“意外又合理，只是沒想到它獲獎來得如此快。”得知2024年諾貝爾物理學獎頒獎結(jié)果，國家納米科學中心研究員高興發(fā)如此表示。

  10月8日，2024年諾貝爾物理學獎頒發(fā)給美國普林斯頓大學教授約翰•霍普菲爾德（John J. Hopfield）和加拿大多倫多大學教授杰弗里•欣頓（Geoffrey E. Hinton），以表彰他們“基于人工神經(jīng)網(wǎng)絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”。

  對于今年諾貝爾物理學獎頒發(fā)給“機器學習領域的專家”，接受采訪的多位專家均表示，是“意料之外，情理之中”。

意料之外 情理之中

  問：今年諾貝爾物理學獎為什么頒發(fā)給機器學習領域的專家？

  國家納米科學中心研究員高興發(fā)：人工智能已經(jīng)影響到我們生活的方方面面，在科研上也提供了很多新工具，所以雖然意外，但合情合理。比如，傳統(tǒng)上我們通過做物理實驗、理論推導、計算機模擬進行科學研究，現(xiàn)在機器學習開啟了新的科研范式——只要有足夠多的數(shù)據(jù)，就可以搭建一個神經(jīng)網(wǎng)絡，然后通過訓練神經(jīng)網(wǎng)絡找到數(shù)據(jù)之間隱藏的規(guī)律。這種科研范式在研究中的應用已有很多，尤其是當我們研究復雜體系時，做實驗成本很高、理論推導又太復雜，如果數(shù)據(jù)充足，就可以訓練一個機器學習模型幫助進行預測。

  因此，諾貝爾獎頒給機器學習領域的專家我不意外，我知道機器學習肯定會獲獎，但沒想到它來得這么快，也沒想到會占物理學獎的名額。

  上海交通大學物理與天文學院教授李亮：神經(jīng)網(wǎng)絡、深度學習絕對是重量級的研究成果，我只是奇怪它為什么要歸于物理學獎。仔細想想，深度學習其實是一種算法，本質(zhì)上是數(shù)學領域的問題。諾貝爾獎沒有設立數(shù)學獎項，而物理學獎和它最接近。不出意外的話，將來物理學獎有可能會成為繼化學獎之后的第二個“理綜獎”。隨著學科的交叉融合發(fā)展，我甚至覺得這是一個必然趨勢。以后的諾貝爾獎大概不會嚴格劃分化學、物理學等獎項，統(tǒng)稱諾貝爾科學獎就可以了。

  北京理工大學預聘助理教授許坤：機器學習和神經(jīng)網(wǎng)絡在高能物理領域已經(jīng)有所應用。比如，如何從大量實驗數(shù)據(jù)中挖掘想要的結(jié)果？以前只能依靠手動操作，但現(xiàn)在借助神經(jīng)網(wǎng)絡就能高效、快速地完成篩選。

  從理論層面看，神經(jīng)網(wǎng)絡對物理理論研究也有一定作用，最簡單的用處就是解方程。很多非常復雜、“漂亮”的方程，只有少數(shù)函數(shù)能求出解析解來，但多數(shù)解不出來，所以我們需要借助超級計算機進行數(shù)值求解。而神經(jīng)網(wǎng)絡為我們提供了新的可能性，原則上它能模擬任意函數(shù)的形狀，在此基礎上求解各種各樣的函數(shù)。這已應用于高能物理領域，并且近年來應用越發(fā)廣泛。

交叉融合 物理學是否“不存在”了？

  問：從今年物理學獎頒獎結(jié)果看，做交叉學科研究是不是比傳統(tǒng)學科更容易取得突破？

  許坤：從兩位獲獎者的背景看，欣頓是2018年圖靈獎獲得者，曾獲實驗心理學學士學位、人工智能博士學位，看似和物理學都不沾邊，但為他日后研究神經(jīng)網(wǎng)絡打下了基礎。而且，他并不是一直埋頭學術，而是做過很多年工程師，開發(fā)了神經(jīng)網(wǎng)絡里非常重要的反向傳播算法。另一位獲獎者是霍普菲爾德，曾獲美國康奈爾大學物理學博士學位，在美國貝爾實驗室工作期間萌發(fā)了對分子生物學的興趣。

  回歸本次獎項，不難發(fā)現(xiàn)，人工智能其實和物理、生物、化學有千絲萬縷的聯(lián)系。當你把非常復雜的數(shù)據(jù)“扔”給神經(jīng)網(wǎng)絡，它能一層層提取出有效的關鍵信息，這其中涉及信息的流動，而在高能物理領域也存在類似現(xiàn)象，二者本質(zhì)上都是提取有效信息的過程。這體現(xiàn)出學科交叉的特性。

