01
2024 年，諾貝爾物理學獎授予了美國新澤西州普林斯頓大學教授約翰·霍普菲爾德（John J. Hopfield）和圖靈獎得主、人工智能教父杰弗里·辛頓（Geoffrey E. Hinton），以表彰他們「利用人工神經網絡實現機器學習的基礎性發(fā)現和發(fā)明」。二人將平分1100萬瑞典克朗（750萬人民幣）的獎金。
這一結果多少有些出乎意料。但仔細思索，又在情理之中。
一個以傳統(tǒng)物理學家為中心的獎項，授予了兩位人工智能的研究先驅，恰逢人工智能取得大突破的時期。
這不僅意味著諾貝爾獎官方對當前科學前沿領域的緊密關注，也預示著AI的發(fā)展正從關鍵的突破期進入對社會具有更廣泛影響的新階段，它不能不被傳統(tǒng)社會的目光所注意，也必將被大眾所接納。
02
物理學一詞在西方，幾乎與科學一詞含義相同。
顧名思義，它是指人類對客觀世界即一切可觀察、可感覺、可觸碰的事物的研究，意在搞清研究對象的成分、性質，與其它事物的關系等等。
它的研究方法幾乎可以說是實驗的、歸納的，但同時也包含了抽象的、演繹的成分，需要研究者具備深厚的專業(yè)基礎知識，廣播的觀察視野和具有創(chuàng)造性發(fā)現的想象能力。
總體上，無論什么研究方向，物理學需要一個研究對象，并對這個對象身上發(fā)生的事情原委有探求到底的欲望。它在最開始往往出于對知識本身的好奇，而不具有明確的實用目的。
因此從科學研究取得發(fā)現，到這一發(fā)現與理論真正影響人類生活通常需要一段時間，即將理論成果轉化為實踐應用的過程。
這就是西方教育注重基礎科研，不盲目追求短期成果的原因所在，但其實也是科學發(fā)展的歷史現象的不斷累積造成的結果。而今年的兩位諾貝爾物理學獎得主，也十分恰當地詮釋了這一過程的不可避免性。
03
今年的獲獎者從 1980 年代開始就「人工神經網絡」進行了重要的工作。他們的工作在不斷地疊加和相互影響近40年之后，人工智能取得了歷史性的突破。
實際上，人工神經網絡的機器學習起源于1940年代，它的發(fā)展遠沒有結束。
科研是漫長的求索過程，不同范疇的科學發(fā)展是一個歷史過程，籠罩在科學整體的進程和秩序中，AI也不例外。
04
人工智能從字面上即可理解為一種特殊的、針對人類大腦思考活動的「仿生學」。
它的模仿對象是人類大腦結構，工作目標是建立可以進行思考的「人工神經網絡」系統(tǒng)。在這個系統(tǒng)中，大腦的神經元由具有不同值的節(jié)點代替。這些節(jié)點通過類似大腦樹突的連接相互影響，并且可以變得更強或更弱。
人類大腦的神經元具有感受刺激、整合信息和傳導沖動的能力。神經元感知環(huán)境的變化后，再將信息傳遞給其他的神經元，并指令集體做出反應。神經元占了神經系統(tǒng)約一半，其他大部分由神經膠質細胞所構成。
據估計，人腦中約有850-1200億個神經元，神經膠質細胞的數目則更是其10倍之多。也就是說，一個人只要在有意識地思考和行動，每分每秒都是神經元在上上下下地發(fā)揮作用。
當我們問一個人「今天天氣如何」時，他收到這個信息，首先需要理解這句話的意思，其次要能夠把身體器官感覺到的溫度濕度等信息轉換為語言「說出來」，這個過程看似簡單，實則是神經系統(tǒng)的一次復雜的工作，涉及到大腦中存儲的歷史信息（經驗），對這些信息的辨認、處理和準確表述。
在人工神經網絡中，也要設置無數的節(jié)點，那么如何讓這些節(jié)點之間發(fā)生有效的關聯，從技術上是極其復雜和具有難度的。
05
首先是今年獲獎的約翰·霍普菲爾德（John J. Hopfield）發(fā)明了一個網絡，它使用一種方法來保存和重新創(chuàng)建模式。
我們可以將節(jié)點想象成像素。Hopfield 網絡利用物理學來描述材料的原子自旋特性，這種特性使每個原子都成為微小的磁鐵。
整個網絡的描述方式相當于物理學中自旋系統(tǒng)中的能量，并通過查找節(jié)點之間的連接值進行訓練，以便保存的圖像具有低能量。
當 Hopfield 網絡收到失真或不完整的圖像時，它會有條不紊地通過節(jié)點并更新它們的值，以便網絡的能量下降。因此，網絡逐步工作以找到與它所饋送的不完美圖像最相似的已保存圖像。
