us add new struts to that scaffolding that we couldn’t have figured out on our own. The story of progress will continue, and our children will be able to do things we can’t.
It won’t happen all at once, but we’ll soon be able to work with AI that helps us accomplish much more than we ever could without AI; eventually we can each have a personal AI team, full of virtual experts in different areas, working together to create almost anything we can imagine. Our children will have virtual tutors who can provide personalized instruction in any subject, in any language, and at whatever pace they need. We can imagine similar ideas for better healthcare, the ability to create any kind of software someone can imagine, and much more.
With these new abilities, we can have shared prosperity to a degree that seems unimaginable today; in the future, everyone’s lives can be better than anyone’s life is now. Prosperity alone doesn’t necessarily make people happy – there are plenty of miserable rich people – but it would meaningfully improve the lives of people around the world.
Here is one narrow way to look at human history: after thousands of years of compounding scientific discovery and technological progress, we have figured out how to melt sand, add some impurities, arrange it with astonishing precision at extraordinarily tiny scale into computer chips, run energy through it, and end up with systems capable of creating increasingly capable artificial intelligence.
This may turn out to be the most consequential fact about all of history so far. It is possible that we will have superintelligence in a few thousand days (!); it may take longer, but I’m confident we’ll get there.
How did we get to the doorstep of the next leap in prosperity?
In three words: deep learning worked.
In 15 words: deep learning worked, got predictably better with scale, and we dedicated increasing resources to it.
That’s really it; humanity discovered an algorithm that could really, truly learn any distribution of data (or really, the underlying “rules” that produce any distribution of data). To a shocking degree of precision, the more compute and data available, the better it gets at helping people solve hard problems. I find that no matter how much time I spend thinking about this, I can never really internalize how consequential it is.
There are a lot of details we still have to figure out, but it’s a mistake to get distracted by any particular challenge. Deep learning works, and we will solve the remaining problems. We can say a lot of things about what may happen next, but the main one is that AI is going to get better with scale, and that will lead to meaningful improvements to the lives of people around the world.
AI models will soon serve as autonomous personal assistants who carry out specific tasks on our behalf like coordinating medical care on your behalf. At some point further down the road, AI systems are going to get so good that they help us make better next-generation systems and make scientific progress across the board.
Technology brought us from the Stone Age to the Agricultural Age and then to the Industrial Age. From here, the path to the Intelligence Age is paved with compute, energy, and human will.
