2024年10月8日，2024年度诺贝尔物理学奖授予了美国科学家约翰·霍普菲尔德（John J. Hopfield）和英裔加拿大科学家杰弗里·辛顿（Geoffrey E. Hinton），以表彰他们1980年代在人工神经网络机器学习方面的基础性发现和发明。

时隔一天，10月9日，2024年度诺贝尔化学奖授予了美国生物化学家戴维·贝克（David Baker）和英国人工智能（AI）科学家德米斯·哈萨比斯（Demis Hassabis）和美国科学家约翰·江珀（John M. Jumper），以表彰贝克在计算蛋白质设计方面的贡献和哈萨比斯（Demis Hassabis）与江珀（John M. Jumper）在蛋白质结构预测方面取得的成就。

如果说翰·霍普菲尔德是模拟人脑神经网络发明了一个人工神经网络，辛顿发明了人工神经网络的训练算法，那哈萨比斯和江珀就完全是利用人工神经网络解决了一个科学问题。是典型的AI4Science。顺便说一句，江珀1985年出生，赖以获奖的AlphaFold 2018年问世的。

2024年诺贝尔物理学奖和化学奖预示AI4S( AI for Science)时代的到来，同时AI将深刻改变科学研究的范式——AI4Science。

综合网络资料：2024年度诺贝尔物理学奖和化学奖获奖者的贡献如下：

      约翰·霍普菲尔德（John Hopfield ）是一名研究领域很宽的理论物理学家，早期的工作是在凝聚态物理方面，后又在生物化学领域耕耘。1982年，Hopfield 发表题为"Neural networks and physical systems with emergent collective computational abilities"（"具有涌现集体计算能力的神经网络和物理系统")的论文。这篇论文提出了一个不同于 perceptron 的神经网络模型，各神经元互相连接(作用），非同时更新，能够学习并模拟计算。这个模型是从统计物理学的角度构建了一个分布式的物理学系统。这个模型基于系统局部能量最低点，可以说是零温度模型。

杰弗里·辛顿（Geoffrey E. Hinton ）更为人知的是AI教父，发明了机器学习领域的backpropagation 算法。辛顿学术江湖地位的奠基性论文是 “A Learning Algorithm for Boltzmann Machines” （1985）。辛顿与合作者一起将 Hopfield 模型进行了发展，提出了 Boltzmann machine (波尔茨曼机器），通过引入温度的概念解决了神经网络训练易陷入局部最优的问题。辛顿最为难能可贵的是在许多大家都不看好的领域持续耕耘30年，终有所成。辛顿发展的深度学习方法已被运用于物理、化学等领域，解决了很多以前人们认为 intractable 的计算问题，如蛋白质折叠（2024年哈萨比斯和江珀因此获得诺贝尔化学奖）。

戴维·贝克（David Baker）的贡献主要在于蛋白质设计。自然界中的蛋白质种类有限，研究人员希望创建出新的蛋白质种类，使其执行诸如分解有害物质或作为化学制造业工具等功能。该领域自20世纪90年代末兴起，贝克的突破性贡献是开发了一个名为Rosetta的蛋白质设计软件，借助该软件能构造出自然界不存在的全新蛋白质。贝克的研究团队首先提出一个全新结构的蛋白质，然后利用Rosetta计算哪种氨基酸序列可以生成所需的蛋白质。为了验证该软件的成功率，贝克的研究小组将软件建议的氨基酸序列基因引入细菌，这些细菌生产了所需的蛋白质。然后，他们利用X射线晶体学确认了蛋白质结构与他们的设计几乎完全符合。该成果于2003年发表。此后，他的研究小组不断创造出一个又一个具有新功能的蛋白质，可用于催生新的纳米材料、靶向药物、疫苗研发、微型传感器以及更环保的化学工业等，为实现人类福祉开辟了无限可能。

     德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M. Jumper）的贡献是用人工智能预测蛋白质三维结构。蛋白质是维持生命的重要大分子，是构成骨骼、皮肤、头发等组织的基石，是驱动肌肉的马达，是读取、复制和修复脱氧核糖核酸（DNA）的“机器”，是让大脑中神经元随时准备运转的“泵”，是促进机体免疫反应的抗体，是细胞向外界传递信息的传感器，是调节人体内所有细胞的激素。蛋白质通常由20种不同的氨基酸组成。在蛋白质中，氨基酸以长链连接在一起，折叠起来形成独特的三维结构，这对蛋白质的功能至关重要。要了解生命如何运作，首先就需要了解蛋白质的形状和结构。自19世纪以来，化学家就已了解蛋白质对生命过程的重要性。但直到20世纪50年代，随着研究工具精度的提高，研究人员才开始借助仪器解析蛋白质三维结构。到20世纪70年代，研究人员已经认识到，决定蛋白质如何折叠的相关信息蕴含在组成蛋白质的氨基酸序列中。从那时起，研究人员一直怀有一个梦想，即试图根据已知的氨基酸序列预测蛋白质三维结构，但这非常困难，甚至一度被认为是不可能实现的梦想。2020年，谷歌旗下DeepMind公司的德米斯·哈萨比斯和约翰·江珀提出名为“AlphaFold 2”的人工智能模型, 极大缩短了人工确定蛋白质结构的时间，成功解决了科学家苦苦思索了数十年的难题——从氨基酸序列预测蛋白质结构，这同时展现了人工智能对于科学发现的影响。借助AlphaFold 2，科学家能够预测几乎所有已知的2亿种蛋白质的结构。