诺贝尔物理学奖，为何颁给做AI的？

诺贝尔物理学奖委员会将2024年诺贝尔物理学奖授予John J. Hopfield（约翰·j·霍普菲尔德）和Geoffrey E. Hinton（杰弗里·e·辛顿），以表彰他们在神经网络方面的基础性工作，这让学术界猝不及防。

约翰·J·霍普菲尔德（左）和杰弗里·E·辛顿因其在神经网络领域的奠基性工作而获得 2024 年诺贝尔物理学奖。Niklas Elmehed/诺贝尔奖宣传活动

两人因在 20 世纪 80 年代发表的开创性论文而获奖，这些论文描述了基本的神经网络。尽管他们的想法比ChatGPT或Stable Diffusion等现代生成式人工智能所使用的网络简单得多，但他们的想法为后来的研究奠定了基础。

就连霍普菲尔德和辛顿也不相信他们会赢，后者告诉美联社，他“目瞪口呆”。毕竟，当大多数人想到物理学时，他们脑海中浮现的并不是人工智能。然而，委员会采取了更广泛的观点，部分原因是研究人员将他们的神经网络建立在“物理学的基本概念和方法”之上。

“一开始，我很惊讶，因为这是诺贝尔物理学奖，他们的工作是在人工智能和机器学习方面，”加州大学欧文分校（University of California, Irvine）的杰出教授帕德拉克·史密斯（Padhraic Smyth）说。“但仔细想想，我就更清楚了（诺贝尔奖委员会）这么做的原因。”他补充说，统计力学的物理学家对表现出突发行为的系统“思考已久”。

Hopfield在1982年发表的一篇关于神经网络的论文中首次探讨了这些想法。他描述了一种神经网络，后来被称为Hopfield网络，由单层相互连接的神经元组成。这篇最初被归类为生物物理学的论文称，神经网络可以从“任何合理大小的子部件”中保留“记忆”。

Hinton扩展了这项工作，将玻尔兹曼机概念化，这是一种更复杂的神经网络，在1985年Hinton与David H. Ackley和Terrence J. Sejnowski合著的论文中描述过。他们引入了“隐藏单元”的概念，即存在于神经网络输入和输出层之间的额外神经元层，但不直接与两者交互。这使得处理需要更广义理解的任务成为可能，比如对图像进行分类。

那么，这和物理有什么联系呢？

Hopfield的论文引用了“自旋玻璃”的概念，这是一种无序磁粒子导致复杂相互作用的材料。辛顿和他的合著者利用了统计力学，这是一个用统计学来描述系统中粒子行为的物理学领域。他们甚至用物理学家路德维希·玻尔兹曼的名字来命名他们的网络，玻尔兹曼的工作奠定了统计力学的基础。

神经网络和物理学之间的联系并不是单行道。机器学习对希格斯玻色子的发现至关重要，它对数十亿次质子碰撞产生的数据进行了分类。今年的诺贝尔化学奖进一步强调了机器学习在研究中的重要性，因为该奖项授予了三位科学家，他们建立了一个人工智能模型来预测蛋白质的结构。

虽然霍普菲尔德和辛顿撰写了有影响力的论文，但他们对机器学习的贡献是由他们持续的工作巩固的，并且两人在获得诺贝尔奖之前都获得了多个奖项。其中，霍普菲尔德于 2022 年获得了玻尔兹曼奖章；辛顿于 2014 年获得了 IEEE 弗兰克·罗森布拉特奖， 2016 年获得了IEEE 詹姆斯·克拉克·麦克斯韦奖章，并于 2018 年获得了图灵奖（最后一项是与Yann LeCun和Yoshua Bengio一起获得的）。

作为加州理工学院的学生，史密斯亲眼目睹了霍普菲尔德的努力。霍普菲尔德能够将数学家、工程师、计算机科学家和物理学家聚集在一起。他让他们在同一个房间里，让他们对大脑建模、模式识别和机器学习感到兴奋，这些都是他从物理学中引入的数学理论统一起来的。”

2012 年，Hinton 与他的两名学生 Ilya Sutskever（后来与他人共同创立了OpenAI）和 Alex Krizhevsky 共同创立了一家名为 DNNResearch 的公司。三人共同开发了 AlexNet，这是一个对计算机视觉领域影响巨大的神经网络。Hinton 还在多伦多大学任教，继续倡导机器学习。

现任苹果深度学习研究员的Navdeep Jaitly表示，Hinton 启发了新一代工程师和研究人员。对于 Jaitly 来说，这种影响是直接的；Jaitly 曾在多伦多大学师从 Hinton。

“我加入时已经有统计建模经验，”Jaitly 说道，“但 Hinton 还是彻底改变了我对解决问题的看法。就他对机器学习的贡献而言，他的方法几乎是我们所做的一切的核心。”

推荐阅读