If we want to put AI into the hands of as many people as possible, we need to drive down the cost of compute and make it abundant (which requires lots of energy and chips). If we don’t build enough infrastructure, AI will be a very limited resource that wars get fought over and that becomes mostly a tool for rich people.
We need to act wisely but with conviction. The dawn of the Intelligence Age is a momentous development with very complex and extremely high-stakes challenges. It will not be an entirely positive story, but the upside is so tremendous that we owe it to ourselves, and the future, to figure out how to navigate the risks in front of us.
I believe the future is going to be so bright that no one can do it justice by trying to write about it now; a defining characteristic of the Intelligence Age will be massive prosperity.
Although it will happen incrementally, astounding triumphs – fixing the climate, establishing a space colony, and the discovery of all of physics – will eventually become commonplace. With nearly-limitless intelligence and abundant energy – the ability to generate great ideas, and the ability to make them happen – we can do quite a lot.
As we have seen with other technologies, there will also be downsides, and we need to start working now to maximize AI’s benefits while minimizing its harms. As one example, we expect that this technology can cause a significant change in labor markets (good and bad) in the coming years, but most jobs will change more slowly than most people think, and I have no fear that we’ll run out of things to do (even if they don’t look like “real jobs” to us today). People have an innate desire to create and to be useful to each other, and AI will allow us to amplify our own abilities like never before. As a society, we will be back in an expanding world, and we can again focus on playing positive-sum games.
Many of the jobs we do today would have looked like trifling wastes of time to people a few hundred years ago, but nobody is looking back at the past, wishing they were a lamplighter. If a lamplighter could see the world today, he would think the prosperity all around him was unimaginable. And if we could fast-forward a hundred years from today, the prosperity all around us would feel just as unimaginable.
拥有这些技术的科研人员就像炼就了孙悟空的“火眼金睛”。
机体衰老和很多疾病，都与细胞衰老有关。但对细胞衰老的研究失之精确，因为人们一直缺乏能够精准“狙击”特定细胞类型的衰老细胞的研究工具，而只能追踪所有衰老细胞。现在我们知道，肝纤维化也与细胞衰老相关。
本文图片均来自微信公众号@中国科学院分子细胞卓越中心
10月7日，澎湃科技从中国科学院分子细胞科学卓越创新中心（生物化学与细胞生物学研究所）获悉，周斌研究组近日在国际学术期刊《细胞》（Cell）上发表了一篇题为《确定不同细胞类型细胞衰老的特定功能》（Identifying Specific Functional Roles for Senescence Across Cell Types）的论文。
衰老的p16-tdT小鼠多种细胞类型表达tdT
周斌研究组创新研究方法，精准追踪特定细胞类型的衰老细胞，通过研究小鼠模型发现，肝脏纤维化损伤中的细胞衰老主要与两种细胞类型有关——巨噬细胞和内皮细胞；并首次确认，是由于衰老巨噬细胞的“拖累”和“作恶”，导致肝脏纤维化加剧。而清除相关细胞，可以改善肝脏纤维化。这一研究有望为相关临床应用提供思路和理论依据。
简而言之，周斌课题组发明了一套通用的研究方法和相关动物模型来解决上述科学问题，新方法更精准，也带给人们更大的想象空间。
赵欢副研究员是上述论文的三位共同第一作者之一。她告诉澎湃科技，最新发表的论文一共报告了4套新系统，建立了一种针对体内衰老细胞谱系追踪并研究其特定功能的技术，“我们可以把工具小鼠共享出去，其他科学家可以研究衰老的其他类型细胞”，“比如，此前人们在神经退行性疾病模型中研究发现，其大脑中衰老的星状胶质细胞和小胶质细胞会增多，而清除掉衰老细胞群体，对它的疾病有改善。用我们这套工具，就可以非常精准地研究其大脑中衰老的胶质细胞”。
细胞衰老是指细胞在执行生命活动过程中，细胞增殖与分化能力及其生理功能随着时间推移发生衰退的过程，此外，各种持续性细胞压力也会诱导细胞衰老，如DNA损伤的积累、癌基因的激活、肿瘤抑制因子的丧失、活性氧的暴露等。
