2024年諾貝爾物理學獎爆冷頒給兩位機器學習科學家。機器學習為何值得諾貝爾物理學獎？

10月8日，復旦大學計算機科學技術學院教授、博導、上海市數(shù)據(jù)科學重點實驗室主任肖仰華在接受澎湃科技采訪時表示，“神經網絡的兩種基本實現(xiàn)機制之所以受到物理獎的青睞，是因為這兩個模型的設計受到了物理學方法的啟發(fā)，都和統(tǒng)計物理中的伊辛模型（Ising Model，一類描述物質相變的隨機過程模型）有著高度關系，完全可以從統(tǒng)計物理學角度重新解讀兩個網絡模型。”

“AI值得諾獎，或者說不把諾獎發(fā)給AI，諾獎可能就不會那么重要，畢竟AI在改變而且深刻改變世界，包括科學研究范式。”上海交通大學物理與天文學院、自然科學研究院教授洪亮告訴澎湃科技。

瑞典皇家科學院8日宣布，將2024年諾貝爾物理學獎授予美國普林斯頓大學的約翰·霍普菲爾德和加拿大多倫多大學的杰弗里·欣頓。視覺中國 圖

“AI值得諾獎”

普林斯頓大學的約翰·J·霍普菲爾德（John J. Hopfield）和加拿大多倫多大學的杰弗里·E·辛頓因“通過人工神經網絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”，獲得2024年諾貝爾物理學獎。獲獎者將共享1100萬瑞典克朗（約合745萬元人民幣）獎金。

今年的兩位諾貝爾物理學獎得主約翰·霍普菲爾德和杰弗里·辛頓從20世紀80年代開始就在人工神經網絡方面開展了重要工作。他們使用了物理學的工具來開發(fā)方法，這些方法是當今強大的機器學習的基礎。肖仰華介紹，兩位諾獎得主的成果是兩種神經網絡的基礎架構，各有其特性。霍普菲爾德網絡可用于數(shù)據(jù)的存儲和重現(xiàn)，辛頓發(fā)明的玻爾茲曼機常用作特征提取、降維處理。

洪亮介紹，霍普菲爾德借鑒物理學中自旋系統(tǒng)和能量態(tài)分布概念，將復雜的神經網絡問題轉化為能量最小化問題，1982年發(fā)明了霍普菲爾德網絡。這是一種遞歸神經網絡，具有對稱連接和能量函數(shù)，用于存儲和檢索模式。大腦就像一個巨大的記憶庫，能夠通過一點線索回想起完整的記憶。霍普菲爾德網絡就是模擬這種記憶過程的神經網絡模型。

1985年，辛頓等人提出了玻爾茲曼機，這是對霍普菲爾德網絡的擴展。玻爾茲曼機引入了隨機性，神經元狀態(tài)以一定概率更新，遵循玻爾茲曼分布。兩者同樣使用能量函數(shù)，但通過模擬退火等方法，玻爾茲曼機能夠跳出局部最小值，找到全局最優(yōu)解。

洪亮表示，機器學習獲得諾貝爾物理學獎的直接原因是，約翰·霍普菲爾德發(fā)明了幫助尋找缺少圖像的有記憶能力的網絡——霍普菲爾德網絡，而辛頓基于霍普菲爾德網絡發(fā)明了玻爾茲曼機。但更深層次原因在于，“AI值得諾獎，或者說不把諾獎發(fā)給AI，諾獎可能就不會那么重要，畢竟AI在改變而且深刻改變世界，包括科學研究范式。”

跨學科研究彰顯潛力

正如諾獎官方評價稱，物理學為機器學習的發(fā)展提供了工具，物理學作為一個研究領域如何也從人工神經網絡中受益將是有趣的。長期以來，機器學習一直被用于以前諾貝爾物理學獎中熟悉的領域，包括用機器學習篩選和處理發(fā)現(xiàn)希格斯粒子所需的大量數(shù)據(jù)、尋找系外行星。

近年來，人工智能技術也開始用于計算和預測分子和材料的性質，比如計算蛋白質分子的結構，或者計算出可用于更高效的太陽能電池的材料。

“諾貝爾物理學獎授予機器學習，跨學科研究彰顯出巨大潛力。”肖仰華表示，跨學科研究或將取得創(chuàng)新性成果，從而受到世界級獎項的認可。物理學甚至傳統(tǒng)自然學科經過幾百年的發(fā)展沉淀了大量理論和方法，對于人工智能這樣的新興學科有著巨大啟發(fā)和參考意義。“在人工智能及其他新興學科的漫長發(fā)展道路中，以更加開放的跨學科視野，融合傳統(tǒng)自然學科的理論和方法，發(fā)展新興學科，解決新興學科遇到的問題，這是做出創(chuàng)新性成果的重要思路。”

此次諾貝爾物理學獎花落機器學習，也引起了計算機領域的震動和興奮，看到了利用物理等相關方法開展計算機研究的可能性和前景。這是物理獎歷史上第一次授予計算機領域的科學家。在為數(shù)不多的獲得諾貝爾獎的計算機專家中，中國科學院外籍院士、1975年圖靈獎得主司馬賀（Herbert A. Simon）曾在1978年獲得諾貝爾經濟學獎。

值得注意的是，辛頓因在深度學習方面的貢獻與約書亞·本希奧和楊立昆一同被授予了2018年的圖靈獎，而約翰·霍普菲爾德還不曾獲得計算機領域的這一最高獎。肖仰華表示，這也表明，在不同學科視角下，對科學貢獻的看法是不同的。