2024年的諾貝爾物理學獎發錯了嗎？_風聞
返朴-返朴官方账号-关注返朴（ID：fanpu2019）,阅读更多！1小时前
撰文丨羅會仟（中國科學院物理研究所）、高興宇（中國科學院微電子研究所研究員）
2024 年10月8日，又到了每年一度的諾貝爾獎頒獎季。今年的諾貝爾物理學獎授予了約翰-霍普菲爾德（John J. Hopfield）和傑弗裏-辛頓（Geoffrey E. Hinton），“以表彰他們利用人工神經網絡進行機器學習的奠基性發現和發明”。 這個獎項一出來，就引起了物理圈一陣驚呼，難道AI算法領域也屬於物理了麼？特別是辛頓，是廣為人知的 “AI教父”，早在2018年就獲得了圖靈獎，是妥妥的數學或計算機專家，他接到諾獎委員會電話時，連他自己都表示“完全意料之外”。
許多人紛紛懷疑，2024年的諾貝爾物理學獎，是不是發錯了？這兩位科學家發明的人工神經網絡和深度學習，可以算是物理學嗎？甚至有人説，是不是AI已經深入人類社會，也參與或干擾了這次物理諾獎的評選？
今天我們來聊聊2024年諾貝爾物理學獎和物理有什麼關係。
毫無疑問，如今諾貝爾獎已經成為科學領域裏的頂級獎項。按照諾貝爾物理學獎以往的慣例，基本上傾向於發給自然科學領域的重大發現或者某個技術的重大發明，比如各種基本粒子的發現和各種實驗技術的進展。在AI、大數據、大模型等滾滾洪流迅速推進的今天，似乎連諾貝爾獎也不容錯過這場熱鬧，頒給了這股洪流的起點——人工神經網絡。
實際上，人工神經網絡的建立，與物理是密不可分的。
其一，是兩位科學家，其實都算是物理背景出身的。霍普菲爾德是1958年在康奈爾大學獲得物理學博士學位，之後在貝爾實驗室理論組工作了兩年，隨後在加利福尼亞大學伯克利分校和普林斯頓大學都是從事物理學的研究，只是在加州理工學院期間，開創了計算與神經系統的研究方向。但35 年來，他一直與貝爾實驗室保持着密切聯繫，而貝爾實驗室就是妥妥的“科技創意工廠”，多年來發明瞭晶體管、激光器、太陽能電池、發光二極管等等，40年裏至少誕生了10位以上物理諾獎得主。辛頓更是非常厲害，他出身科學世家，家族裏有多位著名的數學家、文學家、化學家和物理學家，他自己更是對物理學、生物學、心理學都感興趣，於1972年在蘇格蘭愛丁堡大學攻讀神經網絡相關的博士學位。
其二，是人工神經網絡和機器學習的最早算法雛形，都借鑑了物理學的思想。霍普菲爾德在思考神經網絡的工作模式時候，想到了凝聚態物理學一個非常經典的模型，叫做伊辛模型（Ising model）。伊辛模型起初主要用於描述磁性相變的物理過程，這個模型把原子晶格的每一個格點賦予自旋朝上或朝下兩種狀態，只有最近鄰的兩個格點才相互影響。也就是説，旁邊那個原子自旋是選擇朝上還是朝下，取決於它“感覺”最近鄰的那個原子是朝上還是朝下。而兩個原子自旋是平行還是反平行，取決於它們之間的耦合模式，並且會決定系統的整體能量。在足夠低温度一下，原子的自旋會自發選擇傾向於最低能量組態的排列方式，即最終要麼全部同向，也就是鐵磁排列，要麼是互相反向的反鐵磁排列。
霍普菲爾德在思考神經網絡模型的時候，認識到大腦的學習和記憶，是通過改變眾多神經元之間的連接強度來實現的。這種連接強度就類似伊辛模型兩個原子自旋之間的關聯強度，要麼被加強，要麼被減弱，最終決定了系統的整體能量大小。所以，如果先給一個二維網絡每個格點（連接）賦值造成“記憶”，那麼面對一組新輸入的數據，判斷是否提升或降低了系統能量，需要看格點之間的連接是否發生了變化。最終，系統會遍歷所有格點，尋找到最合適的組合，也就是最優能量路徑，儘可能還原之前的圖像。這樣就讓神經網絡形成了“記憶”和“自我學習”功能。霍普菲爾德的模型雖然看起來簡單，卻顯得十分有效。他比喻就像先設定了一組大大小小山峯組成的“景觀”，放入一個小球的話，會自動搜索最優路徑而落到預想中的“坑”裏面去。
辛頓對霍普菲爾德網絡做了進一步發展，那就是藉助了統計物理學的思想，建立了一套概率判斷方法，這樣系統會自動得知不同狀態能量對應的概率，最終會選擇概率最大的那個可能性來輸出。這套方法被稱之為“玻爾茲曼機”，玻爾茲曼就是鼎鼎大名的統計物理學家，他找到了微觀粒子運動與熱力學熵的關係，建立了理想氣體分子的玻爾茲曼統計方程。簡單來説，玻爾茲曼模型裏忽略了氣體分子之間複雜的相互作用，基於氣體分子的速度，也對應着經典物理裏的動能，來建立粒子數目分佈的方程。也就是説，粒子的能量大小，決定了它出現的概率。毫無疑問，玻爾茲曼機還是一個純經典物理模型，如果需要考慮真實的微觀粒子，必須採用量子統計物理，也就是建立玻恩機模型等更加複雜的模型。但即便如此，辛頓發明的玻爾茲曼機極大推進了機器學習的發展，它能通過樣本學習，創造出一個新的模式，這就是如今人工智能的基本雛形。雖然我們現在大模型採用的算法已經不再是辛頓等人當年的框架，但霍普菲爾德網絡和玻爾茲曼機是人工神經網絡邁出實用化的關鍵一步。
最後，第三點，是因為AI對物理學已經越來越重要了，可以説人工智能模型起源於物理，也服務於物理。的確，AI已經徹底改變了如今科學研究的基本範式，即便是基礎物理領域，AI的利用也是非常普遍的。例如粒子物理學家用來分析對撞機的數據，天文學家用來解析黑洞的“照片”，凝聚態物理學家用來預測材料結構和物性等等。科學家們除了理論、實驗、計算等科研“三板斧”之外，又有了AI的助力，即便是在科學理論尚不完備的情況下，AI也能根據實驗數據結果和計算模擬結果來預測全新的物理。
我們相信，用不了多久，AI for Science將成為科學研究的“第四板斧”，由此激發出更多的原始創新和技術發明，為人類的美好明天加速前進！