虽然它是新陈代谢的正常过程，但机体衰老和很多疾病，都跟细胞衰老有关。
看清衰老在不同尺度或水平上细胞衰老的细节，甚至逆转相关细胞衰老过程，是很多科学家的梦想。
如果把衰老细胞比作潜在犯罪分子，那么追踪衰老细胞的这个过程就可以被比作是“追凶”。但因为缺少合适的研究方法和工具，人们难以“追凶”——无法追踪特定的衰老细胞，也无法看清楚它们“从哪儿来，往哪儿去，要做什么”。
更复杂的是，衰老的细胞与新生的细胞可能毗邻而生，这给现实中的研究更增加了难度。而且，有研究表明，衰老细胞在某些情况下可能发挥积极作用，如肿瘤抑制、胚胎发育、伤口愈合、毛发生长、促进肺再生等。
目前，人们认为，人体里大约有30万亿个细胞，超过400种细胞类型：成年男性约有36万亿个细胞，成年女性大约28万亿个细胞，儿童约有17万亿个细胞。在如此规模的细胞中“追凶”，难度可想而知。
不过，对细胞进行谱系追踪是周斌研究组的强项。此前，人们使用“外源性标记”，比如利用“染色标记”的方法来追踪细胞。但是，当细胞不断分裂增殖，荧光也会被稀释或代谢，最后难以被追踪到。
而周斌研究组使用了一个强大的工具——遗传谱系示踪。这种技术利用基因打靶技术构建转基因小鼠，将带有特定启动子的重组酶基因整合到细胞基因组中，与携带有报告基因的小鼠交配后，最终在子代小鼠中实现利用同源重组技术追踪特定细胞。
传统技术使用的是“Cre-loxP”的单同源重组系统，存在一些局限性，主要是非特异性标记。周斌研究组在传统的谱系示踪系统上再叠加一个新的系统——Dre-rox，相当于双限定条件，构建了一系列新的双同源重组报告系统，用两种同源重组酶，能够同时标记和追踪两种或三种不同的细胞群，让示踪结果更加精准，从而为发育、疾病和再生研究提供了新的技术选择。
周斌研究团队
周斌举例说，比如一个教室有30位同学，想找到符合特定条件的同学，传统的单同源重组酶系统相当于只设定一个条件，比如“长头发”；双同源重组意味着提出两个特定条件，比如“长头发”且“戴眼镜”，结果更精确。
近年来，周斌研究组通过谱系示踪技术，揭示了冠状动脉的发育起源，并证明了成体心脏不存在能够形成心肌细胞的内源性心脏干细胞；探索了肝脏血管的起源，并指出了成体肝脏中新生肝细胞主要来源区域。
赵欢告诉澎湃科技，通过双同源重组系统，他们实现了对体内特定细胞类型的衰老细胞的追踪，发现其细胞命运，揭示其功能。因为遗传示踪技术的同源重组是在DNA水平上发生的，所以，被标记的目的细胞无论此后是分裂成了两个细胞，还是发生了细胞分化——变为其他类型，它和它所有的子代细胞会一直带着这种荧光标记基因。此外，研究人员还可以实现对特定类型的细胞进行遗传操作，比如基因敲除或过表达，或者细胞清除等。
赵欢介绍，在基因组水平上，p16Ink4a是研究细胞衰老广泛使用的标志物之一。它是一种细胞周期蛋白依赖性激酶（CDK）抑制蛋白。“如果构建了p16Ink4a的Cre或者Dre小鼠，就可以实现‘捕捉’其体内所有衰老的细胞，但是没有办法做到细胞类型特异性。我们就把两套系统结合起来，建立了双同源重组系统。简单来说，比如我可以用Cre同源重组酶去识别衰老细胞，然后用Dre同源重组酶去限定细胞类型，比如巨噬细胞，取它们两个的交集，就是衰老的巨噬细胞。两个限定，就可以对它进行更精准的遗传操作，比如追踪、清除等。”
赵欢说，除了肝脏，他们研究比较多的还有心脏和肺脏等重要器官，“我们实验室还在开发邻近细胞的遗传操作技术，研究衰老细胞的微环境，比如它跟它周围的邻居细胞是怎么相互作用的；然后去调控这些衰老细胞或微环境细胞，以促进损伤修复和组织再生”。
2024年9月26日，OpenAI再次发生重大高层人事变动，多位高层相继宣布离职，目前原始创立团队只剩下三人。
北京时间26日凌晨3时34分，首席技术官（CTO）米拉·穆拉蒂（Mira Murati）率先在社交媒体上公布了这一消息。
米拉·穆拉蒂。
紧随其后，首席研究官鲍勃·麦格（BobMcGrew）和研究副总裁巴雷特·佐夫（Barret Zoph）也相继离开，一连串的人事震荡在科技界引发了广泛关注和热议。
首席技术官离职后，两位核心骨干也相继离职
米拉·穆拉蒂在X平台（原推特）上发表了声明，宣布她将离开OpenAI。
“经过深思熟虑，我做出了离开 OpenAI 的艰难决定，”她在帖子中说。
“永远没有一个理想的时间从自己珍视的地方离开，但此刻感觉正合适……我与 OpenAI 团队一起度过的六年半时光是一种非凡的荣幸。”穆拉蒂是OpenAI的重要领导人物之一，主导了许多关键项目。
就在穆拉蒂宣布离职的数小时后，OpenAI的首席研究官鲍勃·麦格鲁和研究副总裁巴雷特·佐夫也宣布离开公司。CEO山姆·奥特曼在一则公开帖子中证实了这一消息。他写道：“Mira、Bob和Barret是独立且友好地做出了离职的决定，但鉴于Mira的决定时机，我们觉得有必要同时宣布，以便我们能够共同为下一代领导层的顺利交接做准备。”
鲍勃·麦格鲁在他的离职声明中表示，“现在是我该休息的时候了。过去八年在OpenAI的经历令人谦卑和敬畏。我在 2017 年 1 月加入的小型非营利组织，已经成为世界上最重要的研究和部署公司……我对OpenAI的领导层充满信心。”巴雷特·佐夫则表示，现在是他“探索OpenAI之外新机会的自然时机”。
澎湃科技注意到，米拉·穆拉蒂于2018年加入OpenAI，担任应用AI和合作伙伴关系副总裁，随后在2022年晋升为CTO。在她的领导下，OpenAI推出了全球风靡的AI聊天机器人ChatGPT、图像生成模型DALL-E，以及为GitHub Copilot提供支持的代码生成系统Codex。她和麦格鲁、佐夫是近几月来最新离开OpenAI的高层。著名研究科学家安德烈·卡帕西于2月离开OpenAI，伊利亚·苏茨克弗和前安全负责人扬·莱克于5月宣布离职，联合创始人约翰·舒尔曼上个月表示，他将离职加入竞争对手 Anthropic。
2015年帮助创立OpenAI的 13 人以创造通用人工智能为使命（AGI，一种被认为能够做人类大脑所能做的任何事情的机器）。现在，仅有 3 人还留在OpenAI。而留下的创始人之一、公司总裁格雷格·布罗克曼（Greg Brockman）也已将休假时间延长至年底。
至此，在2015年创立 OpenAI 的 13 人中，只剩下 3 人。
离职原因或与公司将转为传统营利性有关
面对高层离职，奥特曼迅速宣布了新的领导层任命。研究副总裁陈马克（Mark Chen）被提拔为高级研究副总裁，将与新任首席科学家雅库布·帕乔茨基（Jakub Pachocki）共同领导研究部门。曾任安全主管的马特·奈特（Matt Knight）将担任 OpenAI 的首席信息安全官。首席产品官凯文·韦尔（Kevin Weil）和工程副总裁斯里尼瓦斯·纳拉亚南（Srinivas Narayanan）将继续领导应用团队，负责将公司的技术带给企业和消费者客户。研究科学家乔什·阿希姆 （Josh Achiam）将担任新的使命对齐负责人。奥特曼表示，他将“在整个公司内工作，确保我们把所有的部分和文化都做好，以便成功实现我们的使命。”
奥特曼在公开信中表示：“过去一年多来，我的大部分时间都花在了公司的非技术部分；现在，我期待将更多时间投入到公司的技术和产品部分。”他还强调，领导层的变动是公司发展中的自然过程，试图安抚员工和外界的担忧。
“成为 OpenAI 的领导者非常耗费精力，”奥特曼在他的帖子中说。“一方面，能够建立 AGI，并成为将我们的先进研究交到数亿人手中的最快成长的公司，这是特权。另一方面，领导一个团队完成这一切是无情的——他们已经超越了公司的职责范围。”
