他们将分得总额1100万瑞典克朗（约合人民币744.46万元）的奖金。
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。
很显然，继昨日诺贝尔物理学奖之后，AI 再成诺奖焦点，48岁的Google AI 大佬哈萨比斯和39岁的乔普获得了诺贝尔化学奖。加上辛顿，AI 学者们在2024年诺奖中获得了“大满贯”。
要知道，哈萨比斯昨天还在祝贺加拿大多伦多大学教授杰弗里·辛顿（Geoffrey E. Hinton）获得诺贝尔物理学奖，甚至前东家Google为辛顿举办庆功宴，GoogleCEO桑达尔·皮查伊（Sundar Pichai）、Google首席科学家杰夫·迪恩（Jeff Denn）、OpenAI前联合创始人伊利亚·苏茨克维（Ilya Sutskever）等人悉数到场。
如今，哈萨比斯和他的Google AI 团队终于可以祝贺自己了。
这是 AI 行业最浓墨重彩的一笔，对于诺奖来说也“实属罕见”，诺贝尔物理学奖、化学奖都给予深度学习、AI 模型技术很高的赞誉。钛媒体AGI综合数十位专家分析后认为，这意味着全新的 AI 诺奖时代已经开启，同时也是 AI 与学科交叉的胜利。
“很高兴你们现在都赶上进度了！”乔普的这句话，让更多人开始思考，到底是诺奖分量降低，还是 AI 已经革了物理、化学这两大学科的命？
通过化学计算和 AI 揭示了蛋白质的秘密
蛋白质通常由20种不同的氨基酸组成，以无数种方式组合，可以说是生命的基石。利用 DNA 中存储的信息作为蓝图，氨基酸在我们的细胞中连接在一起形成“长链”。
蛋白质的神奇之处在于其结构——氨基酸链扭曲并折叠成独特的（有时是独一无二的）三维结构。正是这种结构赋予蛋白质功能。一些蛋白质成为可以制造肌肉或羽毛的化学构件，而另一些则可能成为激素或抗体。它们中的许多形成酶，以惊人的精度驱动生命的化学反应。而位于细胞表面的蛋白质也很重要，它们充当细胞与周围环境之间的通讯渠道。
但对于学术界来说，一直困扰化学家们50多年来的一个问题是：如何根据氨基酸序列预测蛋白质的三维结构。
美国科学家克里斯蒂安·安芬森 (Christian Anfinsen)曾做出了另一项早期发现。他利用各种化学技巧，成功使现有蛋白质展开，然后再次折叠起来。有趣的是，蛋白质每次都呈现出完全相同的形状。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。这让他于1972年获得诺贝尔化学奖。
然而，安芬森的逻辑中却存在一个悖论，另一个美国人赛勒斯·列文塔尔在1969年就指出了这一点。他计算出，即使一种蛋白质只由100种氨基酸组成，理论上该蛋白质至少可以呈现10的47次方种不同的三维结构。如果氨基酸链随机折叠，那么找到正确的蛋白质结构所需的时间将比宇宙的年龄还要长，在细胞中这只需要几毫秒。那么，氨基酸链究竟是如何折叠的呢？
贝克、哈萨比斯、乔普三位2024年诺贝尔化学奖得主就解决了上述问题。
1962年出生于美国华盛顿州西雅图的贝克，曾在哈佛大学学习时，选择了哲学和社会科学专业。然而，在学习进化生物学课程时，他偶然发现了现已成为经典教科书的《细胞分子生物学》的初版。这导致他的人生方向发生了改变，从而开始探索细胞生物学。1989年，他完成了美国加州大学伯克利分校的博士学位。
1993年，贝克开始担任西雅图华盛顿大学的课题组长时，他接受了生物化学的巨大挑战。通过巧妙的实验，他开始探索蛋白质如何折叠。这为他提供了深刻的见解，并在20世纪 90 年代末开始开发可以预测蛋白质结构的计算机软件：Rosetta。
1998 年，贝克首次使用 Rosetta 参加CASP（“蛋白质结构预测关键评估”）竞赛，与其他参赛者相比，它的表现非常出色。这次成功带来了一个新想法：可以反向使用该软件，贝克团队不必在 Rosetta 中输入氨基酸序列并得到蛋白质结构，而是可以输入所需的蛋白质结构并获得其氨基酸序列的建议，这将使他们能够创建全新的蛋白质。
这一想法最终也完成了成果落地，事实证明，Rosetta确实可以构建蛋白质。2003年，贝克又成功利用这些基石设计出一种与其他蛋白质不同的新蛋白质Top7。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技术，其开发的蛋白质Top7几乎与他们设计的结构完全一致。
如今，贝克在华盛顿大学任职教授职位。
与此同时，AI 技术也被认为是攻克蛋白质结构预测的关键“法宝”。
