摘要

物理或者 AI，都是在發(fā)現(xiàn)世界的本質規(guī)律。

作者｜芯芯

編輯｜靖宇

「我怎么能確定這不是個惡作劇電話？」

杰弗里·辛頓（Geoffrey Hinton）在凌晨兩點接到諾貝爾獎委員會電話時，這是他的最初想法。

當時，這位 77 歲的「AI 教父」正在加州的一家酒店，絡信號微弱，電話信號也不好，當天本來打算去做個核磁共振掃描，檢查下身體。

直到他想到，電話是從瑞典打來的，而且說話的人有濃重的瑞典口音，還有好幾個人在一起，他才確定了自己獲得了諾貝物理學獎這一事實。

這一通來自瑞典的電話打破了他一天的計劃，也標志著他多年研究神經(jīng)絡與機器學習的成果被世界進一步認可。

北京時間 10 月 8 日，2024 年諾貝爾物理學獎正式授予了他和另一位學者約翰·霍普菲爾德（John J. Hopfield），以表彰他們在機器學習與人工神經(jīng)絡領域的基礎性發(fā)現(xiàn)和發(fā)明。91 歲高齡的約翰·霍普菲爾德在收到消息時，同樣「有些震驚」。

在這一消息公布的同時，不少人的疑惑是——為什么諾貝爾物理學獎，會頒給看似離物理學有些遙遠的計算機和 AI 領域？

物理學與計算機神經(jīng)絡的交匯

約翰·霍普菲爾德和杰弗里·辛頓倆人，自上世紀 80 年代起就在人工神經(jīng)絡領域做出了重要工作。

人工神經(jīng)絡，顧名思義，源于對大腦工作原理的模仿?？茖W家們設想大腦的神經(jīng)元可以通過計算節(jié)點的方式進行重現(xiàn)，這些節(jié)點通過類似神經(jīng)突觸的連接傳遞信息。這樣的絡經(jīng)過訓練，可以增強某些連接，抑制另一些，從而使系統(tǒng)在處理復雜數(shù)據(jù)時具備學習與記憶能力，成為現(xiàn)代人工智能的基礎。

1980 年代，擁有物理學背景的霍普菲爾德，開始著手將物理學概念引入人工神經(jīng)絡領域，特別是自旋玻璃模型。

他的突破在于，基于物理學的自旋系統(tǒng)，提出了一種能存儲和重建信息的聯(lián)想記憶模型，這一模型使得神經(jīng)絡可以通過不完整的輸入進行自我修正，重建出原始模式——這就是「霍普菲爾德絡」。

霍普菲爾德絡的基本思想是：每個節(jié)點類似于圖像中的一個像素，節(jié)點可以被視為系統(tǒng)中的能量狀態(tài)，而這個絡的目標，是通過不斷調整節(jié)點之間的連接權重，降低系統(tǒng)的能量，力圖找到最穩(wěn)定、最節(jié)省能量的狀態(tài)。此時，絡輸出的圖案就是重建后的完整圖案。這一機制不僅使機器可以重建部分丟失或受損的圖像，還能從部分輸入中提取出整體信息。

接著，以霍普菲爾德絡為基礎，杰弗里·辛頓又將人工神經(jīng)絡推進到了全新的高度。

當時，辛頓利用統(tǒng)計物理學的工具，特別是 19 世紀物理學家路德維?！げ柶澛慕y(tǒng)計模型，開發(fā)了「玻爾茲曼機」，它可以學習識別某類數(shù)據(jù)中的特征元素。

玻爾茲曼機的核心在于概率。辛頓認識到，數(shù)據(jù)中的模式可以通過計算「可能性」來識別，機器可以學習哪些模式更有可能出現(xiàn)，哪些模式則相對罕見。經(jīng)過訓練的玻爾茲曼機可以識別它以前從未見過的信息中的熟悉特征。

在 20 世紀 90 年代，許多研究人員對人工神經(jīng)絡失去了興趣，但辛頓是繼續(xù)從事這一領域研究的少數(shù)人之一。進入 21 世紀后，辛頓又與他的同事通過層層玻爾茲曼機進行預訓練。這種預訓練為絡中的連接提供了一個更好的起點，優(yōu)化了絡識別圖像元素的訓練過程。

得益于自 20 世紀 80 年代以來的工作，約翰·霍普菲爾德和杰弗里·辛頓幫助奠定了大約 2010 年開始的機器學習革命的基礎。

說回來，他們在上世紀的突破性貢獻，事實上首先源于對物理學中復雜系統(tǒng)的深刻理解。正是他們對物理學工具概念的應用，推動了機器學習與人工神經(jīng)絡領域的發(fā)展。

與此同時，現(xiàn)代物理學本身也從人工神經(jīng)絡中受益——因為人工神經(jīng)絡逐漸成為物理學中強大的計算工具，可以用于量子力學、粒子物理學等領域。

諾貝爾物理學獎委員會主席指出：「得主的工作已經(jīng)帶來了巨大的益處。在物理學中，我們在廣泛的領域使用人工神經(jīng)絡，例如開發(fā)具有特定屬性的新材料?！?/p>

「機器學習長期以來一直應用于我們可能熟悉的領域，從以前的諾貝爾物理學獎中可以看出。其中包括使用機器學習來篩選和處理發(fā)現(xiàn)希格斯玻色子所需的大量數(shù)據(jù)。其他應用包括降低碰撞黑洞引力波測量中的噪聲，或尋找系外行星?！?/p>