这一系列高层人事变动发生在OpenAI年度开发者大会（DevDay）之前，也正值OpenAI计划从非营利机构转向营利性实体的关键时期。
《纽约时报》援引两位知情人士消息，OpenAI的高管们正在逐步离开这家初创企业是因为CEO奥特曼及其他高管致力于将OpenAI转变为传统的营利性公司。目前，OpenAI由一个非营利组织的董事会控制，该组织是奥特曼及其联合创始人在2015年底创建的，负责监督该公司的技术发展。
根据多家媒体报道，OpenAI正在寻求一轮新融资，估值可能超过1500亿美元。微软、英伟达、苹果和Thrive Capital等均在商谈投资事宜。根据彭博社等报道，该轮融资规模可能高达 65 亿美元。而奥特曼计划将首次获得OpenAI占比约7%的股权。
OpenAI 急需这笔资金。据The Information报道，该公司已在模型训练上花费了约 70 亿美元，在人员配备上花费了 15 亿美元。据称，ChatGPT 单独的运行成本一度每天高达 70 万美元，奥特曼曾表示，训练公司曾经的旗舰模型 GPT-4 的成本超过 1 亿美元。
TechCrunch报道称，“在新一轮融资的背景下，关于公司方向的分歧可能是压垮骆驼的最后一根稻草。”在OpenAI 将举行的年度开发者大会上，外界或将能够得知更多信息。
10月9日，2024年诺贝尔化学奖揭晓。戴维·贝克、德米斯·哈萨比斯和约翰·江珀共享这一奖项。前者在“计算蛋白质设计”领域贡献突出，后两位则在“蛋白质结构预测”方面成就斐然。这也是继物理学奖之后，今年诺贝尔奖再次被授予人工智能（AI）的相关成果及科学家。
获奖结果众望所归
作为全球最重磅的科技奖项之一，每年诺贝尔奖颁奖前，各类预测层出不穷。在今年诺贝尔化学奖揭晓前，此次获奖的三位科学家已呼声极高，奖项结果称得上众望所归。
“尤其是贝克，他是蛋白质计算设计领域的拓荒者，并且持续做出国际先进的研究成果。我认为他们获奖实至名归。”清华大学生物医学交叉研究院助理教授、北京生命科学研究所研究员徐纯福认为，在今年物理学奖已经颁发给机器学习科学家的情况下，诺贝尔化学奖仍然颁发给了三位计算研究领域的科学家，这体现了AI极其重要的科学价值。
“获奖成果和我的研究领域息息相关，对我们研究者是一种激励。”浙江大学生命科学研究院研究员林世贤激动地说，获奖者之一的江珀只有39岁，这对广大青年科研工作者也是一种鼓舞。
蛋白质结构预测一直是计算生物学和结构生物学所关心的重要问题。清华大学生命科学学院教授杨茂君介绍，早期蛋白质结构预测主要依靠同源蛋白结构，但是实验解析的蛋白结构数量占总蛋白数量的比例很低，因此预测效率不高、准确度有限。后期，随着机器学习兴起，人工智能迅速发展，科学家开始尝试将人工智能应用于蛋白质结构预测领域，开发出结构预测工具“阿尔法折叠”以及后续版本。该成果实现了蛋白质结构预测精度和效率的飞跃，几乎解决了单一蛋白质结构预测的问题，有望给药物研发带来重要变革。
AI用于科研潜力巨大
此次诺贝尔化学奖，除了是对获奖者的表彰，也是对人工智能在基础科学研究领域深入应用的重要认可。
杨茂君认为，这次获奖的研究定义了一个理论上可以解决所有科学问题的范式，即从实际问题出发，将其转变为AI可以处理的输入数据，再经过深度学习网络，最终输出结果。
“在所有通过输入得出输出的问题上，AI理论上都可以作为有力的工具，这反映了AI在科学研究领域的广阔潜力。”在杨茂君看来，这一技术的应用范围并不限于生物、化学、物理等领域，其应用范围主要取决于如何将客观世界的问题（或数据）抽象成AI可以学习和处理的形式，以及现实世界是否有足够多的真实数据，训练和构建深度学习网络。
“AI在蛋白质设计领域的应用突破可以说是天时地利人和，水到渠成。”杨茂君解释，蛋白结构的一级序列足够简单，且蛋白质的三维结构输出也有标准的表达形式，并且在过去几十年，结构生物学领域累积了大量真实蛋白结构数据。
徐纯福也表示，AI在生物、化学、医药等健康领域的潜力才刚刚崭露一角，未来还大有发展空间。
“就拿我最熟悉的蛋白质计算设计来讲，虽然今年相关成果获奖了，但计算方法在功能蛋白的设计方面还面临很大挑战。”徐纯福说，如果进一步改进AI算法，能够更准确设计酶、抗体等重要的功能蛋白，将有可能产生具有真正实用的全新蛋白。
徐纯福同时认为，AI对科学研究重要性日益凸显，科学家一方面要积极拥抱新的研究范式，同时也要尽量规避AI的局限性。“AI不是万能的，科学家们需要扬长避短，推动AI在基础科研更有效应用。”他说，科学家要更负责任地应用AI，不用AI做违背科学伦理、有害人类健康的科学研究。
（本报记者张佳星对本文亦有贡献）
科学家迎来AI黄金时代
张梦然
在2024年最后一个诺贝尔自然科学奖项公布后，诺贝尔化学奖和物理学奖同时垂青AI领域研究者受到世人瞩目。这是AI技术在多个科学领域中广泛应用和产生深远影响的证明。
这种“跨界”的认可，表明AI已不仅仅是计算机科学的一个分支，而是成为推动科学研究和技术进步的重要工具。它为解决长期存在的科学问题提供了强有力的支持，并在多个层面促进了科学的发展。诺奖既是对科学家个人成就的认可，也是对整个AI辅助科学研究趋势的一个肯定。
AI黄金时代的一批科学家正熠熠生辉。这场景仿佛再现上世纪物理学黄金时代——从1900年到1925年，爱因斯坦、玻尔、薛定谔、海森堡、狄拉克、居里夫人等科学大师产出了大量的成果。我们期待，AI领域的创新能为人们开启一扇扇新世界的窗户；我们相信，这次的诺奖会激励更多年轻人关注AI及其在科学中的应用，从而诞生新一代跨学科人才。
·Meta Connect2024发布了一系列新的硬件AI产品，包括新款Quest 3S VR头显设备、AR眼镜、新的Llama3.2大模型等产品，新款Quest 3S VR头显设备只卖299.99美元，首款AR眼镜生产成本约7万人民币，这可能也是史上最贵AR眼镜。
北京时间9月26日凌晨1点左右，一年一度的Meta Connect2024于加利福尼亚州门洛帕克正式召开。
大会现场，马克·扎克伯格身穿黑色长款T袖，上面用拉丁文写着“扎克伯格或一无所有。”
马克·扎克伯格。
在过去一年，Meta大力推动将AI功能整合到其拥有的平台中，一年时间里，Meta并未放慢脚步。此次大会，马克·扎克伯格一口气发布了一系列新的硬件AI产品，包括新款Quest3S VR头显设备、MetaAI 、新的Llama3.2大模型以及新款Orion增强现实眼镜等新品。
亲民廉价版的Quest 3S发布，售价只卖2000多元人民币
Meta Quest3S VR 头戴设备最先登场。
扎克伯格称这款全新的VR眼镜只卖2106.77元人民币（299.99美元），比去年同期发布的Quest3足足便宜了200美元，而且相比Quest 3并没有减配太多。
VRQuest 3S官网价格。
Quest3S 提供与Quest3相同的混合现实功能和性能，它甚至拥有相同的Qualcomm SnapdragonXR2 Gen 2芯片，这意味着用户可以在任一设备上玩所有相同的游戏和体验。Quest3S 使用与Quest3相同的TouchPlus控制器，而且Quest 3S 的电池续航时间实际上比Quest 3 更长，对于这点，Meta表示3S的平均使用时间为2.5 小时，而Quest3的平均使用时间为2.2小时。
有一些不同的地方在于，Quest3S比Quest 3从外观上稍大一些。它的前置传感器排列成两个三角形，而Quest3则排列成三个药丸形切口。它没有Quest3的深度传感器。
