人工智能不再是一个新兴工具；它已经成为重大科学进步的中心。约翰·霍普菲尔德、杰弗里·欣顿、大卫·贝克、德米斯·哈萨比斯和约翰·朱珀的获奖工作展示了人工智能如何在物理、生物和化学等不同领域改变游戏规则，为人工智能的影响力扩展到生活的每一个部分铺平了道路。他们的努力将传统科学与现代技术相结合，模糊了不同研究领域之间的界限。
约翰·J·霍普菲尔德和杰弗里·E·欣顿，因为他们在使机器学习与人工神经网络成为可能的基础发现和发明。
不久之前，物理学中的人工智能看起来像是科幻电影中的东西。今天，它正在塑造未来。约翰·霍普菲尔德和杰弗里·欣顿的工作改变了处理信息和发现模式的方式，使人工智能系统不仅仅是处理数据——它们实际上学习、适应和理解。
霍普菲尔德和欣顿在1980年代的贡献帮助人工智能超越了纯粹的计算。他们从物理学中借鉴概念，赋予人工智能自己的“大脑”。他们对神经网络的研究受到大脑神经元如何相互作用的启发，为现在几乎触及生活每一个部分的技术奠定了基础。正是这种神经科学和物理学的融合，让机器开始以一种令人毛骨悚然的人类方式“思考”。今天，当与Siri对话、使用面部识别解锁手机或依赖人工智能推荐下一个要观看的节目时，正在见证几十年前由这两位先驱开始的思想演变。
约翰·霍普菲尔德为人工智能开发了一种记忆和识别模式的方式，类似于人脑回忆信息的方式。他的神经网络能够存储和恢复模式，这对于现在随处可见的应用至关重要，如图像识别和趋势预测。他利用物理学解决人工智能问题，将能量状态和磁自旋等抽象概念转化为机器从现实世界的嘈杂数据中“学习”的实际方法。
杰弗里·欣顿采纳了霍普菲尔德的想法，并在此基础上发展，发明了玻尔兹曼机——一种通过在数据中寻找模式自学的人工智能模型。但他最大的贡献是使反向传播流行起来——一种帮助人工智能从错误中学习的方法，类似于通过修正错误随时间改进。多亏了欣顿，现在拥有的人工智能驱动着从谷歌搜索到自动驾驶汽车的一切。
颁发物理学诺贝尔奖给人工智能工作标志着一个重大变化。它表明物理学、计算机科学和心理学之间的旧界限几乎消失了。人工智能不再只是技术专家的领域；它现在是现代物理学的一个基本部分，甚至更多。以霍普菲尔德和欣顿的思想为核心，人工智能不再只是从人类那里获取线索——它开始解决长期以来困扰难题。
德米斯·哈萨比斯和约翰·M·朱珀，因为蛋白质结构预测；大卫·贝克，因为计算蛋白质设计。
在化学领域，人工智能的影响同样重大。今年的奖项承认了人工智能如何解决了生物学中最棘手的谜题之一：根据其氨基酸序列预测蛋白质的形状。几十年来，预测蛋白质的折叠方式被视为几乎不可能。但大卫·贝克、德米斯·哈萨比斯和约翰·朱珀使用人工智能彻底改变了游戏。
在谷歌DeepMind，哈萨比斯和朱珀开发了AlphaFold2，这是一个不仅仅推动界限——而是重新定义它们的人工智能系统。现在，可以预测几乎所有已知蛋白质的结构，这曾经是一个极其缓慢和困难的过程。有了AlphaFold2，研究人员可以更快、更准确地工作，为开发药物、遗传研究和先进材料带来新的可能性。自从他们的突破以来，AlphaFold2已经被来自190个国家的超过200万人使用。
这不仅仅是人工智能的一个小胜利，这是科学本身向前迈出的一大步。人工智能在人类接近解决这个问题所需的时间的一小部分内破解了一个50年的难题。这一成就不仅仅是为了生物学或化学；这是向所有科学传达的信息。如果人工智能能够解决蛋白质折叠问题，接下来是什么？看来，只要让人工智能帮忙，就没有太大的科学挑战。