谷歌AlphaFold得了诺奖，但DeepMind根本没引用前人论文？

106 0 0

文章摘要

【关键词】 AlphaFold、蛋白质预测、深度学习、诺奖争议、学术贡献

AlphaFold因其在蛋白质结构预测领域的突破性成就而获得诺贝尔奖，引发了广泛关注和争议。AlphaFold 2的预测精度几乎可与X射线晶体学相媲美，解决了生物化学界持续半个世纪的难题。然而，这一成就的背后却隐藏着一段未被充分承认的历史。早在2016年，Vladimir Golkov博士在NeurIPS大会上提出了一种利用深度神经网络从共进化数据中直接预测蛋白质接触图的方法，并在CASP 11测试中表现优异，被认为是AlphaFold的「原型」。慕尼黑机器学习中心主任Daniel Cremers质疑DeepMind为何未引用这项研究，并认为他们的工作为AlphaFold的成功奠定了基础。

AlphaFold的雏形实际上在2016年就已出现。Vladimir Golkov的研究结合了深度学习与蛋白质预测领域的先驱，提出了包括多序列比对、共进化统计量计算和深度神经网络训练在内的完整方法论。尽管Vladimir在报告中预见性地指出架构优化与Scaling将进一步提升性能，但这一研究在AlphaFold的后续发展中未被引用。Daniel Cremers认为诺贝尔奖委员会可能遗漏了他们的奠基性工作，而AlphaFold 1核心团队成员Hugo Penedone则提供了DeepMind开发AlphaFold的时间线，指出他们在2016年独立提出了类似思路，但未引用前人成果。

AI界知名学者Yann LeCun和Pierre Baldi也对此发表了看法。LeCun指出，使用机器学习进行生物信息学研究的想法早在1990年代的雪鸟研讨会上就已诞生，而Baldi则在2000年使用循环网络预测蛋白质接触图，远早于深度学习的流行。Baldi强调，深度学习在蛋白质结构预测中的应用可以追溯到20世纪80年代，而AlphaFold的成功并非孤立，而是建立在大量前人研究的基础上。LeCun补充道，好的想法很少凭空出现，它们通过传播和改进不断发展，有时甚至难以追溯其起源。

AlphaFold的成功固然值得赞誉，但厘清其技术源流更有助于理解AI在生命科学中的深层逻辑和未来潜力。当好的想法和研究推动社会发展时，关注核心研究背后的故事与人物同样重要。正是这些默默付出与耕耘的研究者，推动了科学技术的进步，为社会带来了深远的影响。