每經記者 鄭雨航    每經實習記者 岳楚鵬    每經編輯 蘭素英    

圖片來源：諾貝爾獎官方X平臺賬號

當地時間10月9日，瑞典皇家科學院公布了2024年諾貝爾化學獎得主。

該獎項一分為二，一半授予戴維•貝克（David Baker），以表彰他“利用計算機進行蛋白質設計”的成就，另一半給了谷歌DeepMind的首席執行官德米斯•哈薩比斯（Demis Hassabis）和高級研究科學家約翰•M•詹珀（John M. Jumper），以表彰他們在“蛋白質結構預測方面的貢獻”。2020年，哈薩比斯和詹珀發布了名為AlphaFold 2的人工智能（AI）模型，是利用AI技術預測蛋白質三維結構的革命性工具。

這是AI在本屆諾貝爾獎的第二次勝利。前一日，諾貝爾物理學獎頒給了計算機科學家約翰·霍普菲爾德（John J. Hopfield）和杰弗里·欣頓（Geoffrey E. Hinton），表彰他們通過人工神經網絡實現機器學習的基礎性發現和發明，幫助計算機以更接近人腦的方式學習，為AI的發展奠定了基礎。

為什么AI能贏得諾貝爾獎委員會的青睞，接連拿下兩大諾獎桂冠？《每日經濟新聞》記者（以下簡稱NBD）專訪了復旦大學復雜體系多尺度研究院首任院長、上海人工智能實驗室領軍科學家馬劍鵬教授，就AI與科學研究之間的關系以及中國在相關領域的進展進行了解讀。

馬劍鵬教授是國際知名的計算生物學家，是美國醫學生物工程學會、美國科學促進會及美國物理學會的會士。2018年，馬教授作為上海市高峰人才引進團隊核心成員全職歸國，與Michael Levitt（2013年諾貝爾化學獎得主）教授聯合創建了復旦大學復雜體系多尺度研究院。在“AI for Science（科學智能）”領域中尤為關鍵的蛋白質結構預測研究中，馬教授團隊自主研發的OPUS-系列國產軟件性能領跑全球，成功搭建全鏈條AI賦能新藥研發的先進技術平臺。

馬劍鵬教授 圖片來源：復旦大學復雜體系多尺度研究院官網

AI for Science領域是輸不起的賽道，應加強算法突破

NBD：今年諾貝爾化學獎授予了致力于用AI驅動蛋白質結構預測的科學家。作為這一領域的知名科學家，您如何看待AI在未來科學研究中的作用？ 

馬劍鵬：我曾提過AlphaFold是諾獎級的貢獻，但沒想到這么快就獲獎了。從2018年“AlphaFold”亮相，到“AlphaFold 2”被美國《科學》雜志評為2020年十大科學突破之一，再到今年5月發布的“AlphaFold 3”，直接改變了上一代版本的核心架構，用“擴散模塊”取代了上一代中非常重要的“結構模塊”。

蛋白質結構解析，即從氨基酸序列預測蛋白質的三維結構，是化學家們在過去50多年里面臨的一個挑戰。在AI介入之前，蛋白質的從頭設計不僅極為艱苦，而且成功率很低。不過，過去20多年中，結構生物學積累了海量數據，為基于AI的蛋白質結構預測和蛋白質設計作好了“臨門一腳”的鋪墊。

“AlphaFold 2”的出現不僅在這一問題上實現了大幅的提升，甚至逼近于解決這一問題。意義更為深遠的是，科學智能（AI for Science）的概念開始深入人心。雖然這個問題并沒有完全解決，但已經往前進了一大步，已經超越了期望。

AlphaFold 2的工作原理 圖片來源：諾貝爾獎官網新聞稿截圖

NBD：AI的獲獎對科研界意味著什么？ 

馬劍鵬：這一領域是我們輸不起的賽道，今后要重點在算法上另辟蹊徑。因此，國家需要在AI蛋白質結構研究領域投入更多的資源和人才培養力度，對于一項從0到1的基礎研究，要給予充足的經費支持和發展空間。蛋白質預測領域目前展現出來的潛力是無窮的，一定要久久為功。

NBD：您所領導的團隊開發了OPUSFold，這一平臺在蛋白質結構預測中的應用與AlphaFold 2有相似之處。馬教授認為OPUSFold的開發對推動AI在結構生物學領域的應用有何獨特意義？

馬劍鵬：面對人工智能的科技競爭，作為同行，不能在相同路徑上追趕，而是要另辟蹊徑，爭取局部突破。蛋白質三維結構由主鏈和側鏈搭建而成，Alphafold 2的主鏈預測總體做得不錯，但側鏈預測的質量不夠好，至少離藥物設計要求的精度還有很大的差距。

