2024年諾貝爾物理學獎為何要頒給機器學習？

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(jié)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(guān)注一些科技相關(guān)的報道，一定對AI不會陌生，國內(nèi)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(shù)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(jié)構(gòu)。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(gòu)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(jié)合

2022年末，OpenAI正式推出了ChatGPT，這標志著生成式人工智能技術(shù)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(jié)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(shù)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(jié)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(zhì)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(chǎn)生什么樣的行為。而機器學習呢，就是將一些很基礎的機構(gòu)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(chǎn)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(zhì)，物理通常指的是通過科學的方法來探究物質(zhì)世界的本質(zhì)、結(jié)構(gòu)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(zhì)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？