2024年诺贝尔物理学奖为何要颁给机器学习？

电子发烧友网报道（文/黄山明）近日，据新华社报道，瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予美国科学家约翰·霍普菲尔德（John Hopfield）和英国裔加拿大科学家杰弗里·欣顿（Geoffrey Hinton），表彰他们在使用人工神经网络的机器学习方面的基础性发现和发明。
 
作为在科学界具有举足轻重的地位和深远影响的诺贝尔奖，它不仅是对科学家个人成就的最高肯定，更是对整个科学事业的推动和激励。而此次将诺贝尔奖颁发给了机器学习，不仅是对当下物理学与AI深度结合的高度认可，也是对机器学习这门学科发现与发明的价值上的肯定。
 
机器学习的开创者
 
如今只要关注一些科技相关的报道，一定对AI不会陌生，国内不少企业更是已经推出了大模型，相信不少人都已经用过。而这些AI大模型在创造之时，基本都使用了机器学习。
 
与众人当今所熟知的大模型不同的是，此次诺贝尔物理学奖并不是授予给当下火热的大模型，而是由霍普菲尔德于1982年所提出的霍普菲尔德神经网络，以及欣顿在上世纪80年代所发明的“玻尔兹曼机”。
 
在20世纪80年代初，当时的计算机科学和人工智能领域正处于探索新计算模型和技术的阶段。彼时，研究人员开始重新审视神经网络作为处理信息的一种方式，尤其是在20世纪60年代末至70年代初，由于计算能力的限制以及对早期简单模型（如感知机）的批评，神经网络的研究一度陷入低谷。
 
在这一背景下，霍普菲尔德正式提出了霍普菲尔德网络，主要特点是所有神经元节点之间都是相互连接的，形成了一个全连接的网络结构。这种网络提供了一个模拟人类记忆的模型，它保证了向局部极小值的收敛，但有可能收敛到错误的局部极小值而非全局极小值。因此，该网络可以在联想记忆和模式识别方面有着广泛的作用。
 
打个比方，由于霍普菲尔德网络有着类似于人脑的联想记忆功能，即使输入的信息不完整或带有噪声，也能识别并纠正。当然，这种网络也存在着记忆容量有限、模式间易干扰、对噪声容忍度低、同步更新不稳定等缺点，导致在实际应用中有一定局限性。但它为后来的神经网络研究提供了灵感，促进了更多复杂的网络架构和训练方法的发展。
 
1986年，欣顿与大卫·莱姆哈特（D. E. Rumelhart）等提出了误差反向传播算法（Error back-propagation algorithm），简称BP算法，这一算法至今仍被所有大模型自监督学习算法所采用。
 
此外，欣顿还提出了AlexNet模型，将深度神经网络、大数据与GPU相融合，并开创了第三次人工智能的研究热潮。此外，欣顿与特伦斯·塞伊诺夫斯基（Terrence Sejnowski）一起发明了玻尔兹曼机，这是一种基于统计物理学中玻尔兹曼分布的随机神经网络模型。这种模型能够通过学习数据中的概率分布来进行推理和决策，对于理解复杂系统中的模式识别具有重要意义。
 
此次诺贝尔物理学奖的颁奖理由是，利用人工神经网络进行机器学习的基础发现和发明。而霍普菲尔德与欣顿正是机器学习这门学科最开始的开始，诺贝尔物理学委员会秘书乌尔夫·丹尼尔松在接受采访时表示，物理学奖可以授予理论上、实验上或者观测上的发现，也可以授予发明，今年的获奖成果从某种意义上讲也是一种发明，一种可以多种方式应用的发明。
 
物理学与计算机的必然结合
 
2022年末，OpenAI正式推出了ChatGPT，这标志着生成式人工智能技术的一个重要里程碑。更重要的是，随着AI大模型的发展，甚至已经开始为物理学的研究带来了全新的视角和方法。
 
AI，特别是机器学习算法，能够处理海量数据，并从中识别出模式和规律。这对于分析实验数据、天文观测数据等非常有用，可以帮助物理学家更快地发现新的物理现象。也可以用于创建更复杂的物理模型，并且可以加速模拟过程。还可以用来设计更有效的实验方案，并优化实验条件，从而提高实验的效率和准确性。
 
甚至在实际应用中，比如集成电路领域，AI依靠机器学习已经开始设计出全新的芯片，通过发展迭代，未来更高难度的芯片设计工作完全交由AI也并非不可能。
 
过去几十年来，物理学与计算机科学正在变得越来越紧密，甚至计算机科学与物理学的结合催生了诸如计算物理、量子计算等新兴领域，这些领域不仅推动了科学前沿的发展，还可能带来革命性的技术突破。
 
发现没有，计算机，尤其是AI这项工具将我们很多工作都简化了，提升了效率，能够让人们不再需要去做那些重复或者只需要计算的工作，而是更多的从事创造性的事业。
 
很多人对于今年的诺贝尔物理学奖结果有些出乎意料，认为机器学习只是一项工作，并未实际的解决物理学中的问题，因此很难认为这项成果能够被授予诺贝尔奖。
 
但物理学中有一个分支叫统计物理（Statistical Physics）它使用概率论和统计学的方法来研究大量微观粒子（如原子和分子）组成的宏观系统的整体行为。统计物理的目标是通过分析组成物质的基本单元的行为来解释宏观物理现象，如温度、压力、热容、相变等。
 
简单来说，统计物理就是讨论在给出个体之间的相互作用情况下，集体会产生什么样的行为。而机器学习呢，就是将一些很基础的机构用简单的运算叠加在一起，然后创造出拥有巨大能量的集体行为。从这个角度来看，如今的AI模型恰恰就是验证了统计物理的想法。
 
有人工智能专家认为，人工神经网络虽然在物理学领域还不足与基础物理学定律的贡献相媲美，却是对世界可能产生重大影响的人工智能科学的基础性贡献。
 
写在最后
 
人类的科学发展，一定程度上可以认为是物理学的发展。从万有引力的发现，到相对论的推导，再到如今芯片的制造，超导体的研发等，都是物理学的体现。而今，AI开始深度参与到我们的生活当中，通过深度学习，AI能够帮助我们更高效的完成重复的工作，解放人类的脑力。而这种人工神经网络的研究，也有助于让我们了解自己。
 
回归最初的本质，物理通常指的是通过科学的方法来探究物质世界的本质、结构和运动规律的学科。而在古代汉语中，物理更多的指事物的本性和道理，即事物的本质和运行的法则。而机器学习，何尝不是一种对事物本性和道理的探究呢？