AI
AI绘画在
AIGC大爆发时，很多人吐槽、嘲讽其为拼尸块，这让不少厂商退缩，生怕被推到风口浪尖上。实际上，万丈高楼平地起，创新并非空中楼阁、无本之木。我们无法创造出全然不知、不存在的事物，所有创新都是已有元素的复杂组合。
AI模型学习、融合数千年
人类艺术史并重塑，再进行创作，这无疑是一种创新。这与
人类创新的进程相符，借助现有的知识与物质，于特定环境下，基于理想化需求或者为满足社会需求，改进或创造新事物、方法、元素、路径、环境，且能取得一定有益成果的行为。把原本无关联或者关联微弱的事物，通过特定方法或函数连接起来，这就能视为一种创新。
AIGC不仅效率高，在某些领域和题材上创作效果还超多数人，这无疑是创新。若论价值，如今的
AIGC工具和作品，有免费供人欣赏的，也有明码标价售卖或用于商用的，这也是创新的一种体现。不少人把技术工程化工作也视为一种创新，每年有许多基于横向项目撰写的论文就是例证，技术进步和应用创新相互依存。创新并非无本之木，而是现有各种要素相互作用产生的复杂现象，所以我仍觉得
AI能实现真正意义上的创新。近期，Alphafold研究人员荣获2024年诺贝尔化学奖，这是个极具说服力的实例，足以证明
AI具备真正意义上的创新能力。2020年11月举办的第14届蛋白质结构预测技术关键测试（CASP）竞赛里，AlphaFold 2取得了接近90分的成绩（中位分数为92.4），成绩很不错，几乎达到实验获取结构的水平。它在竞赛中全面超越学术界和产业界的其他对手，出色地向人们展示了人工智能推动和加速新科学发现的方式。下图呈现的是此次比赛各小组的Z - scores得分，计算方式为样本值与总体平均值的差除以标准差。显然，AlphaFold 2与第二名及其后组的得分差距极大，远超平均水平，甚至达到可被视作离群点或异常点而剔除的程度，说它遥遥领先毫不过分。
他们构建了一个含注意力机制的神经网络系统，采用由170,000个结构构成的数据集，端到端地加以训练。之后经不断迭代，让AlphaFold系统具备依据氨基酸序列精确预测蛋白结构的强大能力。
AlphaFold 2把折叠后的蛋白质当作有3D结构的空间图来对待，折叠的蛋白质可视为空间图，那么其氨基酸就成了空间图里的节点与线条。构建这种空间图，对理解蛋白质内部的物理相互作用和进化历史十分关键。最新版的AlphaFold 2在CASP14上得以应用，这一基于注意力机制的人工智能神经网络模型，能够高效解析不同蛋白质的空间图结构。与此同时，该系统会尝试阐释这个图的结构原理，对正在构建的隐式图加以推理。并且，模型会运用与进化相关的氨基酸序列、多序列比对（MSA）以及氨基酸对表示法来优化蛋白质结构预测。此外，模型还采用内部置信度度量指标来衡量蛋白质结构。
人类
尽管确定一部分
氨基酸侧链的精确位置依旧是个大难题，不过Alphafold 2已能在很大程度上解决蛋白质结构的预测问题。其中，深度学习、Attention model等人工智能领域的方法发挥了巨大的决定性作用。不过，深度学习存在部分不可解释性，Alphafold 2也因此受到诸多质疑。其中就有德国马克斯·普朗克发育生物学研究所蛋白质进化学系主任安德烈·卢帕斯。于是，他提出了一个特殊挑战：预测古细菌群中古细菌物种的一种膜蛋白。
后来的种种情况表明，X - 射线晶体学呈现的实验结果，与AlphaFold 2模型给出的有着两个长长螺旋的蛋白质结构图像完全相符。这样的预测结果，在实验层面不但没有否定AlphaFold 2，反而进一步印证了AlphaFold 2的强大之处。显然，AI不但有创新能力，在某些方面不逊色于人类，甚至还能超越人类。当下AI尚处于起步阶段，还很弱小，离真正的通用人工智能（AGI）有很大差距。我坚信未来AI的创新力会将此问句变为陈述句。与人类相比，AI学习理解知识、处理整合联结已有知识和元素的速度都远超人类，且精力充沛不知疲倦，所以我对其未来的创新能力与创新效率持积极态度。
