2024 年诺贝尔物理学奖授予了美国普林斯顿大学的 John J. Hopfield 和加拿大多伦多大学的 Geoffrey E. Hinton，以表彰他们“为推动利用人工神经网络进行机器学习作出的基础性发现和发明”。诺贝尔化学奖授予了华盛顿大学的 David Baker 以及谷歌 DeepMind 的 Demis Hassabis 与 John M. Jumper，以表彰他们在人工智能辅助蛋白质研究方面的贡献。

AI 赋能科学发现确实给学术评价体系带来了重大挑战与重塑的可能。在物理学领域，Hopfield 和 Hinton 利用物理学工具构建了新方法，为机器学习奠定了基础，这一突破不仅改变了物理学的研究方式，也对跨学科研究产生了深远影响。在化学领域，三位获奖者通过计算和人工智能揭示了蛋白质的秘密，解决了困扰科学家 50 多年的难题，预测蛋白质的复杂结构，为生命科学研究带来了巨大的变革。

随着 AI 在科学研究中的广泛应用，学术评价体系需要重新审视研究成果的价值和创新性。一方面，AI 技术能够处理大量数据，加速科学发现的进程，但也引发了对成果原创性和可靠性的质疑。例如，在蛋白质结构预测中，虽然 AI 取得了巨大成功，但结构生物学家认为，AI 仍然无法替代科学家所从事的很大一部分工作。另一方面，跨学科研究的价值在 AI 赋能的科学发现中愈发凸显。像诺贝尔物理学奖得主利用统计物理学的基本概念设计人工神经网络，不仅推动了物理学研究，还在粒子物理、材料科学和天体物理学等领域发挥了重要作用。

清华大学的《2024 年人工智能算法影响评价体系构建与应用实践报告》指出，人工智能算法影响评价作为一种治理机制已被纳入各国算法治理框架体系之下，但制度定位与逻辑尚未充分讨论。AI 赋能科学发现促使我们思考如何构建适应新科技发展的学术评价体系，既要考虑成果的创新性、实用性，也要关注跨学科研究的价值以及 AI 技术应用的伦理和道德问题。总之，AI 赋能科学发现为学术评价体系的重塑带来了机遇与挑战。

在当今时代，AI 对物理学研究产生了深远的影响。AI 可以帮助物理学家更好地发现和理解自然界的奥秘，加快科学发现的步伐。例如，机器学习在某种程度上可以独立发现规律，甚至提出新的假设。这为物理学研究带来了新的思路和方法。通过对大量数据的分析和处理，AI 能够挖掘出隐藏在数据中的物理规律，为物理学家提供有价值的线索。同时，AI 还可以模拟复杂的物理系统，预测物理现象的发生，为实验设计提供参考。在一些前沿领域，如量子物理、天体物理等，AI 的应用更是为研究带来了重大突破。它能够处理海量的数据，帮助科学家发现新的天体、探索量子世界的奥秘。此外，AI 还可以与实验设备相结合，实现自动化的数据采集和分析，提高实验效率。总之，AI 赋能科学发现为物理学研究带来了新的机遇和挑战，推动了物理学的发展。

AI 在化学研究中的应用也日益广泛，彻底改变化学研究的面貌，提高研究效率，加速科学发现。在自动化实验室方面，化学研究迎来了效率革命。AI 驱动的机器人平台已经能够在数天内完成原本数十年的实验任务，极大地提升了化学研究的速度和精度。例如，在药物研发和化学化工领域，AI 的应用为学科交叉研究与应用带来了新的活力。它可以汇集化学、制药、化工、生物和 AI 技术专家，针对人工智能在药物发现、化学化工领域的应用进行深入探讨。AI 能够预测化学反应的结果，优化合成路线，为新药研发提供有力支持。同时，在材料、化学等领域，AI 展现出巨大优势，正在引领基础科研的“后现代化”。把握人工智能技术不仅意味着科研效率的提升，更意味着科研的新方向和新突破。

跨学科研究在 AI 赋能科学发现中彰显出巨大潜力。物理学甚至传统自然学科经过几百年的发展沉淀了大量理论和方法，这些都可以为 AI 赋能科学发现提供坚实的基础。同时，AI 的发展也为跨学科研究带来了新的机遇。例如，在 AI+化学与制药领域，汇集了多个学科的专家，共同探索人工智能在药物发现、化学化工领域的学科交叉研究与应用。这种跨学科的合作有助于全面审视 AI 可靠性问题，揭示其内在机理和影响因素，为构建可靠的 AI 系统奠定理论基础。在重构智能时代教育生态方面，物理系召开“AI 赋能大学物理及大学”的研讨会，就创新卓越人才培养模式、人工智能与物理教育教学的深度融合等议题进行深入讨论。这体现了跨学科研究在推动 AI 赋能科学发现中的重要作用。此外，AI 与生物医学、神经科学、心理学等领域的交叉研究也为疾病预测与治疗、解码大脑活动与认知过程、情感识别与心理健康干预等方面提供了新的策略和方法。

2024 年诺贝尔物理奖和化学奖都颁给了人工智能专家，这一事件引发了人们对 AI 赋能科学发现下学术评价体系的思考。随着 AI 在科学研究中的广泛应用，传统的学术评价体系面临着巨大的挑战。一方面，AI 赋能科学发现使得研究成果的产生方式发生了变化。传统的学术评价体系主要基于研究者的个人贡献和论文发表数量等指标，而在 AI 赋能科学发现的背景下，研究成果可能是由 AI 系统和人类研究者共同合作产生的。这就需要重新审视学术评价体系中的贡献分配问题。另一方面，AI 赋能科学发现的速度和规模也对学术评价体系提出了挑战。由于 AI 能够快速处理大量数据，产生大量的研究成果，传统的学术评价体系可能无法及时有效地对这些成果进行评价。此外，AI 赋能科学发现还涉及到跨学科研究，不同学科之间的评价标准和方法存在差异，这也增加了学术评价的难度。为了应对这些挑战，需要建立更加科学、合理、多元化的学术评价体系，充分考虑 AI 赋能科学发现的特点和需求，鼓励创新和跨学科合作，推动科学研究的发展。

综上所述，AI 赋能科学发现对物理学和化学研究产生了深远的影响，跨学科研究在其中发挥了重要价值。同时，AI 赋能科学发现也给学术评价体系带来了挑战，需要我们积极探索新的评价方法和体系，以适应科学研究的发展需求。