事实上，在蛋白质中，氨基酸以长链连接在一起，折叠起来形成三维结构，这对蛋白质的功能至关重要。自 1970 年代以来，研究人员一直试图根据氨基酸序列预测蛋白质结构，但这非常困难。
然而，直到2018年，一位国际象棋大师、神经科学专家和 AI 技术先驱进入该领域，才让“蛋白质结构预测”这一领域取得新突破。
在此之前，让我们简单了解一下哈萨比斯的背景：他从四岁开始下国际象棋，13 岁时就达到大师级水平；十几岁时他开始了程序员和游戏开发者的职业生涯，并探索AI、涉足神经科学。2010年，他与他人共同创立了 DeepMind，致力于开发 AI 模型技术，并于2014年被出售给Google。两年后，DeepMind引起了全球关注，当时该公司实现了 AI 领域的“圣杯”：AlphaGo击败了世界围棋冠军、职业九段选手李世石（又译李世乭）。
2018年，哈萨比斯和乔普提出了AlphaFold 1 AI模型技术。当时，CASP预测的蛋白质结构最多只能达到40%的准确率，而AlphaFold准确率接近 60%，他们最终获胜，而优异的结果让许多人感到意外——这是意料之外的进展，但解决方案还不够好，要想成功，预测结果与目标结构的准确率必须达到90%。
2020年，哈萨比斯和乔普提出了AlphaFold2 AI 模型。借助该模型，他们能够预测研究人员发现的几乎所有2亿种蛋白质的结构。自他们取得突破以来，来自190个国家的200多万人使用了 AlphaFold2。在众多科学应用中，研究人员现在可以更好地了解抗生素耐药性并创建可分解塑料的酶的图像。
在这背后，乔普功不可没。
乔普1985年出生于美国阿肯色州小石城，2017年获得美国伊利诺伊州芝加哥大学博士学位。事实上，他在2008年就使用超级计算机模拟蛋白质及其动力学，并意识到物理知识可以帮助解决医学问题。2011年，当乔普开始攻读理论物理学博士学位时，他对蛋白质产生了浓厚的兴趣。为了节省计算机容量（当时大学里计算机容量非常紧缺），他开始开发更简单、更巧妙的方法来模拟蛋白质动力学。2017年，他刚刚完成博士学位，就听到有传言称，GoogleDeepMind已经开始秘密预测蛋白质结构。他向DeepMind发送一份工作申请，他在蛋白质模拟方面的经验使他对如何改进AlphaFold有了创造性的想法，最终，他主导了这次AlphaFold2的研究。
而哈萨比斯和乔普成功研发出的AlphaFold2，利用Transformers神经网络，在大量、高通量数据中可以比以前更灵活地预测蛋白质结构，并发现药物靶点。
2024年5月8日，GoogleDeepMind和其英国子公司Isomorphic Labs联合团队在《自然》杂志上联合发布全新AI蛋白质结构预测模型AlphaFold 3，可准确预测生物分子相互作用的结构。对于蛋白质与其他分子的相互作用，与现有预测方法相比，AlphaFold 3改进至少50%；对于一些重要的相互作用领域，AlphaFold 3预测精（准确）度提高一倍（100%），可准确预测蛋白质、DNA、RNA、配体等的结构以及它们如何相互作用，有望帮助人们治疗癌症、免疫性疾病等。
2024年诺贝尔化学奖得主、GoogleDeepMind CEO哈萨比斯当时对钛媒体App等表示，对于团队来说，AlphaFold 3的发布是一个重要的“里程碑”，同时也是用 AI 技术“理解和建模生物学”道路上迈出的重要一步。
根据诺奖官网，诺贝尔委员会认为，没有蛋白质，生命就无法存在，我们现在可以预测蛋白质结构并设计自己的蛋白质，这给人类带来了最大的利益。哈萨比斯和乔普的研究成果，从根本上改革了蛋白质结构预测以及 AI 模型的技术研究工作。
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。”
如今，蛋白质作为化学工具的功能技术反映在生命的多样性中，比如研究小分子药物、带来新的纳米材料、靶向药物、更快的疫苗开发、最小的传感器和更绿色的化学工业等。它让我们更好地了解生命的运作方式——AI for Science。
到底是诺奖“水”了，还是 AI 革了物理与化学的命？
诺贝尔化学奖是诺贝尔奖的六个奖项之一，由瑞典皇家科学院每年颁发给“在化学领域作出最重要发现或发明”的杰出科学家。据瑞典著名化学家、企业家、发明家诺贝尔（Alfred Nobel）的遗愿，该奖由诺贝尔基金会管理，由瑞典皇家科学院选出5名成员组成一个委员会来评选出获奖者。
自1901年以来至2023年诺贝尔化学奖共颁发了115次，没有颁发的8年分别是1916、1917、1919、1924、1933、1940、1941和1942年。共194人次获奖，实际获奖个人为192人，因为英国科学家Frederick Sanger于1958年和1980年两次获奖，美国科学家Barry Sharpless于2001年和2022年两次获奖。
