当地时间10月9日，瑞典皇家科学院公布了2024年诺贝尔化学奖得主。

  该奖项一分为二，一半授予戴维·贝克（David Baker），以表彰他“利用计算机进行蛋白质设计”的成就，另一半给了谷歌DeepMind的首席执行官德米斯·哈萨比斯（Demis Hassabis）和高级研究科学家约翰·M·詹珀（John M. Jumper），以表彰他们在“蛋白质结构预测方面的贡献”。2020年，哈萨比斯和詹珀发布了名为AlphaFold 2的人工智能（AI）模型，是利用AI技术预测蛋白质三维结构的革命性工具。

  这是AI在本届诺贝尔奖的第二次胜利。前一日，诺贝尔物理学奖颁给了计算机科学家约翰·霍普菲尔德（John J. Hopfield）和杰弗里·欣顿（Geoffrey E. Hinton），表彰他们通过人工神经网络实现机器学习的基础性发现和发明，帮助计算机以更接近人脑的方式学习，为AI的发展奠定了基础。

  为什么AI能赢得诺贝尔奖委员会的青睐，接连拿下两大诺奖桂冠？《每日经济新闻》记者（以下简称NBD）专访了复旦大学复杂体系多尺度研究院首任院长、上海人工智能实验室领军科学家马剑鹏教授，就AI与科学研究之间的关系以及中国在相关领域的进展进行了解读。

  马剑鹏教授是国际知名的计算生物学家，是美国医学生物工程学会、美国科学促进会及美国物理学会的会士。2018年，马教授作为上海市高峰人才引进团队核心成员全职归国，与Michael Levitt（2013年诺贝尔化学奖得主）教授联合创建了复旦大学复杂体系多尺度研究院。在“AI for Science（科学智能）”领域中尤为关键的蛋白质结构预测研究中，马教授团队自主研发的OPUS-系列国产软件性能领跑全球，成功搭建全链条AI赋能新药研发的先进技术平台。

  AI for Science领域是输不起的赛道，应加强算法突破

  NBD：今年诺贝尔化学奖授予了致力于用AI驱动蛋白质结构预测的科学家。作为这一领域的知名科学家，您如何看待AI在未来科学研究中的作用？

  马剑鹏：我曾提过AlphaFold是诺奖级的贡献，但没想到这么快就获奖了。从2018年“AlphaFold”亮相，到“AlphaFold 2”被美国《科学》杂志评为2020年十大科学突破之一，再到今年5月发布的“AlphaFold 3”，直接改变了上一代版本的核心架构，用“扩散模块”取代了上一代中非常重要的“结构模块”。

  蛋白质结构解析，即从氨基酸序列预测蛋白质的三维结构，是化学家们在过去50多年里面临的一个挑战。在AI介入之前，蛋白质的从头设计不仅极为艰苦，而且成功率很低。不过，过去20多年中，结构生物学积累了海量数据，为基于AI的蛋白质结构预测和蛋白质设计作好了“临门一脚”的铺垫。

  “AlphaFold 2”的出现不仅在这一问题上实现了大幅的提升，甚至逼近于解决这一问题。意义更为深远的是，科学智能（AI for Science）的概念开始深入人心。虽然这个问题并没有完全解决，但已经往前进了一大步，已经超越了期望。

AlphaFold 2的工作原理图片来源：诺贝尔奖官网新闻稿截图

  NBD：AI的获奖对科研界意味着什么？

  马剑鹏：这一领域是我们输不起的赛道，今后要重点在算法上另辟蹊径。因此，国家需要在AI蛋白质结构研究领域投入更多的资源和人才培养力度，对于一项从0到1的基础研究，要给予充足的经费支持和发展空间。蛋白质预测领域目前展现出来的潜力是无穷的，一定要久久为功。

  NBD：您所领导的团队开发了OPUSFold，这一平台在蛋白质结构预测中的应用与AlphaFold 2有相似之处。马教授认为OPUSFold的开发对推动AI在结构生物学领域的应用有何独特意义？

  马剑鹏：面对人工智能的科技竞争，作为同行，不能在相同路径上追赶，而是要另辟蹊径，争取局部突破。蛋白质三维结构由主链和侧链搭建而成，Alphafold 2的主链预测总体做得不错，但侧链预测的质量不够好，至少离药物设计要求的精度还有很大的差距。