「近年來，該技術也開始用于計算和預測分子和材料的特性，例如計算決定其功能的蛋白質分子結構，或確定哪種新材料可能具有用于更高效太陽能電池的最佳特性?！怪Z獎官方如此稱。

物理或者 AI，都在嘗試理解世界本質

雖說約翰·霍普菲爾德和杰弗里·辛頓兩人的貢獻靈感來源于物理學，他們的貢獻也反哺了物理學和其他領域。

但與以往不同，2024 年的諾貝爾物理學獎，還是引起了大量討論和爭議，友們的主要爭論點就在于，兩位得主的貢獻，到底屬不屬于物理領域？甚至有人侃道，諾貝爾委員會想「蹭 AI 熱點」。

詫異聲之多，以至于諾獎官方都發(fā)起了一場投票：「你知道機器學習的模型是基于物理學方程的嗎？」

對此，AI 領域的從業(yè)者們也展開了討論，下面是他們的部分反應和聲音：

智源研究院創(chuàng)始人張宏江表示：「Hinton 2006 年利用 RBM 做 DNN 自監(jiān)督預訓練，成功訓練深度神經(jīng)絡，可以說是這輪 AI 革命的先聲，Hopfield 絡為 RBM 奠定了基礎。接下來看看 AlphaFold 能不能拿生理學獎?！?/p>

出門問問創(chuàng)始人兼 CEO 李志飛表示：「數(shù)學模型用在物理和人工智能方面本質都是建模，只不過前者的建模對象是物理世界，后者的建模對象是智能，這樣說起來是不是靠譜點？」

地平線創(chuàng)始人余凱也表示：「物理學研究的目的是理解自然界中物理系統(tǒng)的本質規(guī)律，從而可以去創(chuàng)造和發(fā)明自然界不存在的物理系統(tǒng)。比如從鳥可以研究空氣動力學，基于空氣動力學并不是構建鳥，而是飛機火箭」。

「人工智能的目的在于首先去研究自然界中智能系統(tǒng)它的本質的機理，然后通過這些研究，其目的不是說是要去發(fā)明生物大腦，而是去構建有可能更加智能的新的物理學系統(tǒng)?！褂鄤P認為。

余凱還注意到，這次的諾貝爾獎物理學獎得主有物理學背景，也有從統(tǒng)計物理角度看神經(jīng)絡，其中一位還曾擔任過世界知名高校的物理系教授，「早期搞人工智能的很多都是物理學背景」。

爭議之外，約翰·霍普菲爾德與杰弗里·辛頓的成果，以及其獲得諾貝爾物理學獎這一事實，除了證明人工智能如今的突破與火熱，還點明了一個重要信息，即科學的突破可以不只局限于單一領域的定義，跨學科合作也自有其力量。

比如，約翰·霍普菲爾德的確有物理學博士學位，他的早期職業(yè)生涯始于貝爾實驗室，最初研究凝聚態(tài)物理，但當他在這個主要研究領域中的問題耗盡時，他又轉向了新的領域。在 20 世紀 60 年代末，他探索了一下生物物理學，將固態(tài)物理學的概念應用于理解生物系統(tǒng)如何合成蛋白質。20 世紀 70 年代末，他又轉入神經(jīng)科學領域，將他在理論物理學中的技能應用于大腦問題，才有了前述開創(chuàng)性貢獻。

什么是物理學？霍普菲爾德曾在他的自傳中寫道：「對我來說——因為我父母都是物理學家——物理學不是某種學科。原子、對流層、核、玻璃塊、洗衣機、自行車、留聲機、磁鐵——這些只是偶然的研究對象。核心思想是世界是可以理解的，你應該能夠拆解任何東西，理解其組成部分之間的關系，進行實驗，并基于此建立對其行為的定量理解。」

在他看來，「物理學是一種觀點，認為我們周圍的世界通過努力、創(chuàng)造力和足夠的資源是可以在預測和定量的方式下理解的?！?/p>

至于杰弗里·辛頓，在劍橋大學讀本科期間，他嘗試了一系列學科——生理學、物理學、哲學，直到 1970 年獲得實驗心理學學位。在 1972 年進入愛丁堡大學攻讀人工智能博士學位之前，他還曾做過一段時間的木匠。

當諾獎工作人員問他「如何形容自己？認為自己是一名計算機科學家，還是從事這項工作時試圖了解生物學的物理學家？」辛頓的回答是：「我會說我是一個不太清楚自己從事什么領域，但想了解大腦如何運作的人。在我試圖理解大腦工作原理的過程中，我?guī)椭鷦?chuàng)造了一項出乎意料的有效的技術?！?/p>

辛頓這一回答的信息是——不管你把他歸為什么領域，或許都不重要，重要的是，他創(chuàng)造了什么。

而且，獎項的設立有其歷史背景和局限，如果獎項的設置者在世，愿意設立一個新的學科獎、或者跨學科獎其實也說不定。目的都是相同的，即褒獎那些推動人類知識進步的人。

此外值得一提的信息是，辛頓希望，獲得諾貝爾獎能讓他「更具說服力」，期盼人們能更加認真對待他提出的對 AI 的擔憂。

「在這些事物失控并接管的生存威脅方面，我認為我們正處于歷史上的一個分叉點，在未來幾年內，我們需要找到解決這一威脅的方法?！惯@是他現(xiàn)如今最想傳達的一個聲音。

頭圖來源：The Globe and Mail