AI 的科学征程：从游戏到诺贝尔奖

1997 年 5 月，IBM 的 Deep Blue 在六局比赛中击败了国际象棋世界冠军 Garry Kasparov — 这是计算机首次在锦标赛条件下击败卫冕世界冠军。世界的反应混合了敬畏和轻视。Deep Blue 并不'智能'— 它是一个暴力搜索引擎，每秒评估 2 亿个位置。14 年后，IBM 的 Watson 在 Jeopardy! 中击败了两位最伟大的人类冠军 — 这是一个需要自然语言理解、常识知识和战略下注的游戏。Watson 使用了机器学习和统计分析而非暴力计算。Deep Blue 和 Watson 共同确立了一个模式：每次 AI 掌握一个人类游戏，定论就会被推翻。国际象棋'只是暴力计算'。Jeopardy '只是模式匹配'。真正的智能，怀疑者坚持认为，仍在 AI 的触及范围之外。这些游戏被斥为花招 — 但它们正在为更重要的事情奠定基础。

2016 年 3 月，DeepMind 的 AlphaGo 以四比一击败了历史上最伟大的围棋选手之一 Lee Sedol。围棋长期以来被视为 AI 游戏的圣杯：其 10^170 种可能的棋盘位置使暴力搜索变得不可能。传统智慧认为 AI 距离击败顶级人类棋手还有数十年。AlphaGo 取胜靠的不是搜索而是直觉 — 从人类对局中学习，然后通过自我对弈提升，发展出人类从未考虑过的策略。第二局中的第 37 手 — 一手如此不合常规以至于人类解说员以为这是失误 — 成了传奇。这是创造力，而非计算。这场比赛被全球超过 2 亿人观看。这是 AI 从学术好奇变为文化现象的时刻，在亚洲尤其如此，并永久改变了全球的 AI 对话。AlphaGo 展示了机器智能的道路不是通过符号逻辑，而是通过学习 — 而最深刻的 AI 突破并非来自模仿人类，而是来自发现人类错过的策略。

AlphaGo 证明了强化学习可以发现超越人类直觉的策略。问题是：同样的方法能否解决真正重要的问题？答案在 2020 年 11 月到来，DeepMind 的 AlphaFold2 在蛋白质结构预测关键评估（CASP）竞赛中取得了突破。这个问题 — 从蛋白质的线性氨基酸序列预测其 3D 形状 — 困扰了生物学家 50 年。AlphaFold2 解决了它，达到了近乎实验级的精确度。从 AlphaGo 到 AlphaFold 的转变并非偶然。两者都使用了深度学习和强化学习。两者都从数据中学习而非遵循编程规则。但 AlphaGo 掌握的是一个规则清晰的封闭游戏，而 AlphaFold 应对的是生物学混乱、高维的复杂性 — 一个即使专家也未完全理解其'规则'的领域。AlphaFold 随后预测了几乎所有 2 亿个已知蛋白质的结构，为 190 多个国家的 300 多万研究人员服务。应用遍及生物学各个领域：设计用于塑料降解的酶、开发新型抗生素、理解药物耐药机制。从游戏到科学的转变已经完成。AI 从在人类自己的游戏中击败人类，发展到了解决人类自己无法解决的问题。

2024 年 10 月，诺贝尔化学奖授予了 Demis Hassabis 和 John Jumper，以表彰 AlphaFold，同时授予 David Baker 以表彰计算蛋白质设计。这是第一个明确因 AI 驱动的科学发现而颁发的诺贝尔奖 — 这是对 AI 已成为科学基本工具的最高制度性认可。该诺贝尔奖是一个更广泛模式的一部分：2024 年诺贝尔物理学奖已授予 Hopfield 和 Hinton，以表彰基础机器学习工作，标志着连续两届诺贝尔奖授予 AI。不到一年后，Google DeepMind 的 Gemini Deep Think 在国际数学奥林匹克竞赛中达到了金牌标准 — 在全球最具挑战性的大学预科数学竞赛中获得了 42 分中的 35 分。与使用形式数学验证的 AlphaProof 不同，Gemini Deep Think 使用自然语言推理和推理时计算缩放 — 与 OpenAI 的 o1 引入的范式相同。IMO 金牌展示了 AlphaFold 无法展示的东西：通用 AI 系统 — 而不仅仅是专门工具 — 可以达到人类智力成就的最高水平。从 Deep Blue 到 IMO 金牌的弧线跨越了 28 年。在这段时间里，AI 从一台每秒可搜索 2 亿个位置的机器，演变成了一个能在最高水平上推理、发现和创造的系统。游戏从来不是重点 — 它们是成就更伟大事业的训练场。