也许最值得注意的是，3S使用的显示器分辨率低于Quest 3，与旧款Quest 2相同的1832 x1920 单眼分辨率，而且Quest3S的视野也更窄。
Quest3S将于9月26日开放预购，该头戴设备将于10月15日上市，Meta 还将与10月22日发布的《蝙蝠侠：阿卡姆暗影》捆绑销售。
随着Quest3S的推出，Meta的VR产品线已非常清晰。
目前，128GBQuest 3S售价299.99美元，256GBQuest 3S售价399.99美元，512GB Quest3售价499.99美元。现在Quest3S 已成为产品线的一部分，凭借Quest3和Quest3S，Meta已经拥有强大的产品阵容。
首款AR眼镜亮相，生产成本大约7万元人民币
此次发布会上，Meta 宣布了 “全球最先进的 AR 眼镜”Orion。
Meta’s Orion glasses。
发布会上，作为扎克伯格口中“世界上最好的AR眼镜”，在一条官方宣传片子中，Meta甚至还邀请了黄仁勋率先体验。
MetaAI和Orion是多模态的，能够理解你所看到的一切配备眼部、手部和神经追踪视频通话时，朋友会变成栩栩如生的虚拟形象，出现在你身边新的AR 眼镜，将AR和AI融入日常生活。
Orion是Meta首款“全功能”原型AR眼镜，Orion采用分体式设计，采用波导方案设计，拥有厚重黑色边框，重98g。该AR眼镜能与Meta自研的肌电手环相适配，拥有手部跟踪、眼部跟踪、头部追踪等多种交互方式。现阶段的Orion 眼镜仅用作演示和内部开发套件，大约仅生产1000副，并不对外正式开售。
据Meta介绍，每副眼镜的生产成本大约1万美元（约7万元人民币），这可能也是史上最贵AR眼镜。
发布首个可处理图像开放式AI模型
此次发布会上，扎克伯格还介绍了其多模态AI模型LLAMA 3.2的进展。
Llama3.2包括两个视觉模型，具有11B参数和90B参数两个版本，和两个轻量级纯文本端侧模型，1B和3B两个大小。较小的模型旨在在高通、联发科和其他Arm硬件上运行，Meta显然希望看到它们在移动设备上使用。
两个视觉模型和两个端侧模型。
在Meta给出的测试结果中，Llama3.2的90B版本的图形推理能力在多项测试中领先GPT4o-mini。而11B版本则全面超越Claude 3的小版本Haiku版本。
据了解，Llama3.2可根据可用图表进行推理并快速提供答案，它还能使用地图进行推理并帮助回答问题，例如地图上标记的特定路径的距离；也能通过从图像中提取细节、理解场景，然后制作一两句话作为图像字幕来帮助讲述故事。
扎克伯格表示，Llama3.2的端侧版本1B 和3B将是最强的端侧AI。
它当前能接受文字输入和输出，支持最大128K 令牌的上下文长度。这两个端侧模型是通过对Llama3.18B 和70B 的剪枝（修剪掉大模型中利用率较低的参数）和蒸馏（利用大模型做教师，小模型学习核心参数的训练模式）训练而成。在微调训练过程中还加入了由Llama3.1405B提供的合成数据，以优化其在摘要、重写、指令遵循、语言推理和工具使用等多项能力上的表现。
Meta称，新模型 Llama3.2可以让开发人员创建更先进的AI应用程序，例如提供实时视频理解的增强现实应用程序、基于内容对图像进行排序的视觉搜索引擎或为您总结长段文本的文档分析。
Meta 表示，开发人员可以轻松启动和运行新模型。Meta 生成AI 副总裁Ahmad Al-Dahle 在接受TheVerge采访时表示，开发人员只需添加这种“新的多模态性，并能够显示 Llama 图像并使其进行交流”，即可完成。
借助Llama 3.2，Meta AI推出全新多模态功能，支持语音交互，有多种音色选项（包括一些名人的声音）。
Meta AI还支持语音交互，用户可以在Messenger、Instagram等Meta应用上，用语音直接和Meta AI交流、吩咐他做事，甚至可以打断它。也可以选择更多的名人语音，在手机里体验和名人聊天的感觉。
扎克伯格对Meta新的AI语音模式感到兴奋。他说，语音将成为“我们与人工智能互动最常见方式之一。”其中一个特色AI声音是演员Awkwafina的声音。扎克伯格问 AI Awkwafina“现场演示是否有风险”，AI 给出了听起来很自然的回答。（是的，这很危险，而且可能会让人尴尬。）
新款AI“雷朋眼镜”可帮助视力有缺陷的人士
此外，Meta宣布了他们今年最热门的二代AI眼镜——和眼镜制造商雷朋（Ray-Ban）一起推出的新款雷朋智能眼镜。
和眼镜制造商雷朋（Ray-Ban）一起推出的新款雷朋智能眼镜。
这款AI眼镜，目前被称为人工智能领域最畅销的硬件产品之一，预计今年的出货量将超过200万台，订单还在持续增加中。
雷朋眼镜重点升级了多项AI功能，使得对话变得更自然，能够记住你看到的事物，还可以设置提醒；支持多模态，并且现在能够扫描 QR 码；能通过视频实时看到你所做的事情；实时语言翻译。
雷朋智能眼镜可使用“be my eyes”应用，将视力有缺陷的人与视力正常的志愿者相连，以便志愿者能借助眼镜和POV视频通话，轻松看到视力残障人士的视角并告知周围环境，或者在日常任务中提供实时、免提的帮助，例如调节恒温器或分类和阅读邮件。
作为“AI硬件的全新品类”，扎克伯格对其寄予厚望。
在接受The Verge采访时，他表示，MetaAI 正在成为眼镜越来越突出的功能，“我们虽然不会扔掉手机，但未来我们会慢慢地用眼镜做更多的事情，更多地把手机放在口袋里。”
人工智能（AI）在2024年诺贝尔奖中成了热词：先是10月8日两位人工智能先驱被授予2024年诺贝尔物理学奖，今天（10月9日）又有两位人工智能领域的专家被授予2024年诺贝尔化学奖。
有人惊呼，AI工程师们正跨界“攻城略地”，进入科研领域。也有人评论：AI for Science，这才刚刚开始。与其说，2024年诺贝尔化学奖颁给了AI工程师或人工智能，不如说是颁给了蛋白质的三维结构。这是DNA遗传密码之外的另一种生命密码。
没有蛋白质，生命就无法存在。作为化学工具，蛋白质惊人的多功能性反映在生命的巨大多样性上。
结构决定功能。面对复杂的蛋白质结构的预测，过去耗时数年的工作，利用2024年诺贝尔化学奖得主丹米斯·哈萨比斯（Demis Hassabis）和约翰·乔普（John M. Jumper）开发的AlphaFold等人工智能工具，现在只需要几分钟。
除了根据氨基酸序列预测蛋白质的结构——从线性的序列就能预测其折叠后的三维空间结构，人们在AI模型的帮助下，洞悉蛋白质结构的上述密码后，产生了更大想象力——创造具有新功能的蛋白质。这可能导致新的纳米材料、靶向药物、更快的疫苗开发、最小的传感器和更环保的化学工业。它也让我们更好地了解生命是如何运作的，包括为什么一些疾病会发展，抗生素的耐药性是如何发生的，或者为什么一些微生物可以分解塑料。
诺奖官网介绍，今年的三位诺贝尔化学奖得主破解了蛋白质惊人结构的密码。
蛋白质的结构：一个多次“命中”诺贝尔奖的领域
自19世纪以来，化学家们就知道蛋白质对生命过程很重要。但直到20世纪50年代，化学工具才足够精确，研究人员才开始更详细地探索蛋白质。
剑桥大学的研究人员约翰·肯德鲁和马克斯·佩鲁茨在20世纪90年代末取得了突破性的发现，他们成功地使用了一种叫做x射线晶体学的方法，展示了第一个蛋白质的三维模型。为了表彰这一发现，他们于1962年被授予诺贝尔化学奖。
随后，研究人员主要使用x射线晶体学——通常需要付出巨大的努力——成功地"拍摄"了大约20万种不同蛋白质的图像。这为2024年诺贝尔化学奖奠定了基础。