  人工智能學者、地平線科技創(chuàng)始人余凱：早期人工智能的專家大部分都有物理學背景。物理學思維實際上是用數(shù)學的方法建模現(xiàn)實世界，這跟人工智能的核心意義完全一致。所以，物理學思維對于人工智能是非常重要的。

  李亮：我覺得物理建模或許會成為未來的趨勢。簡單的數(shù)學推導和理論假設可能無法覆蓋現(xiàn)實的復雜情況，如果一開始就有物理建模，會讓人們走得快點。真正的交叉科學是深層次交叉，是互相學習彼此的思想和底層邏輯。如果想在人工智能領域取得突破，必須和物理取得聯(lián)系，才能走得更快、更遠。

  今天，物理學可能會迎來“第二春”。光靠物理無法覆蓋所有領域，但交叉融合給了物理煥發(fā)新生的重要契機。未來物理學應該會比較“吃香”，其他學科都會來找物理學家聊一聊，看能不能碰撞出新想法。

  中國科學技術大學教授江俊：現(xiàn)在是大科學時代，學科交叉融合已成了大趨勢。100年前，由于科學工具有限，我們不得不劃分學科展開研究，但現(xiàn)在無論是微觀領域還是宏觀領域，都有很強的科學工具，比如人工智能就能連接理論和實驗、人類和機器人等不同尺度的內(nèi)容，這也倒逼我們打破學科邊界。

  首先，物理、數(shù)學、化學等比較嚴謹?shù)目茖W變得更加開放。我們以前描述科學規(guī)律一定要找到清晰、確定的解析式，但現(xiàn)在逐漸接受了相對模糊、發(fā)散的預測，再不斷通過實驗進行校準，這是很重要的學術觀念革新。

  其次，我們可以從數(shù)字中發(fā)現(xiàn)更多關于人工智能的框架，也能在物理學領域?qū)崿F(xiàn)與機器學習的融合，這種學科交叉讓我們在回歸物理和數(shù)學本質(zhì)的過程中，不斷突破對人工智能的理解。

  諾貝爾有一句話讓我印象深刻——“當一項發(fā)明或者發(fā)現(xiàn)能真正改變世界、產(chǎn)生深遠影響時，才能獲得諾貝爾獎。”我想本屆諾貝爾獎的意義或許在于，它突破了大家對于傳統(tǒng)物理學的狹隘認知，具有改變世界的力量。

物理學的邊界在開放拓展

  問：今年諾獎授予神經(jīng)網(wǎng)絡或者機器學習意味著什么？

  高興發(fā)：兩位諾獎得主在上世紀七八十年代就嘗試用數(shù)學算法讓機器具有類似于人類的學習能力。那時，計算機的算力、網(wǎng)絡、數(shù)據(jù)各方面水平不高，因此他們的研究非常具有開拓性。人工智能在隨后很長時間并不受重視，但他們繼續(xù)推動這方面的研究。最近幾年算力、數(shù)據(jù)等外部條件都具備了，人工智能的威力才得以井噴，讓大家看到并驚嘆。

  江俊：今年的物理學獎顯然是對神經(jīng)網(wǎng)絡或者機器學習方向的肯定，也恰恰說明物理學的邊界正在開放拓展，容納更多理念和工具。這確實是值得贊嘆的。

  一方面，能夠讓大家深切感受到，物理學作為底層原理能夠?qū)ζ渌麑W科產(chǎn)生重大深遠的影響；另一方面，這代表了一種新思想。因為過去在嚴謹?shù)耐评硐拢瑪?shù)學公式代表物理學最底層的邏輯，但現(xiàn)在，物理學愿意把機器學習這樣一個相對沒有完全打開的，且預測相對發(fā)散、存在著不嚴謹和不確定性的“黑盒”容納進來，并加以認可，代表我們對物理學的理解達到了一個新層次——不再僅認同用數(shù)學公式描繪，而且認同基于語言的模糊描繪同樣可以精準反映物理學規(guī)律。

  簡而言之，獲獎成果是用物理學方法來做的，即用人工神經(jīng)網(wǎng)絡研究機器學習。

  同時，我們需要討論和反思，所謂道法自然，是不是包括人類思考物質(zhì)世界且對它進行數(shù)學描述的方式也可以向自然學習？反過來，學習物質(zhì)世界從微觀反饋到宏觀之間的信號切換機制，是不是與人工智能的架構有異曲同工之妙？■