摘要：自1901年首次颁发以来，诺贝尔物理学奖一直被视为科学界的至高荣誉，它见证了物理学一个多世纪以来的每一次划时代进步。诺贝尔物理学奖授予的当然应该是对基础物理学、实验物理学、应用物理学等领域做出杰出贡献的科学家，但值得特别关注的是，2024年度诺贝尔物理学奖的颁
2024年度诺贝尔物理学奖授予约翰·霍普菲尔德与杰弗里·辛顿，以表彰他们“在利用人工神经网络进行机器学习方面所做的基础性发现和发明”。
自1901年首次颁发以来，诺贝尔物理学奖一直被视为科学界的至高荣誉，它见证了物理学一个多世纪以来的每一次划时代进步。诺贝尔物理学奖授予的当然应该是对基础物理学、实验物理学、应用物理学等领域做出杰出贡献的科学家，但值得特别关注的是，2024年度诺贝尔物理学奖的颁发开创了一个历史性先例，该殊荣首次授予了在人工智能领域作出卓越贡献的两位科学家：美国普林斯顿大学的霍普菲尔德(J. J. Hopfield)与加拿大多伦多大学的辛顿(G. Hinton)。
这一决定迅速在学术界和公众中引发了广泛的讨论以及质疑，甚至有数位科学家在《自然》(Nature)杂志所刊登的访谈中公开表达了他们的不解：诺贝尔物理学奖，怎么会颁给了在计算机科学领域取得成就的学者?这一看似“打破常规”的颁奖决策，是否预示着科学评价体系正酝酿着一场深刻的变革，抑或是对人工智能技术在当代科学研究中所占据特殊地位的一种明确认可?本文旨在深入剖析这一标志性事件，挖掘其背后蕴含的深远意义与广泛影响，并进一步探讨人工智能如何与基础学科相互融合，共同引领科学范式迈向一场全新的革命。
人工智能与诺贝尔奖的碰撞
人类对智能本质的探求，犹如对浩瀚宇宙的无尽探索，是一场永无终点的知识之旅。在此过程中，科学家们不断超越自我认知的界限，在历史的长河中留下了深刻的足迹。回望往昔，图灵(A. Turing)那场著名的演讲——“数字计算机能思考吗?”——不仅激起了哲学领域的广泛议论，更为人工智能的发展奠定了深邃的思考基础。图灵从计算的独特视角出发，对智能进行了深入的审视，并提出了以机器模拟人类智能这一宏大的设想，从而开启了人工智能研究的先河。
对人工智能的理论探索可追溯至20世纪中叶，彼时，科学家们深受生物神经系统运作机理的启迪，着手尝试构建能模拟人类大脑计算功能的数学模型。1943年，心理学家麦卡洛克(W. S. McCulloch)与数学家皮茨(W. Pitts)携手提出了人工神经元的开创性数学模型，此成果标志着人工神经网络研究的正式启航。罗森布拉特(F. Rosenblatt)在此基础上更进一步，推出了感知机模型，作为首个人工神经网络的实例，它已经可以胜任简单的线性分类任务，但却无法顺利处理包含“异或”这类特殊逻辑的问题。在随后的数十年间，神经网络领域的研究遭遇了重大挑战，其发展因计算能力的局限、算法的不成熟以及理论支撑的匮乏而陷入长期瓶颈，进步迟缓乃至停滞不前。正是在这一背景下，霍普菲尔德与辛顿两位科学家创新性地将物理学理论融入其中。鉴于物理学思想在处理复杂系统与优化问题方面所展现出的独特优势，这一融合最终为神经网络领域带来了革命性的突破。
物理学思想推动神经网络新纪元