美国科学家克里斯蒂安·安芬森(Christian Anfinsen)利用各种化学技巧，他成功地使现有的蛋白质展开，然后再折叠起来。有趣的观察是，蛋白质每次都呈现完全相同的形状。
1961年，他得出结论，蛋白质的三维结构完全由蛋白质中的氨基酸序列决定。这使他在1972年获得了诺贝尔化学奖。
人们开始猜想，如果化学家知道蛋白质的氨基酸序列，他们应该能够预测蛋白质的三维结构。这是一个令人兴奋的想法。如果他们成功了，他们将不再需要使用精细的x射线晶体学，并且可以节省大量的时间。
为了鼓励该领域更快的发展，研究人员于1994年启动了一个名为“蛋白质结构预测关键评估”(CASP)的项目，该项目后来发展成为一项竞赛。
但人们发现，预测一个蛋白质的结构非常困难。研究人员在竞赛中预测的结构与实际结构之间的一致性几乎没有改善。直到2018年才出现突破，当时一位国际象棋大师、神经科学专家和人工智能先驱丹米斯·哈萨比斯进入了这一领域。
棋牌游戏高手进入蛋白质结构预测的“奥林匹克”竞赛
丹米斯·哈萨比斯1976年出生于英国伦敦，2009年在英国伦敦大学学院取得博士学位，现任谷歌DeepMind首席执行官。
丹米斯·哈萨比斯年少时展现出非凡的国际象棋天赋，之后成为成功的游戏开发者和AI专家。
他4岁开始下棋，13岁时达到大师水平。在他十几岁的时候，他开始了作为程序员和成功的游戏开发者的职业生涯。他开始探索人工智能，并涉足神经科学，为人工智能开发了更好的神经网络。
2010年，他共同创立了DeepMind，专注于开发精湛的AI模型，并在2014年将公司出售给谷歌。2016年，DeepMind通过开发的AI击败了围棋世界冠军，震惊全球。
然而，哈萨比斯不希望局限于棋盘游戏，他希望AI技术能解决对人类更重要的问题。2018年，他带领团队开始研究蛋白质结构预测。
在AlphaFold项目遇到瓶颈时，约翰·乔普的加入成为关键的助推器。
约翰·乔普1985年出生于美国阿肯色州小石城，2017年美国芝加哥大学博士毕业，现任谷歌DeepMind高级研究科学家。
乔普拥有物理学和蛋白质动力学的背景，凭借对AI的独特见解，为项目注入了新的活力。他与哈萨比斯携手，彻底改进了AlphaFold的AI模型。
此前，约翰·乔普对宇宙的迷恋使他开始研究物理和数学。
2008年，当他开始在一家使用超级计算机模拟蛋白质及其动力学的公司工作时，他意识到物理学知识可以帮助解决医疗问题。
2011年，乔普开始攻读理论物理学博士学位，并对蛋白质产生了新的兴趣。
2017年，他刚刚完成博士学位，就听到传言称谷歌DeepMind已经秘密开始预测蛋白质结构。他给他们寄去了一份工作申请。他在蛋白质模拟方面的经验意味着他对如何改进AlphaFold有创造性的想法。
新版本的AlphaFold2根据乔普对蛋白质的了解而革新。
新的人工智能架构在第14届CASP竞赛中及时提供了良好的结果。2020年，当CASP的组织者评估结果时，他们明白生物化学长达50年的挑战结束了。在大多数情况下，AlphaFold2的表现几乎与x射线晶体学一样好，这令人震惊。CASP的创始人之一约翰·莫特(John Moult)于2020年12月4日结束比赛时，他问道：“现在怎么办?“
当丹米斯·哈萨比斯和约翰·乔普证实AlphaFold2确实有效时，他们计算了所有人类蛋白质的结构。然后，他们预测了迄今为止研究人员在绘制地球生物图谱时发现的几乎所有的蛋白质——2亿种蛋白质的结构。
谷歌DeepMind也公开了AlphaFold2的代码，任何人都可以访问它。人工智能模型已经成为研究人员的金矿。到2024年10月，AlphaFold2已经被来自约190个国家的200多万人使用。
药物、疫苗和传感器：设计一种从未存在过的全新结构的蛋白
另一位诺贝尔化学奖得主、美国华盛顿大学教授戴维·贝克 (David Baker)也是“玩”蛋白质的。他在软件的帮助下，设计了自然界不存在的、全新的、特殊结构的蛋白质。
戴维·贝克1962年出生于美国华盛顿州西雅图，他师从兰迪·谢克曼（2013年诺贝尔生理学或医学奖得主），1989年从美国加州大学伯克利分校毕业，获得生物化学博士学位，现任美国华盛顿大学生物化学教授、华盛顿大学医学院蛋白质设计研究所所长。
蛋白质通常由 20 种不同的氨基酸组成，可以说是生命的基石。
天然蛋白质的范围是有限的。为了增加获得具有全新功能的蛋白质的可能性，贝克的研究小组想从零开始创造它们。
上世纪90年代末，戴维·贝克开始开发能够预测蛋白质结构的计算机软件：罗塞塔(Rosetta)。
贝克所说，“如果你想造一架飞机，你不能从改造一只鸟开始;相反，你了解空气动力学的基本原理，并根据这些原理制造飞行器。”
构建全新蛋白质的领域被称为de novo design。研究小组绘制了一种具有全新结构的蛋白质，然后让罗塞塔计算：哪一种氨基酸序列可以产生所需的蛋白质。
为了做到这一点，罗塞塔搜索了所有已知蛋白质结构的数据库，并寻找与所需结构相似的蛋白质短片段，然后对这些片段进行了优化，并给出一个结果——一段氨基酸序列。
为了研究该软件的“靠谱”程度，贝克的研究小组在细菌中引入了产生所需蛋白质的氨基酸序列的基因。然后他们用x射线晶体学确定了蛋白质的结构。
事实证明，罗塞塔确实可以构建蛋白质。研究人员开发的蛋白质Top7几乎跟他们设计的结构完全相同。
对于从事蛋白质设计的研究人员来说，Top7蛋白简直是晴天霹雳。因为，那些先前创造出新蛋白质的人只能模仿现有的结构，而Top7的独特结构在自然界中是不存在的。
2003 年，戴维·贝克成功利用氨基酸“基石”设计出一种与其他蛋白质不同的新蛋白质。此后，他的研究小组不断创造出一个又一个富有想象力的蛋白质，包括可用作药物、疫苗、纳米材料和微型传感器的蛋白质。
诺贝尔化学奖委员会主席海纳·林克 (Heiner Linke) 表示：“今年获得认可的发现之一与神奇蛋白质的构造有关。另一项发现则与实现 50 年前的梦想有关：根据氨基酸序列预测蛋白质结构。这两项发现都开辟了广阔的可能性。”
25日，“中国天眼”迎来落成启用8周年纪念日。在距离“中国天眼”不到3公里的一处山头上，一台40米级的射电望远镜（核心阵试验样机）正在进行吊装。
中国科学院国家天文台副台长姜鹏说，计划利用“中国天眼”周围5公里内优异的电磁波环境，建设24台40米口径射电望远镜与FAST组成核心阵。
“中国天眼”全称500米口径球面射电望远镜，英文缩写为FAST，是我国独立自主设计并建造的世界最大的单口径射电望远镜。2020年1月，“中国天眼”通过国家验收并正式开放运行。
2017年10月，“中国天眼”宣布发现首批新脉冲星，这是中国人首次利用自己独立研制的射电望远镜发现脉冲星。今年4月17日，中国科学院国家天文台FAST运行和发展中心对外宣布，“中国天眼”发现的新脉冲星数量突破900颗，是同时期国际上其他望远镜发现脉冲星总数的3倍以上。
姜鹏介绍，“中国天眼”能“多出成果”“出好成果”，既离不开相关团队的不懈努力，也与其性能优势有关，“‘中国天眼’在灵敏度上优势明显”。
既然好成果频出，且性能优势明显，为何还要建设FAST核心阵？
答案是：未雨绸缪，持续保持“中国天眼”在灵敏度上的领先优势，同时弥补分辨率不足的先天缺陷。
据了解，在全球范围内，国际大科学工程平方公里阵列第一阶段（SKA1）、美国的下一代甚大阵（ngVLA）等多个射电望远镜阵列均在建设之中。
国际大科学工程平方公里阵列计划于2029年完成第一阶段建设任务，美国的下一代甚大阵计划2035年完工。