隨后是另一位獲獎者杰弗里·辛頓（Geoffrey Hinton） 使用 Hopfield 網絡作為使用不同方法的新網絡的基礎：玻爾茲曼機。這可以學習識別給定數據類型中的特征元素。
杰弗里·辛頓（Geoffrey Hinton）使用了統(tǒng)計物理學中的工具，統(tǒng)計物理學是由許多類似組件構建的系統(tǒng)科學。通過向機器提供機器運行時極有可能出現的示例來訓練機器。
玻爾茲曼機可用于對圖像進行分類或創(chuàng)建訓練它的模式類型的新示例。杰弗里·辛頓（Geoffrey Hinton）以這項工作為基礎，幫助啟動了當前人工智能（機器學習）的爆炸性發(fā)展。
杰弗里·辛頓（Geoffrey Hinton）因其創(chuàng)造性的貢獻，很快被譽為全球公認的「人工智能教父」，成為人工神經網絡和深度學習領域的先驅之一。
他的研究團隊在2012年設計了卷積神經網絡AlexNet，在ImageNet挑戰(zhàn)賽上成功，徹底改變了計算機視覺領域。
作為人工智能領域的奠基人，杰弗里·辛頓（Geoffrey Hinton）不僅提出了許多重要理論，還培養(yǎng)了許多頂尖學生，如OpenAI前首席科學家Ilya Sutskever等人。大模型及生成式AI的技術底座也是來自于他。
06
無論這些基礎科學的研究多么復雜和深入，作為看客的觀眾總是關注來到眼前的「產品」，感到驚奇之余，不愿深挖理解其背后的發(fā)展軌跡和生成原理。
對這些復雜的專業(yè)術語我也不太清晰，從種種新聞和文章的描述來看，簡單講，John Hopfield 創(chuàng)建了一個聯想內存，它可以存儲和重建數據中的圖像和其他類型的模式。
Geoffrey Hinton 發(fā)明了一種方法，可以自主查找數據中的屬性，從而執(zhí)行諸如識別圖片中的特定元素等任務。這些方法為當今強大的機器學習奠定了基礎。
當人工神經網絡獲得簡單指令后，能夠辨認這些指令，并做出有效反應，離不開兩位獲獎者的工作。
07
過去的物理學關注的是探索物理世界的基本規(guī)律，如實體物質、宇宙、粒子、能量等。
然而，今年的物理學諾貝爾獎表明，物理學的邊界正在被人工智能所拓展。物理學家已經將人工智能視為物理學的一部分。
可以這么說，傳統(tǒng)物理是發(fā)現宇宙的規(guī)律，而人工智能則定義了一個新的「數字宇宙」。
機器學習模型中的數學結構、優(yōu)化問題，甚至量子計算中的機器學習應用，都與物理學中的許多核心概念息息相關。
機器學習，尤其是通過人工神經網絡實現的自我學習與優(yōu)化，與傳統(tǒng)的物理學概念之間產生了聯系。
霍普?菲爾德（John Hopfield）的神經網絡模型依靠能量最小化原理來處理記憶和聯想，直接借用了統(tǒng)計物理中的概念。
物理科學家們不再僅僅局限于研究連通性的規(guī)律，而是通過人工智能為我們創(chuàng)造了一個新的「宇宙」——一個由算法和數據驅動的虛擬世界。
這次諾貝爾獎的選擇，無疑讓我們看到了物理學的未來。
08
那么今年的獲獎情況是諾貝爾物理學獎蹭了人工智能的熱度，還是人工智能沾了物理學的光？
抑或者像《三體》小說中預示的那樣，「物理學不存在了」？
其實，這個結果既不是巧合，也不是物理學界為了跟上時代的發(fā)展而蹭熱度。
實際情況是，我們正在進入一個交叉學科爆發(fā)的時代。
人工智能本身是計算機科學、物理學、數學等多學科交匯的產物，它不僅影響著數據分析、工程設計，還深刻改變了生物學、天文學，甚至傳統(tǒng)研究物理學的方式。
人們發(fā)現，通過機器學習的方式，可以更高效地處理大量復雜的數據，發(fā)現新的物理規(guī)律或材料特性，這種技術的應用超越了以往的物理方法，成為推動科學進步的關鍵力量。
未來，更多的交叉學科將會逐漸興起。
諾貝爾獎的選擇不僅僅是對已有成果的認可，也在引領科學發(fā)展的未來方向。
最后，我忍不住想提醒一嘴：知道將來孩子們的志愿怎么報了吧？
免責聲明：此文內容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網無關。文章僅供讀者參考，并請自行核實相關內容。投訴郵箱：editor@fromgeek.com。
免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。