霍普菲尔德早期的研究聚焦于凝聚态物理，并在激子和半导体理论方面作出了重要贡献。他始终坚信自己的研究实践严格遵循着物理学的核心理念与范式，并且从未将物理局限于研究对象的界定之中，而是认为物理学的核心精髓在于世界是可知的。他主张通过分解物体，深入探究其组成部分之间的相互联系，并依托实验手段，逐步建立起对物体行为精准而定量的理解框架。霍普菲尔德细化了联想记忆的概念，即根据部分信息——不管它是否包含误差，利用相似性寻找正确的目标。1982年，他提出了具备联想记忆功能的霍普菲尔德网络模型(Hopfield network)，这是一种基于物理学能量函数的递归神经网络，其理论框架直接借鉴了物理学中的自旋玻璃理论。该神经网络呈现出一种简洁而高效的结构特性，具体表现为一个单层且全连接的网络架构。在这一架构中，所有神经元均被部署在同一处理层上，并且网络中的每一个神经元均通过权重与其他所有神经元建立了紧密的连接关系。这种设计构建了一个高度互动且信息流通无障碍的网络环境，使得所有神经元能够协同参与信息的处理与存储任务。神经元的状态也设计得极为简洁，它们仅有两种不同的存在形式。这种设计极大地简化了网络的处理逻辑，使得网络的操作更加直观易懂。
霍普菲尔德网络的结构
霍普菲尔德网络的核心创新在于将物理学中的伊辛模型创造性地引入神经网络设计中。在伊辛模型中，磁针倾向于与其他磁针对齐或反对齐，推动系统趋向能量最低的稳定状态。霍普菲尔德巧妙借鉴此原理，使神经网络在能量函数最小化时达到最稳定状态，从而能“记忆”特定模式或信息。此外，他深刻洞察到由简单但相互作用的神经元构成的复杂系统能自发展现强大计算能力，这与物理学中的层展论和涌现现象相契合，为神经网络设计带来新视角。
在训练阶段，霍普菲尔德网络凭借其独特的工作原理，能够有效地对一系列输入模式进行“记忆”。该网络具备存储多条信息载体的能力，并且其系统能量分布呈现出多个极小值点。当网络接收到外部信息时，它会依据能量函数动态地调整神经元的状态，促使网络重新收敛至记忆库中与输入信息最为接近的极小值点，从而恢复出最为相似的存储信息。这一过程好比在一个崎岖复杂的地貌上滚动球体，受摩擦力影响，球体将缓慢滚动并最终停驻在附近的低洼处。霍普菲尔德网络的这一特性不仅使其具备数据恢复的能力，还为其提供了一种有效的纠错机制：当网络状态发生偏差时，通过调整可以使其回归到能量极低的稳定状态，从而实现纠错。然而，霍普菲尔德网络也存在一定的局限性，即容易陷入局部最优解。由于能量函数存在多个极小值点，网络在寻找全局最小值的过程中可能会停驻在某个局部最小值处，导致无法恢复到最相似的存储信息。
尽管如此，霍普菲尔德网络的研究仍然具有深远的意义。它不仅成功地模拟了人类大脑中由片段至整体、由抽象至具体的联想记忆机制，而且为神经网络的研究开辟了全新的路径，深刻揭示了神经网络在解决复杂联想记忆问题方面所蕴含的巨大潜力。凝聚态物理的主要奠基人安德森(P. W. Anderson)对霍普菲尔德在神经网络领域的工作给予了高度评价。他指出，尽管对于霍普菲尔德成就的每一个方面，都有神经科学家和计算机科学家声称在此之前已有相关研究，但不可否认的是，霍普菲尔德模型对神经网络后续的发展产生了深远影响。该模型建立在坚实的数学基础之上，使得对其功能和准确性的严格数学证明成为可能。霍普菲尔德的研究不仅为神经网络模型的设计与构建提供了宝贵的思路与启示，而且极大地推动了神经网络在模式识别、优化计算等诸多领域的广泛应用。
联想记忆示意图（©Johan Jarnestad/The Royal Swedish Academy of Sciences）
霍普菲尔德网络对残次因子进行检索的示意图
基于深厚物理学基础构建的生成模型