姜鹏介绍，灵敏度和分辨率是决定射电望远镜竞争力的核心指标。“中国天眼”灵敏度高但分辨率不足，上述射电望远镜阵列建成投用后，“中国天眼”可能会逐渐丧失在灵敏度上的优势，其分辨率不足的先天缺陷也会被放大，将面临巨大挑战。如果稍有松懈，中国天文学家就可能“失守”射电波段视野的最前沿。
困境当前，修建FAST核心阵，便是破局之策。
“单靠‘中国天眼’观测宇宙，就像是用‘粗头铅笔’给天体画像，而FAST核心阵建成投用的话，相当于用高分辨率的‘数码相机’拍摄遥远的星空。”姜鹏说，FAST核心阵建成后，将大幅提高“中国天眼”的“视力”，让其不仅能看得远，还能看得清。
FAST核心阵的建设，还将进一步提升“中国天眼”的灵敏度优势和优良成图能力，聚焦极端致密天体的起源与演化等当前天文学最前沿的科学问题，有望在时域天文、宇宙的成分与演化和引力波暴等研究领域取得突破性成果。
“只有充分发挥重大科技基础设施创新效能，不断加强‘从0到1’的基础研究，取得更多原始创新成果，才能抢占国际科技竞争的制高点。FAST核心阵的规划正是对抢占科技制高点的响应，可以有效补齐FAST在分辨率和成像方面的短板，提前挖掘时域天文等基础研究领域的科学潜力。”中国科学院院士陈仙辉说。
姜鹏说，如果只把“中国天眼”当成一个望远镜、一台监测设备，现在已经达标了。但要维持其世界领先的地位，就不能停止创新。
·在特斯拉“We, Robot（我们，机器人）”活动现场上，马斯克表示，以后可能花费两三万美元就能拥有一台人形机器人。此次活动现场，Optimus人形机器人参与了现场观众互动，为现场观众合影、倒咖啡。
北京时间10月11日中午，特斯拉We Robots（我们，机器人）发布会在好莱坞华纳兄弟工作室举行。因现场有人突发医疗紧急情况，发布会被延迟了五十多分钟，但这丝毫没有影响现场的氛围。当特斯拉CEO埃隆·马斯克（Elon Musk）与特斯拉Optimus人形机器人出现后，现场爆发了热烈的欢呼声。
Optimus人形机器人排队走进活动现场
“Optimus将与你们同行，”马斯克在直播中说，“我认为这将成为有史以来最伟大的产品。”马斯克称，未来，每个人都可以拥有一台人形机器人。如果人形机器人在未来大规模部署，成本也会大幅降低。“我认为，以后我们可能会花费两三万美元，就可以拥有一台Optimus机器人，这比一辆汽车的价格还少。”
有了人形机器人能做什么？马斯克说，可以做任何你想做的事。“可以是一个老师、保姆，可以像朋友一样提供饮料。无论你想到什么，人形机器人都可以去做。”
Optimus进入家庭服务场景
此次活动现场，马斯克展示了一段Optimus走进家庭执行日常任务的视频，Optimus机器人可以从门廊取回包裹，完成浇花动作等。在发布会上，Optimus机器人还进行了集体舞蹈，展示其肢体关节的灵活度。为了体现其互动感，Optimus机器人还走进了人群中，和现场观众打招呼，并为参观者提供酒水服务。
Optimus与现场观众互动
相比两年前特斯拉在AI日上展示的Optimus原型，如今在直播中亮相的Optimus机器人无论是在外观设计，还是在行走、抓取、握持等执行任务的能力上，都实现了显著提升。现在的Optimus机器人更加拟人化，关节灵活度和动作协调性大幅提升，使其在模拟人类日常活动时表现得更加自然和高效。此外，新的Optimus机器人配备了更先进的传感器和人工智能系统，环境感知能力得到增强，能够更精准地完成复杂任务。
据The Verge报道，在今年四月的财报电话会议上，马斯克表示Optimus将在今年年底前开始执行“有用的任务”，并可能在“明年年底前”对外销售。
Optimus（以同名的《变形金刚》角色命名），也称为Tesla Bot，是特斯拉公司正在开发的通用人形机器人。它于2021年8月19日在特斯拉的人工智能日（AI Day）活动上宣布，并在2022年展示了一个原型。2023年3月，特斯拉发布第一代“Optimus Gen 1”，同年12月14日，更新第二代“Optimus Gen 2”。马斯克在2022年曾表示，他认为Optimus“有可能随着时间的推移比特斯拉的汽车业务更具意义”。
人民币兑美元中间价报7.0101，上调253点；上一交易日中间价7.0354，上一交易日官方收盘价7.0200，上日夜盘报收7.0110。
“我整个职业生涯一直在做这个东西，但心里很清楚，同行也这么认为——在我们有生之年，‘蛋白质的折叠’问题是不可能解决的，尤其是蛋白质结构预测问题。结果AlphaFold出来了！” 10月9日，博士生导师、国际著名计算生物学家、复旦大学复杂体系多尺度研究院院长马剑鹏教授告诉澎湃科技。
当地时间2024年10月9日，瑞典斯德哥尔摩，诺贝尔化学委员会成员约翰·阿奎斯特、常任秘书汉斯·埃莱格伦和诺贝尔化学委员会主席Heiner Linke在瑞典皇家科学院将今年的诺贝尔化学奖颁发给戴维·贝克、德米斯·哈萨比斯和约翰·江珀。 视觉中国 图
当地时间10月9日，瑞典皇家科学院宣布，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的戴维·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伦敦人工智能公司谷歌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。
这是继10月8日两位人工智能先驱被授予2024年诺贝尔物理学奖之后，人工智能科学家们再次被授予诺贝尔奖。
2021年，复旦大学复杂体系多尺度研究院院长马剑鹏团队合作发表基于主链的蛋白质侧链预测算法（OPUS-Rota4 算法)，针对谷歌团队AlphaFold的软肋，大大提升了蛋白质侧链结构测试精度。
据介绍，上述预测算法“目前已经迭代至OPUS-Rota6，精度比AlphaFold 2/3都高”。
复旦大学复杂体系多尺度研究院院长马剑鹏教授。
对于2024年诺贝尔化学奖，马剑鹏认为，虽然人们疑惑又有人工智能领域的科学家拿诺奖，但这其实分两个问题：一是蛋白质结构的预测，该不该拿诺奖；二是人工智能在这方面的贡献值不值得拿诺奖。
“这也是为什么给他们这个奖。其实这个问题并没有完全解决，但已经往前进了一大步，已经超越了我们有生之年的期望。现在已经可以使用了。”马剑鹏说。
他认为，正如复旦大学宣布将推出至少100门AI领域课程一样，AI已绕不开，你不一定需要会写算法，但至少要会用。他建议，“从娃娃抓起”，会用AI。
复旦大学复杂体系多尺度研究院院长马剑鹏教授。
他还强调，为什么谷歌Deepmind公司能取得AlphaFold这样的突破？这个问题对中国极具现实意义。
“王冠上的明珠”：一个老得不得了的极难的科学问题
蛋白质为什么重要？
“在你身体的每个细胞内，数十亿个微型机器——蛋白质——正在努力工作。”
有人甚至说，几乎生命的一切特征都跟蛋白质有关。
的确，蛋白质是每个生物体中每个生物过程的基础，它是生命的基石。没有蛋白质，生命就无法存在。结构是如此重要，蛋白质复杂而多样的结构，对应了各种惊人的功能，从而促成了生命的丰富多彩。其结构背后是生命的奥秘。
“我给学生上课，头一件事就是要解释为什么蛋白质的结构预测如此困难、如此复杂？”马剑鹏说。
一个个氨基酸相连“串成”多肽，而长链一样的多肽折叠形成稳定的空间三维结构，成为一个有功能的蛋白质。根据一个氨基酸序列推测出相应蛋白质最终的“折叠结构”（folded structure），这就是蛋白质结构的预测问题。它被视为现代分子生物学“皇冠上的明珠”。
马剑鹏说，“这不是个新问题。而是个老得不得了的问题，然而这个问题是如此的难。”
