AI获得两个诺贝尔科学奖，神经网络发展需要正本清源，大模型输出质量太低

1. 诺贝尔物理学奖，居然发给了Hopfield和Hinton，这个绝对没想到过。Deepmind的哈萨比斯等人获得化学奖，这个倒是符合预期，AlphaFold预测蛋白质太成功了。对于学计算机的人，Hopfield和Hinton搞的神经网络，最终会获得诺贝尔物理学奖，非常迷惑。

2. 成绩是真的，神经网络、以及大胆利用神经网络开发算法的开拓性工作，应该是这些年来科学界最为醒目的科学成就。我想，这是评奖委员会最为看重的。

3. 神经网络一开始，是模仿人类神经元的。“连接主义”，就是把神经元用越来越复杂的办法分层连起来，构造出了规模越来越大的神经网络。再一个是“梯度下降”等办法，不断训练样本，调整系数，降低LOSS（预测误差）。这个框架一直是这样，越玩越大。2018年得了图灵奖，在本学科得到了认可，2024年得了诺贝尔奖。在科学界乃至产业界，这个框架的威风可以说横扫了所有人。

4. 人类的“经验”，变成“样本”，输入给神经网络做训练。然后神经网络就真的能模拟人类的“智能”了。在围棋这样的例子，甚至经验也是不需要的，只要规则输入就行了。有的游戏甚至规则也不需要，AI自己能总结出来。当大模型把网络与训练样本规模推进到，人类大脑、整个互联网这么多时，甚至AI研究的圣杯“通用人工智能”都看到了希望。一些大模型显得无所不知，还能参加高考、得奥赛奖牌，有博士知识水平。

5. 我觉得目前AI热潮有些过了，无论它取得了什么样的科学成就、聊天有多厉害，回到本源来看，第一性原理，神经网络就是那个“降低LOSS”的本性。它所做的一切都是为了降低LOSS，然后模拟的效果显得很智能。这就是“人工”智能的意思，机器做的不是智能，是人工让它显得象有智能。它是一个很厉害的工具，但本原就是如此，会受到基本框架的限制。

6. 当一个工具不断突破取得了重大成就时，它的潜力就显得非常大。全球的IT大公司卷入了大模型军备竞赛，将英伟达推向了3万亿美元市值，而且业界还在叫算力不够。这种疯狂，就是经典的FOMO，Fear of Missing Out，害怕错失。因为这个恐惧症，大公司花上百亿美元也在所不惜，中国公司甚至有钱还买不到。

7. 个人直觉是，神经网络不应象比特币挖矿那样，耗费了无数的算力、电力，吐出的内容只是让人类测试员对其输出满足。大模型从未产生让人惊艳的文学作品、科研成果，缺少人类智慧所需的“灵魂”。网络上充斥着AI创作的新闻，如体育新闻，看了让人厌恶。大模型不能成为垃圾内容炮制者，需要高质量的输出。

8. 围棋、蛋白质预测，是人类算法设计的成果，神经网络是工具，而不是主体，还有许多产业应用。这方面的科学成就，是让人惊艳的，没有AI，人类确实做不来。所以，图灵奖、两个诺贝尔科学奖，都是实至名归的。正本清源之后我们发现，大模型并未产生人类做不到的内容，只能取代一些中低水平的重复性工作。即使作为工具，它的意义也被高估了。