[[377503]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

 今天，Nature的一篇報道有點不同。

沒有說最新的科學研究進展，也沒有說這個時代的科學家們。

而是將鏡頭聚焦在計算機上，更具體一點，是聚焦在計算機代碼上。

在過去的一年中，Nature對數十名研究人員進行了調查，以選出這幾十年以來，改變研究的關鍵代碼。

現在，評選結果新鮮出爐。

簡單看了下，有半世紀的“語言先驅”、“祖宗之法”Fortran，理工科的老朋友了，相信個中滋味很多人都能體會。

還有不知不覺已經“而立之年”的論文利器arXiv.org——全球最大的免費預印本平臺，每月吸引超過15000份投稿和3000萬次下載。

……

究竟還有哪些代碼改變了現在的科學？Nature又為何Pick這些代碼？

“語言先驅”Fortran（1957）

說到Fortran，相信很多大學生都受到它的摧殘“洗禮”。

在知乎上有一個2015年的古早問答：“和 C++ 相比，用 Fortran 編程是怎樣的體驗？”

其中一個高贊回答講述了他被Fortran“洗禮”的經歷，引發廣泛共鳴，得到了1331個點贊。

即便如此，依然沒辦法磨滅它在語言界的地位。

最早的現代計算機對用戶，尤其對科學家并不友好。其中的機器語言、編程語言需要科學家對計算機的體系結構有深入的了解。

直到在上個世紀50年代，IBM團隊開發了“公式翻譯語言”Fortran，情況發生了改變。

普林斯頓大學的氣候學家Syukuro Manabe表示，Fortran使非計算機科學家的研究人員可以訪問程序。

他和他的同事使用該語言開發了全球第一個氣候模型，被美國國家海洋和大氣管理局200年來發生的十大突破之一。

如今，Fortran已經發展到第八個十年了，它仍然被廣泛地應用于氣候建模、流體動力學、計算化學等一些涉及復雜計算的學科。

古早的Fortran代碼庫仍然活躍在實驗室和全球的超級計算機上。

而立之年的arXiv.org（1991）

一定沒有想過，幾乎所有科研人員都使用過的論文福音——arXiv已進入第三十個年頭。

目前，它已經收錄約180萬份預印本，全部免費提供大家交流。

每月的投稿和下載數量也一直只增不減。

據Nature統計，現在每月將吸引了15000多份投稿和約3000萬次下載。

而它一開始，也不過只是一個聚焦于高能物理的電子郵件自動回復系統。

在沒有arXiv之前，科學家們大多通過郵寄的方式將提交的手稿副本寄給同事，以征求評價。

但寄出的數量有限，看到論文的也不過幾個人。

見到此狀，一位墨西哥州工作的高能物理學家Ginsparg決定編寫了一個電子郵件自動回復系統。

訂閱者每天都會收到預印本的清單，每個清單都有一個文章標識符。

于是，通過一封電子郵件，世界各地的用戶可以從實驗室的計算機系統中提交或檢索文章，獲得新文章列表或按作者、標題搜索。

一開始，Ginsparg計劃是將文章保留三個月，論文內容限制在高能物理學界。

但在同事的說服之下，1993年他將該系統遷移到互聯網上。5年之后，他給它起了今天的名字：arXiv.org。

Hinton指導的AlexNet（2012年）

如果要說當前更接地氣一點，就要提到這個快速學習AI——AlexNet。

一開始，人工智能有兩種。一種是使用編碼規則，另一種使用計算機通過模擬大腦的神經結構來“學習”，幾十年來，人工智能研究人員一直將后一種方法視為“廢話”。直到2012年，Hinton改變了這一格局。

最初的ImageNet全球挑戰賽，最好的算法錯誤率也有25%之高。

而Hinton的兩位研究生提出的這個AlexNet，一種深度學習算法，直接將錯誤率降低到了16%。

Hinton表示，我們基本上將錯誤率降低了一半，或者說幾乎降低了一半。而這樣的成績，揭開了深度學習在各個領域上的應用。

200年“歷史”的快速傅里葉變換（1965）

相信很多數學、工程領域的同學都對它很熟悉， 快速傅里葉變換 (fast Fourier transform) 即利用計算機快速計算離散傅里葉變換（DFT）的統稱，簡稱FFT。

值得一提的是，這里的基本思想早在1805年就已推導出來，但直到在1965年才得到普及。

來自美國的兩位數學家James Cooley和John Tukey提出利用算法讓計算所需要的乘法次數大為減少，特別是被變換的抽樣點數N越多，FFT算法計算量的節省就越顯著，計算速度也會提高。

比如，對于1000抽樣點數，速度提升約100倍；對于100萬點，速度提升5萬倍。

由此，快速傅里葉變換開啟了數字信號處理、圖像分析、結構生物學等方面的應用。它曾被IEEE科學與工程計算期刊列入20世紀十大算法。

軟件驅動的生物數據庫（1865）

數據庫已經成為當今科學研究的一個重要組成部分，以至于很少有人注意到它其實是由軟件驅動的。

在過去十幾年中，數據庫以肉眼可見的速度影響了很多領域，但也許沒有什么地方可以比生物學更為顯著。

不管是從蛋白質序列發現癌癥致病因子，還是合成生物學等領域都少不了龐大基因組和蛋白質數據庫的工作。

上個世紀60年代初，當生物學家還在努力拆解蛋白質的氨基酸序列時，Margaret Dayhoff（生物信息學先驅）則開始默默整理這些蛋白質信息，創建蛋白質和核酸數據庫以及查詢數據庫的工具。

她的《蛋白質序列和結構圖譜》在1965年首次出版，描述了當時已知的65種蛋白質的序列、結構和相似性。而且她還將其數據編碼在打孔卡中，這使得擴大數據庫并進行搜索成為可能。

之后，更多計算機化的生物數據庫也隨之而來，蛋白質數據庫于1971年上線，今天它詳細記錄了17萬多個大分子結構。

天氣預報員：一般流通模型（1969年）

“螞蟻搬家蛇過道，明天必有大雨到。”

以前的天氣預報都是依靠人們的經驗和直覺，直到這個模型——一般流通模型的出現，根據物理定律進行氣候建模的工作，由此開啟了計算機預測天氣的時代。

在20世紀40年代末，現代計算機之父約翰·馮·諾依曼便成立了他的天氣預測小組。

1955年，第二個團隊—地球物理流體動力學實驗室也開始了所謂的 “無限預報”—即氣候建模的工作。

直到1969年，這其中才有人真正做出了天氣預測模型，使其首次能夠在硅片中測試二氧化碳水平上升的影響。，創造了2006年Nature形容的科學計算的“里程碑”。

今天的模型可以將地球表面劃分為25×25公里的方塊，將大氣層劃分為幾十個層次。

相比之下，Manabe和Bryan的海洋-大氣組合模型，使用的是500公里的方塊和9個層次，只覆蓋了全球的六分之一。

除此之外，還有數字處理者BLAS，顯微鏡必不可少的NIH Image，序列搜索器BLAST，數據瀏覽器IPython Notebook。

好了，你Pick哪一款？如果其他心儀的代碼，歡迎與我們分享。