瑞典皇家科學院10月8日宣布，將2024年諾貝爾物理學獎授予兩位人工智慧先驅——美國科學家約翰·霍普菲爾德和加拿大科學家傑弗里·辛頓，表彰他們在使用人工神經網絡進行機器學習的基礎性發現和發明。
諾貝爾物理學獎怎麼頒給了人工智慧專家？諾貝爾獎變身圖靈獎了？大獎一揭曉，就引發了網民的議論。當然，這已不是諾貝爾物理學獎第一次「跨界」，比如在2021年，這項大獎的三位獲得者中，真鍋淑郎和克勞斯·哈斯曼是氣候學家，獲獎原因是他們在地球氣候預測模型和「預測全球變暖」方面作出的貢獻。
此次瑞典皇家科學院為何「相中」人工智慧？霍普菲爾德和辛頓的成果與物理學有何關聯？解放日報·上觀新聞記者採訪了復旦大學、上海交通大學和達觀數據的三位專家。
將物理學與其他多個學科交叉
「霍普菲爾德和辛頓的研究領域是統計物理、數學物理、非線性物理，所以屬於物理學領域。」復旦大學智能複雜體系實驗室主任、上海數學中心谷超豪研究所長聘教授林偉介紹，他們研發的人工神經網絡是典型的複雜系統，需要用格物致知的精神去深入探究，將物理學與數學、統計學、計算機科學、腦科學等學科進行交叉。
瑞典皇家科學院宣布，將2024年諾貝爾物理學獎授予約翰·霍普菲爾德和傑弗里·辛頓。
人工神經網絡是20世紀80 年代以來，人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡。作為一種運算模型，人工神經網絡由大量的節點（即神經元）相互連接構成，每個節點代表一種特定的輸出函數，每兩個節點間的連接都代表一個對於通過該連接信號的加權值，這相當於人工神經網絡的記憶。
林偉告訴記者：「霍普菲爾德上世紀80年代發明的霍普菲爾德神經網絡，是用來描述和模擬人腦聯想記憶的。」它是一種結合存儲系統和二元系統的神經網絡，提供了模擬人類記憶的模型。
人感知到一些事物或經歷了某件事後，其記憶會被喚醒，腦海中浮現出越來越清晰的圖景。霍普菲爾德神經網絡也有這個功能，比如科研人員把曾輸入神經網絡的一張圖片加工一下，讓它的部分像素缺失，隨後將這張圖片輸入神經網絡。經過多次循環，它會神奇地讓原圖復現，就像人腦將遺忘的事物回憶起來一樣。
霍普菲爾德神經網絡還可以解決「旅行商問題」。對於給定的一系列城市和每對城市之間的距離，它能找到訪問每座城市僅一次並回到起始城市的最短迴路。
對人工智慧發展起到關鍵作用
林偉介紹，辛頓發明了一種可以自動發現數據特徵的方法，從而執行「識別圖片中特定元素」等任務。他以霍普菲爾德神經網絡為基礎，創建了一個使用不同方法的新網絡——玻爾茲曼機，這種網絡可以學習識別給定類型數據中的特徵元素。
辛頓使用統計物理學的工具，通過輸入在機器運行時很可能出現的例子來訓練機器。玻爾茲曼機可用於分類圖像，或創建與其訓練模式類型相似的新例子。在此基礎上，這位科學家繼續研究，助力啟動了當前機器學習的飛速發展。
2024年諾貝爾物理學獎得主肖像
上海交通大學物理與天文學院、張江高等研究院教授洪亮認為，辛頓留下的最大「科學遺產」是被人工智慧時代廣泛認可並且至今在各大模型中應用的「反向傳播」方法。在訓練人工智慧系統時，運用這種計算方法，既「正著走」也「反著走」，也就是在正向過程中不斷反向驗證，從而讓AI與真實更加接近，也更為穩定。
達觀數據董事長兼CEO、復旦大學計算機專業博士陳運文說：「霍普菲爾德和辛頓開創性提出的神經網絡和深度學習技術，為現代人工智慧奠定了重要的理論基礎，使計算機能夠模擬人類的記憶和學習過程，對人工智慧如今的蓬勃發展起到了關鍵性作用，在計算機技術發展史上具有劃時代意義。」
或將推動物理學科研範式改變
談及今年諾貝爾物理學獎的「跨界」問題，洪亮表示：「91歲的霍普菲爾德是統計物理學家，77歲的辛頓則是一位100%的計算機學家，而且已經得過計算機領域的最高獎——圖靈獎。所以獲獎消息一公布，就在我們物理與天文學院群里引起了辯論。」這場還在持續的辯論，甚至讓他想起了《三體》中物理學家發出的「靈魂拷問」：物理是不是不存在了？洪亮在他的朋友圈裡表示，今天或許是物理學歷史上「悲哀的一天」，卻可能是科學史上「嶄新的一天」。
在林偉看來，這是諾貝爾獎主動擁抱「AI時代」的一個重要舉措，體現了物理學與其他學科交叉融合的趨勢，值得肯定。
洪亮認為，霍普菲爾德和辛頓此次獲獎，可能將推動物理學科研範式的改變。洪亮本科學物理，讀碩士時學化學，讀博士時學生物，之後研究計算生物學，如今是上海交大國家應用數學中心副主任。他通過跨學科的研究經歷發現，相比愛用AI的工程學家和生物醫藥學家，物理學家對AI的接受程度並不高。
究其原因，在解釋世界的方法上，物理學家最擅長的是「從底層往上推」，即先搞清楚1+1=2，再推出1+2=3、2+2=4，進而發展出減法、乘法和除法等，一層一層地複雜化，直至理解這個最複雜的世界。而另一種解釋世界的方法是「自上而下」，也就是AI最擅長的大數據驅動，憑藉足夠多的數據倒推出合理的結果，而其中的邏輯可能存在於無法破解的黑箱裡。
「第一種方法是簡單而美的，另一種方法是複雜而有用的。」洪亮以谷歌 DeepMind開發的AI模型Alphafold為例，它預測蛋白質、DNA、RNA、小分子等生物分子結構和相互作用的精確性，往往可以超過從底層向上逐層推演、反覆驗證的傳統科研範式。那麼，完美理解這個世界的物理之道，究竟用什麼方法更好？洪亮認為，物理學家可改變思維，正如諾獎評審改變思路一樣，在更大程度上擁抱新的範式。