  OPUS-Fold 3是我们团队自主研发的蛋白质折叠平台，对标戴维·贝克的蛋白质结构预测软件Rosetta，达到同等折叠精确度并在侧链建模超越20%。该平台在指导蛋白质设计场景中引入物理化学性质信息，及湿实验反馈验证信息，提升设计成功率。我们还研发了一款名为OPUS-Rota5的算法，它能大大提升蛋白质侧链结构测试精度，专门针对Alphafold 2的软肋。现在即便是有了Alphafold 3，复旦大学的侧链结构测试精度依然保持着全世界领先水平。

  未来有可能出现“纯粹的AI科学家”

  NBD：今年的诺贝尔奖表明，AI已经成为推动生命科学研究的重要力量。马教授认为在接下来的10年里，AI会如何改变生物学和药物发现的研究方式？在哪些领域可能会看到新的突破？

  马剑鹏：未来，AI可能会进一步提升蛋白质折叠的预测精度，并帮助识别新的蛋白质-蛋白质相互作用，为药物靶点的发现和设计提供更可靠的数据支持。未来的AI模型将能更快速地预测化合物的药效和毒性，加速药物发现过程。同时，生成对抗网络（GAN）等生成模型的进步将帮助研究人员设计出全新的分子结构，大幅提高新药开发的速度。

  同时，AI在蛋白质结构解析技术上的发展，将对酶工业、抗体改造和生物材料等领域产生深远影响，实现更高效和定制化的创新成果。

  比如，AI可以解析酶的活性位点并识别关键的氨基酸残基，从而帮助工程师通过定向进化或理性设计改造酶，以实现更高的催化效率、稳定性等。

  我们团队近期通过AI技术与湿实验验证共同推进，大大提高了酶的活性及热稳定性，可以对酶工业起到降本增效的实际作用。

利用贝克的Rosetta软件开发的蛋白质图片来源：诺贝尔奖官网新闻稿截图

  NBD：随着AI对科学贡献的增加，您是否认为未来有可能会出现“纯粹的AI科学家”（即人工智能系统，而非研究AI的人类）？这些AI科学家是否有可能获得像诺贝尔奖这样的重要奖项？

  马剑鹏：未来确实有可能出现“纯粹的AI科学家”，即能够独立进行科学研究、提出新理论、设计实验并做出发现的人工智能系统。这样的AI科学家不仅会成为人类科学家的辅助工具，甚至可能完全自主地推动某些领域的重大突破。

  但至于能否获得诺奖，还需要看它是否具备自动化推理与创新能力、实验设计与执行能力等，并且会涉及诸多技术、伦理和规范性挑战。

  强调AI并不会淡化基础科学研究

  NBD：在开发OPUSFold以及推动AI技术在生物学中的应用时，您是否觉得跨学科合作至关重要？

  马剑鹏：跨学科非常重要，我们研究院团队就是一个典型的跨学科研究团队，成员背景包含了计算机科学、生物学、物理学和化学等。研究方向有分子生物学、细胞生物学、遗传学、结构生物学、AI算法开发与应用、大数据等。

  今年，复旦大学宣布推出至少100门AI领域课程，AI已是绕不开的话题，你不一定需要会写算法，但至少要会用。AI要“从娃娃抓起”，因此注重跨学科领域人才的培养是非常必要的。

  NBD：国外一些科学家在接受采访时提到，他们担忧AI浪潮可能会扭曲研究方向，导致科学家追逐热门课题（AI应用），而忽略了基础研究。请问您对这一问题有何看法？

  马剑鹏：把AI研究和技术研究割裂或者对立有失偏颇，AI本身是个工具，可以用在工程问题上，比如无人机操控、人脸识别、自动驾驶，也可以应用在基础科学研究上。

  事实上，AlphaFold是因为AI变强大了，才可以用来做基础研究，而AlphaFold研究的问题本身是一个非常基础的科学问题，和应用没有直接关系，尽管它的成功可以间接赋能新药创新等等，所以不存在“强调了AI就淡化基础科学研究”的问题。

  另外，AI技术里面本身还是有很多基础科学问题的，就是怎么搞这个AI技术。今年的诺贝尔物理学奖就是给了这个两个人，他们没有做过人脸识别，也没做过无人机操控，他们做的是AI底层的一些问题。诺贝尔化学奖更是一个基础问题，只是都跟AI的工具相关，所以这个问题并不成立。

（文章来源：每日经济新闻）