AlphaFold诺奖争议：2016年原型疑云

AlphaFold诺奖风波：2016年原型疑云，DeepMind或未充分认可前人贡献

AlphaFold因诺奖声名鹊起，其预测精度令人瞩目，与X射线晶体学不相上下，终破生物化学界难题。

然而，2016年，Vladimir Golkov博士在NeurIPS大会上提出，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，此或正是AlphaFold的“原型”。

CASP 11测试中，此方法论表现卓越，远超当时所有方法。

慕尼黑机器学习中心主任Daniel Cremers教授表示，其团队为AlphaFold奠定基石，质疑为何DeepMind未予引用。

Daniel Cremers发问：为何历史奠基石被忽视？

深入探究，发现AlphaFold雏形2016年已现。

2018年CASP中，AlphaFold 1崭露头角，名列前茅；2020年AlphaFold 2大放异彩，近乎满分；2024年AlphaFold 3发布。

而早在2016年NeurIPS上，Vladimir Golkov已作全会报告，提出深度学习方法预测蛋白质接触图。

其方法论包括：调用序列数据库、多序列比对、计算共进化统计量、训练神经网络预测接触图，CASP11数据评估显示其显著超越当时最优技术。

此研究汇聚多位先驱，如Thomas Brox等。

论文链接：点击查看

值得注意的是，Vladimir预见性地指出：“架构优化与Scaling将提升性能”，与AlphaFold团队后续突破不谋而合。

至于未被引用原因，尚无定论。

可观看Vladimir当年报告，了解更多脉络：观看视频

诺贝尔奖委员会介绍AlphaFold 2工作原理：序列比对、距离图生成、三维结构预测。

Daniel Cremers认为其核心技术思路早已在论文中呈现，感觉诺贝尔奖委员会可能遗漏奠基工作。

DeepMind的诺奖，真忽视前人贡献？

Hugo Penedone还原DeepMind开发时间线。

自2015年7月至2019年8月，Hugo在谷歌DeepMind工作，从事深度学习与强化学习应用研究。

他回忆，约于2016年3月，DeepMind启动AlphaFold 1，源自内部黑客马拉松上尝试将深度强化学习应用于FoldIt游戏。

几个月后，他们探索接触图预测可能性。

他们意识到使用神经网络预测接触图准确率更高。

因此，DeepMind可能在同年独立提出此思路。

但DeepMind论文发布远晚于NeurIPS研究，应引用前人成果！

AI巨擘怎么看？

Yann LeCun等AI界巨擘表达看法。

LeCun提到雪鸟研讨会（ICLR前身）于1990年代提出使用机器学习进行生物信息学研究。