OPUS-Fold 3是我們團隊自主研發的蛋白質折疊平臺，對標戴維•貝克的蛋白質結構預測軟件Rosetta，達到同等折疊精確度并在側鏈建模超越20%。該平臺在指導蛋白質設計場景中引入物理化學性質信息，及濕實驗反饋驗證信息，提升設計成功率。我們還研發了一款名為OPUS-Rota5的算法，它能大大提升蛋白質側鏈結構測試精度，專門針對Alphafold 2的軟肋。現在即便是有了Alphafold 3，復旦大學的側鏈結構測試精度依然保持著全世界領先水平。 

未來有可能出現“純粹的AI科學家”

NBD：今年的諾貝爾獎表明，AI已經成為推動生命科學研究的重要力量。馬教授認為在接下來的10年里，AI會如何改變生物學和藥物發現的研究方式？在哪些領域可能會看到新的突破？

馬劍鵬：未來，AI可能會進一步提升蛋白質折疊的預測精度，并幫助識別新的蛋白質-蛋白質相互作用，為藥物靶點的發現和設計提供更可靠的數據支持。未來的AI模型將能更快速地預測化合物的藥效和毒性，加速藥物發現過程。同時，生成對抗網絡（GAN）等生成模型的進步將幫助研究人員設計出全新的分子結構，大幅提高新藥開發的速度。

同時，AI在蛋白質結構解析技術上的發展，將對酶工業、抗體改造和生物材料等領域產生深遠影響，實現更高效和定制化的創新成果。

比如，AI可以解析酶的活性位點并識別關鍵的氨基酸殘基，從而幫助工程師通過定向進化或理性設計改造酶，以實現更高的催化效率、穩定性等。

我們團隊近期通過AI技術與濕實驗驗證共同推進，大大提高了酶的活性及熱穩定性，可以對酶工業起到降本增效的實際作用。

利用貝克的Rosetta軟件開發的蛋白質 圖片來源：諾貝爾獎官網新聞稿截圖

NBD：隨著AI對科學貢獻的增加，您是否認為未來有可能會出現“純粹的AI科學家”（即人工智能系統，而非研究AI的人類）？這些AI科學家是否有可能獲得像諾貝爾獎這樣的重要獎項？

馬劍鵬：未來確實有可能出現“純粹的AI科學家”，即能夠獨立進行科學研究、提出新理論、設計實驗并做出發現的人工智能系統。這樣的AI科學家不僅會成為人類科學家的輔助工具，甚至可能完全自主地推動某些領域的重大突破。

但至于能否獲得諾獎，還需要看它是否具備自動化推理與創新能力、實驗設計與執行能力等，并且會涉及諸多技術、倫理和規范性挑戰。 

強調AI并不會淡化基礎科學研究

NBD：在開發OPUSFold以及推動AI技術在生物學中的應用時，您是否覺得跨學科合作至關重要？ 

馬劍鵬：跨學科非常重要，我們研究院團隊就是一個典型的跨學科研究團隊，成員背景包含了計算機科學、生物學、物理學和化學等。研究方向有分子生物學、細胞生物學、遺傳學、結構生物學、AI算法開發與應用、大數據等。

今年，復旦大學宣布推出至少100門AI領域課程，AI已是繞不開的話題，你不一定需要會寫算法，但至少要會用。AI要“從娃娃抓起”，因此注重跨學科領域人才的培養是非常必要的。 

NBD：國外一些科學家在接受采訪時提到，他們擔憂AI浪潮可能會扭曲研究方向，導致科學家追逐熱門課題（AI應用），而忽略了基礎研究。請問您對這一問題有何看法？

馬劍鵬：把AI研究和技術研究割裂或者對立有失偏頗，AI本身是個工具，可以用在工程問題上，比如無人機操控、人臉識別、自動駕駛，也可以應用在基礎科學研究上。

事實上，AlphaFold是因為AI變強大了，才可以用來做基礎研究，而AlphaFold研究的問題本身是一個非常基礎的科學問題，和應用沒有直接關系，盡管它的成功可以間接賦能新藥創新等等，所以不存在“強調了AI就淡化基礎科學研究”的問題。

另外，AI技術里面本身還是有很多基礎科學問題的，就是怎么搞這個AI技術。今年的諾貝爾物理學獎就是給了這個兩個人，他們沒有做過人臉識別，也沒做過無人機操控，他們做的是AI底層的一些問題。諾貝爾化學獎更是一個基礎問題，只是都跟AI的工具相關，所以這個問題并不成立。

封面圖片來源：視覺中國-VCG211158270552