他举例，100个氨基酸组成的蛋白质非常小，但假如其中的每个氨基酸只有两个态——折叠态和非折叠态（但实际上它有无穷个态），那么这个蛋白质就有2的100次方个态。
“这个数字是如此巨大，如果用人类的任何计算机一个一个穷举过来，或者来检索，寻找其中一个正确答案，需要的时间甚至比宇宙寿命还长。但是蛋白质瞬间就能完成折叠。”马剑鹏说。
科学家通过X射线晶体学或冷冻电镜等实验技术来测定蛋白质结构，但耗时费力。
剑桥大学的研究人员约翰·肯德鲁和马克斯·佩鲁茨在20世纪90年代末取得了突破性的发现，他们成功地使用了一种叫做x射线晶体学的方法，展示了第一个蛋白质的三维模型。为了表彰这一发现，他们于1962年被授予诺贝尔化学奖。
“2020年，AlphaFold解决了50多年来最大的科学挑战之一。”Deepmind官网称，“取得了蛋白质结构预测方面的根本性突破”。
到目前为止，AlphaFold已经预测了超过2亿种蛋白质的结构——几乎所有科学界已知的蛋白质，并帮助科学家了解生命分子如何相互作用。
AlphaFold 软件已发布过三个主要版本。2018年12月，一个使用 AlphaFold 1的研究小组在第13届结构预测关键评估(CASP13) 的总体排名中名列第一。2020 年11月，一个使用AlphaFold 2的团队在CASP14竞赛中再次名列第一。
2021年7月15日，关于AlphaFold 2的研究论文在国际学术期刊《自然》（Nature）上在线发表，论文标题是《使用 AlphaFold 进行高精度蛋白质结构预测》（Highly accurate protein structure prediction with AlphaFold）。John Jumper和Demis Hassabis是共同通讯作者。
AlphaFold 3于2024年5月8日发布。它可以预测蛋白质与DNA、RNA、各种配体和离子形成的复合物的结构。相关研究论文也于同一天在线发表在国际学术期刊《自然》（Nature）上。
Deepmind官网介绍，迄今为止，全球数百万研究人员已使用 AlphaFold 2在疟疾疫苗、癌症治疗和酶设计等领域取得发现。AlphaFold 3让人们超越蛋白质，进入更广泛的生物分子领域。这一飞跃可以开启更多变革性科学，从开发生物可再生材料和更具弹性的作物，到加速药物设计和基因组学研究。
马剑鹏说，“如果纯粹从蛋白质结构的建模上，或者说制药业的药物设计上来看，Alphafold的精度（准确度）远远没有达到理想的精度。但是，它比以前的工具不知道好到哪去了！”
结构预测是技术，设计是艺术
马剑鹏介绍，蛋白质的结构预测问题实际上涉及两个具体问题——蛋白质折叠的过程和最终的结构预测。“一个是蛋白质到底是怎么折叠起来的？其实就是刚才那一百个氨基酸的多肽折叠起来的整个过程。在起点和终点之间，怎么走？这个问题到现在也没有解决。但是从生物学家的角度，他们可以绕开第一个问题，我不care（在乎）到底是怎么折叠的，给你一个蛋白质序列，你只要能告诉我最终的蛋白质结构就行了。根本不看路径。实际上路径（问题）更烦。”
与预测结构相比，马剑鹏表示，设计一个新蛋白更难。前者是解题，预测一个自然界已经存在的蛋白的结构，后者是创造一个不曾存在的结构。“所以，我一直说搞折叠是个技术，搞设计是个艺术。”
2024年的三位诺贝尔化学奖得主之一戴维·贝克（David Baker） 在加州大学伯克利分校师从兰迪·谢克曼获得生物化学博士学位，并在加州大学旧金山分校师从大卫·阿加德进行生物物理学博士后研究。他现在是华盛顿大学生物化学教授、华盛顿大学医学院蛋白质设计研究所所长。贝克实验室开发蛋白质设计软件，并利用它来创建分子，以解决医学、技术和可持续性方面的挑战。他最近的工作之一是开发用于生成功能性蛋白质的强大机器学习方法。
贝克还是华盛顿大学基因组科学、生物工程、化学工程、计算机科学和物理学的兼职教授。他发表了600 多篇研究论文，共同创办了21家公司，并获得了100多项专利。
马剑鹏介绍，贝克做蛋白质结构预测更早，在AlphaFold出现以前，他多次是CASP比赛的冠军。他预测的准确率达到了百分之四十几。“贝克突出的优点就是，他不仅会计算，会预测，他还会做实验，做设计。他本身是做实验出身，他的团队是一个非常典型的“干湿”结合的团队，所以特别成功。”
上世纪90年代末，戴维·贝克开始开发能够预测蛋白质结构的计算机软件罗塞塔(Rosetta)。研究小组绘制了一种具有全新结构的蛋白质，然后让罗塞塔计算：哪一种氨基酸序列可以产生所需的蛋白质。事实证明，罗塞塔确实可以构建蛋白质。研究人员开发的蛋白质Top7几乎跟他们设计的结构完全相同。
显而易见，人们可以用这种软件设计想要的蛋白质，用作药物、疫苗、纳米材料和微型传感器。
人生无处不AI：已绕不开，宜从娃娃抓起，不能再不懂
“我有一个观点，我认为，Alphafold的成功，对AI领域、计算机科学领域的影响，可能比对蛋白质结构预测的影响更重要。”马剑鹏。
这种观点源自他长期的观察：1997年，“深蓝”计算机（Deep Blue）曾经打败过国际象棋的世界冠军加里·卡斯帕罗夫（Garry Kasparov）。当时就有人觉得天要塌下来了，世界要被电脑颠覆了，结果什么事情都没发生；人们认为国际象棋的棋盘那么小，可以被打败，但围棋是不可能被电脑打败的。2016年3月，阿尔法狗（AlphaGo，阿尔法围棋）以4：1比分战胜韩国围棋九段高手、世界冠军李世石。又有人觉得天要塌了。但也有人认为，那只是个游戏，围棋游戏而已。直到Deepmind公司不惜代价，把AlphaFold做出来。
“计算机科学AI领域的人一看，连这么难的蛋白质结构预测都能做出来，人脸识别、自动驾驶还算事儿吗？结果真的变成‘人生无处不AI了’。”“虽然Alphafold不完美，但真的可以用了，它可以加速科研。”马剑鹏说，Alphafold的成功催生了一个现在天天能听到的名词——AI for science，用AI这个工具辅助科学研究。
复旦大学2024年招生培养政策发布会上发布的信息称，从2024年秋季学期开始，复旦大学将在2024-2025学年推出至少100门AI领域课程。AI大课将纳入所有复旦学生的学业安排。“要从娃娃抓起，你不能再不懂AI，不能再不会用AI。” “不需要每个人天天专门做算法，但广大科技工作者哪怕是做实验的，也至少得会用。”马剑鹏说，AI算法确实非常强大，Alphafold已经真正有实用价值了，不像以前搞理论自娱自乐。Alphafold这种技术的存在，使得包括颜宁、施一公等科学家在内的做实验的人，他们解析蛋白质结构的速度可能更快了,但不是说不用做实验了。“它还取代不了实验。至少到今天为止，‘金标准’还得靠实验。如果哪一天预测技术准确到，算出来的结构一定是对的，那世界又变了。”
为什么谷歌Deepmind公司能取得AlphaFold这样的突破？是因为算力吗？
马剑鹏说，“这个问题对我们国家，尤其现在，是非常有意义的。”
他表示，首先算力很重要，但关键还是算法。其次是问题的选择——你有没有想法，瞄准蛋白质结构预测问题。
马剑鹏说，“更重要的一个启示是，你有没有注意到现在大部分突破都是公司做出来的？”
他表示，它是典型的“大兵团作战”。公司和高校的区别在于，在高校里面，你再有经费，还是单一的一个团队。但在公司里，可以雇各种各样的人，在一个领头人的负责下，为了同一件事努力。“（公司里）不需要你发nature或发science等论文。你的任务就是把这个事情做出来。这是一种范式上的转变。团队作战，最大的特点就是一定要有一个强有力的‘领头羊’，把各种各样的人团结在一起。理论上，这很适合于我们国家，我们也有这样的经验，集中力量办大事。”