从2024年诺贝尔物理学奖，到今天的化学奖，AI 成为了今年诺奖中令人意外的“热门”技术。这其实让很多媒体不管是提前预测“存货”还是可能得到诺奖泄漏信息，成为了流量的焦点，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。
比如，化学诺奖得主哈萨比斯理论上是昨天获得物理诺奖Hinton（辛顿）的徒孙，哈萨比斯是Peter Dayan的博士后，Peter Dayan是Hinto的博士后，这些都是 AI 和计算机界的大牛，而非物理和化学界的大家。
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。
“第一个趋势是怎么样从弱智能走向通用智能。20 年前，人工智能由人脸识别，到后来下围棋，现在走向更通用的智能，可以处理更多事，比如文生文、文生图、文生视频，甚至给它一个剧本，就能拍出高水平的电影；第二趋势是人工智能的发展，使得本来就已经相当明显的学科交叉的工作，变得更加活跃、更加重要。如具身智能、AI 仿生、AI+量子等新技术、新应用将大量涌现。拿具身智能来说，机器人可以因此不依靠提前建模、编程，纯靠自学稳定行走。”姚期智表示。
2000年图灵奖得主、中国科学院院士、清华大学教授姚期智
姚期智称，目前，从单一学科走向交叉化，AI 在生物科技、医疗健康、新能源、新材料等方面都有突破性成果。比如，AI和量子物理的结合，可以通过AI赋能给量子物理。另外，AI 在各方面发挥催化作用，包括促进交叉、科学与工程互动，在科学上也创造新的领域、新的契机，前景辽阔，AI 使得各领域的交叉加速。
在2024年诺贝尔物理学奖中也提到，物理学为机器学习的发展贡献了工具，同时，物理学作为一个研究领域也受益于人工神经网络，近年来，神经网络技术也开始用于计算和预测分子和材料的特性。
辛顿认为，神经网络发展的前期阶段很大程度上依赖于物理学的想法，他研发的玻尔兹曼机就是在早期阶段帮助AI研究克服了“训练深度神经网络”的障碍。但“最近（AI）这项工作与物理学的关系较少”。
那么，随着 AI 诺奖时代的来临，你如何看待这一 AI 领域的重要时刻？
过去10年诺贝尔化学奖得主名单：
2023年——美国科学家Moungi G. Bawendi、Louis E. Brus，俄罗斯科学家Alexei I. Ekimov ，获奖理由是“他们对量子点的发现和合成”。
2022年——美国和丹麦3位科学家Carolyn R. Bertozzi、Morten Meldal和K. Barry Sharpless获奖，获奖理由是“在点击化学和生物正交化学方面的发展”。
2021年——德国和美国科学家Benjamin List和David W.C. MacMillan获奖，获奖理由是“在不对称有机催化方面的发展”。
2020年——法国和美国科学家Emmanuelle Charpentier、Jennifer A. Doudna获奖，获奖理由是“开发出一种基因组编辑方法”。
2019年——美国和日本3位科学家John B Goodenough、M. Stanley Whittlingham和Akira Yoshino获奖，获奖理由是“在锂离子电池的发展方面作出的贡献”。
2018年——美国科学家Frances H. Arnoid获奖，获奖理由是“研究酶的定向进化”；另外两位获奖者是美国的George P. Smith和英国的Sir Gregory P. Winter，获奖理由是“研究缩氨酸和抗体的噬菌体展示技术”。
2017年——瑞士、美国和英国3位科学家Jacques Dubochet、Joachim Frank和Richard Henderson获奖，获奖理由是“研发出冷冻电镜，用于溶液中生物分子结构的高分辨率测定”。
2016年——法国、美国、荷兰3位科学家Jean-Pierre Sauvage、J. Fraser Stoddart和Bernard L. Feringa获奖，获奖理由是“分子机器的设计与合成”。
2015年——瑞典、美国、土耳其3位科学家Tomas Lindahl、Paul Modrich和Aziz Sancar获奖，获奖理由是“DNA修复的机制研究”。
2014年——美国及德国三位科学家Eric Betzig、Stefan W. Hell和William E. Moerner获奖。获奖理由是“研制出超分辨率荧光显微镜”。
