電子發(fā)燒友網(wǎng)報道（文/黃山明）近日，據(jù)新華社報道，瑞典皇家科學院宣布，將2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德（John Hopfield）和英國裔加拿大科學家杰弗里·欣頓（Geoffrey Hinton），表彰他們在使用人工神經(jīng)網(wǎng)絡的機器學習方面的基礎性發(fā)現(xiàn)和發(fā)明。

作為在科學界具有舉足輕重的地位和深遠影響的諾貝爾獎，它不僅是對科學家個人成就的最高肯定，更是對整個科學事業(yè)的推動和激勵。而此次將諾貝爾獎頒發(fā)給了機器學習，不僅是對當下物理學與AI深度結合的高度認可，也是對機器學習這門學科發(fā)現(xiàn)與發(fā)明的價值上的肯定。

機器學習的開創(chuàng)者

如今只要關注一些科技相關的報道，一定對AI不會陌生，國內不少企業(yè)更是已經(jīng)推出了大模型，相信不少人都已經(jīng)用過。而這些AI大模型在創(chuàng)造之時，基本都使用了機器學習。

與眾人當今所熟知的大模型不同的是，此次諾貝爾物理學獎并不是授予給當下火熱的大模型，而是由霍普菲爾德于1982年所提出的霍普菲爾德神經(jīng)網(wǎng)絡，以及欣頓在上世紀80年代所發(fā)明的“玻爾茲曼機”。

在20世紀80年代初，當時的計算機科學和人工智能領域正處于探索新計算模型和技術的階段。彼時，研究人員開始重新審視神經(jīng)網(wǎng)絡作為處理信息的一種方式，尤其是在20世紀60年代末至70年代初，由于計算能力的限制以及對早期簡單模型（如感知機）的批評，神經(jīng)網(wǎng)絡的研究一度陷入低谷。

在這一背景下，霍普菲爾德正式提出了霍普菲爾德網(wǎng)絡，主要特點是所有神經(jīng)元節(jié)點之間都是相互連接的，形成了一個全連接的網(wǎng)絡結構。這種網(wǎng)絡提供了一個模擬人類記憶的模型，它保證了向局部極小值的收斂，但有可能收斂到錯誤的局部極小值而非全局極小值。因此，該網(wǎng)絡可以在聯(lián)想記憶和模式識別方面有著廣泛的作用。

打個比方，由于霍普菲爾德網(wǎng)絡有著類似于人腦的聯(lián)想記憶功能，即使輸入的信息不完整或帶有噪聲，也能識別并糾正。當然，這種網(wǎng)絡也存在著記憶容量有限、模式間易干擾、對噪聲容忍度低、同步更新不穩(wěn)定等缺點，導致在實際應用中有一定局限性。但它為后來的神經(jīng)網(wǎng)絡研究提供了靈感，促進了更多復雜的網(wǎng)絡架構和訓練方法的發(fā)展。

1986年，欣頓與大衛(wèi)·萊姆哈特（D. E. Rumelhart）等提出了誤差反向傳播算法（Error back-propagation algorithm），簡稱BP算法，這一算法至今仍被所有大模型自監(jiān)督學習算法所采用。

此外，欣頓還提出了AlexNet模型，將深度神經(jīng)網(wǎng)絡、大數(shù)據(jù)與GPU相融合，并開創(chuàng)了第三次人工智能的研究熱潮。此外，欣頓與特倫斯·塞伊諾夫斯基（TerrenceSejnowski）一起發(fā)明了玻爾茲曼機，這是一種基于統(tǒng)計物理學中玻爾茲曼分布的隨機神經(jīng)網(wǎng)絡模型。這種模型能夠通過學習數(shù)據(jù)中的概率分布來進行推理和決策，對于理解復雜系統(tǒng)中的模式識別具有重要意義。

