電子發燒友網報道（文/黃山明）近日，據新華社報道，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網絡的機器學習方面的基礎性發現和發明。

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的推動和激勵。而此次將諾貝爾獎頒發給了機器學習，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現與發明的價值上的肯定。

機器學習的開創者

如今只要關注一些科技相關的報道，一定對AI不會陌生，國內不少企業更是已經推出了大模型，相信不少人都已經用過。而這些AI大模型在創造之時，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網絡，以及欣頓在上世紀80年代所發明的“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網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，神經網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絡，主要特點是所有神經元節點之間都是相互連接的，形成了一個全連接的網絡結構。這種網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，該網絡可以在聯想記憶和模式識別方面有著廣泛的作用。

打個比方，由于霍普菲爾德網絡有著類似于人腦的聯想記憶功能，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。但它為后來的神經網絡研究提供了靈感，促進了更多復雜的網絡架構和訓練方法的發展。

1986年，欣頓與大衛·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督學習算法所采用。

此外，欣頓還提出了AlexNet模型，將深度神經網絡、大數據與GPU相融合，并開創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）一起發明了玻爾茲曼機，這是一種基于統計物理學中玻爾茲曼分布的隨機神經網絡模型。這種模型能夠通過學習數據中的概率分布來進行推理和決策，對于理解復雜系統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，利用人工神經網絡進行機器學習的基礎發現和發明。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現，也可以授予發明，今年的獲獎成果從某種意義上講也是一種發明，一種可以多種方式應用的發明。

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大模型的發展，甚至已經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，能夠處理海量數據，并從中識別出模式和規律。這對于分析實驗數據、天文觀測數據等非常有用，可以幫助物理學家更快地發現新的物理現象。也可以用于創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依靠機器學習已經開始設計出全新的芯片，通過發展迭代，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展，還可能帶來革命性的技術突破。

發現沒有，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，而是更多的從事創造性的事業。

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計物理（Statistical Physics）它使用概率論和統計學的方法來研究大量微觀粒子（如原子和分子）組成的宏觀系統的整體行為。統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象，如溫度、壓力、熱容、相變等。

簡單來說，統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計物理的想法。

有人工智能專家認為，人工神經網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

人類的科學發展，一定程度上可以認為是物理學的發展。從萬有引力的發現，到相對論的推導，再到如今芯片的制造，超導體的研發等，都是物理學的體現。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。而這種人工神經網絡的研究，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？