此次諾貝爾物理學獎的頒獎理由是，利用人工神經(jīng)網(wǎng)絡進行機器學習的基礎發(fā)現(xiàn)和發(fā)明。而霍普菲爾德與欣頓正是機器學習這門學科最開始的開始，諾貝爾物理學委員會秘書烏爾夫·丹尼爾松在接受采訪時表示，物理學獎可以授予理論上、實驗上或者觀測上的發(fā)現(xiàn)，也可以授予發(fā)明，今年的獲獎成果從某種意義上講也是一種發(fā)明，一種可以多種方式應用的發(fā)明。

物理學與計算機的必然結合

2022年末，OpenAI正式推出了ChatGPT，這標志著生成式人工智能技術的一個重要里程碑。更重要的是，隨著AI大模型的發(fā)展，甚至已經(jīng)開始為物理學的研究帶來了全新的視角和方法。

AI，特別是機器學習算法，能夠處理海量數(shù)據(jù)，并從中識別出模式和規(guī)律。這對于分析實驗數(shù)據(jù)、天文觀測數(shù)據(jù)等非常有用，可以幫助物理學家更快地發(fā)現(xiàn)新的物理現(xiàn)象。也可以用于創(chuàng)建更復雜的物理模型，并且可以加速模擬過程。還可以用來設計更有效的實驗方案，并優(yōu)化實驗條件，從而提高實驗的效率和準確性。

甚至在實際應用中，比如集成電路領域，AI依靠機器學習已經(jīng)開始設計出全新的芯片，通過發(fā)展迭代，未來更高難度的芯片設計工作完全交由AI也并非不可能。

過去幾十年來，物理學與計算機科學正在變得越來越緊密，甚至計算機科學與物理學的結合催生了諸如計算物理、量子計算等新興領域，這些領域不僅推動了科學前沿的發(fā)展，還可能帶來革命性的技術突破。

發(fā)現(xiàn)沒有，計算機，尤其是AI這項工具將我們很多工作都簡化了，提升了效率，能夠讓人們不再需要去做那些重復或者只需要計算的工作，而是更多的從事創(chuàng)造性的事業(yè)。

很多人對于今年的諾貝爾物理學獎結果有些出乎意料，認為機器學習只是一項工作，并未實際的解決物理學中的問題，因此很難認為這項成果能夠被授予諾貝爾獎。

但物理學中有一個分支叫統(tǒng)計物理（Statistical Physics）它使用概率論和統(tǒng)計學的方法來研究大量微觀粒子（如原子和分子）組成的宏觀系統(tǒng)的整體行為。統(tǒng)計物理的目標是通過分析組成物質的基本單元的行為來解釋宏觀物理現(xiàn)象，如溫度、壓力、熱容、相變等。

簡單來說，統(tǒng)計物理就是討論在給出個體之間的相互作用情況下，集體會產生什么樣的行為。而機器學習呢，就是將一些很基礎的機構用簡單的運算疊加在一起，然后創(chuàng)造出擁有巨大能量的集體行為。從這個角度來看，如今的AI模型恰恰就是驗證了統(tǒng)計物理的想法。

有人工智能專家認為，人工神經(jīng)網(wǎng)絡雖然在物理學領域還不足與基礎物理學定律的貢獻相媲美，卻是對世界可能產生重大影響的人工智能科學的基礎性貢獻。

寫在最后

人類的科學發(fā)展，一定程度上可以認為是物理學的發(fā)展。從萬有引力的發(fā)現(xiàn)，到相對論的推導，再到如今芯片的制造，超導體的研發(fā)等，都是物理學的體現(xiàn)。而今，AI開始深度參與到我們的生活當中，通過深度學習，AI能夠幫助我們更高效的完成重復的工作，解放人類的腦力。而這種人工神經(jīng)網(wǎng)絡的研究，也有助于讓我們了解自己。

回歸最初的本質，物理通常指的是通過科學的方法來探究物質世界的本質、結構和運動規(guī)律的學科。而在古代漢語中，物理更多的指事物的本性和道理，即事物的本質和運行的法則。而機器學習，何嘗不是一種對事物本性和道理的探究呢？