辛顿于1978年获得了人工智能博士学位。当时神经网络被视为一个“失败”的研究方向，甚至被人工智能领域的权威明斯基(M. Minsky)用数学推理证明其“错误”。但辛顿却始终坚守在神经网络的研究前沿。1985年，辛顿等人提出了玻尔兹曼机模型(Boltzmann machine)，该模型在霍普菲尔德网络的基础上进一步发展，引入了随机性和概率分布的概念，很大程度上解决了霍普菲尔德网络易陷入局部最优解的问题。辛顿曾在一次采访中明确指出，玻尔兹曼机是霍普菲尔德网络的延伸与拓展。两者在理论和方法上具有紧密的传承关系，共同促进了神经网络领域的蓬勃发展。
玻尔兹曼机的工作原理深深植根于统计物理学中的玻尔兹曼分布理论，该理论揭示了物理系统中各状态概率分布与其能量之间的内在联系：能量越低的状态越稳定，其出现的可能性也越大。辛顿将这一原理应用于神经网络的设计之中。在该模型中，神经元被组织为输入层、隐藏层和输出层这三大核心组件，各层协同工作，使玻尔兹曼机能够学习到更为复杂且高度抽象的特征表示，显著增强了网络的处理能力和泛化性能。具体而言，模型为每个神经元的状态以及它们之间的组合都分配了一个特定的“能量值”，这些能量值会随着训练过程的推进而发生变化。网络则致力于寻找那些能量最低、最稳定的状态。需要注意的是，尽管玻尔兹曼机与霍普菲尔德模型均采纳了能量函数的概念，并共同遵循了能量趋近最小化的基本原则，但两者在能量最小值的处理上却有着本质的区别。伊辛模型所聚焦的能量最小值，是在给定系统参数下的确定值。相比之下，玻尔兹曼分布中的能量最小值则呈现为一种概率分布的形式，它描绘了在不同能量层级上粒子出现的可能性。这种随机性使得神经网络有机会跳出当前的局部最优解，去探索其他可能的更优解。
在模型启动并投入运行后，它将遵循图示原理持续工作，直至网络达成一个稳态或完成预设的迭代轮次。在这个过程中，玻尔兹曼机首先通过正向传播机制，计算出每个神经元被激活的概率，并据此得出整个网络的能量水平。然而，由于数据集中可能存在噪声、异常值，或者数据的分布与模型预期不完全一致。为了解决这个问题，玻尔兹曼机还引入了反向传播算法——这一算法也是由辛顿等人提出并推广。在反向传播阶段，模型依据当前状态与期望状态之间的偏差，借助梯度下降等优化策略，以缩小这一差异。随着训练过程的持续深入，模型将逐渐逼近数据的真实概率分布，其预测结果也将愈发准确。值得一提的是，反向传播算法的核心思想与物理学中的退火过程具有某种相似性。在退火过程中，系统随着温度的逐渐降低，其能量状态不断递减，最终趋于一个稳定且能量最低的状态。这一过程与反向传播算法通过不断调整参数，引导模型逐步稳定，并最终完成任务的过程有着异曲同工之妙。两者虽源自不同领域，但在追求稳定状态和优化目标的过程中，展现出了相似的思想。
玻尔兹曼机的训练流程
与霍普菲尔德不同，辛顿在踏入人工智能研究领域之前，并没有系统性地深入学习过物理学专业。但他出身于一个物理学底蕴深厚的家庭，其家族中不乏物理学界的佼佼者。辛顿的祖母与流体力学权威泰勒(G. I. Taylor)之母乃嫡亲姐妹。此外，辛顿的姑姑寒春(Joan Hinton)是一位杰出的核物理学家，她曾参与曼哈顿计划，曾与费米(E. Fermi)、泰勒(E. Teller)、张伯伦(O. Chamberlain)以及杨振宁等众多物理学巨匠共事。她于1948年来到中国，为中国的机械化养殖事业做出了重要贡献，并成为中国绿卡第一人。而寒春的外祖父布尔(G. Boole)则是布尔代数和布尔逻辑的创始者，他的这一贡献为现代计算机科学奠定了基础。
1986年，为了进一步提升模型的训练效率与实用性，受限玻尔兹曼机(restricted Boltzmann machine)应运而生。它通过限制同一层内神经元之间的连接，提升了模型的训练速度。这一创新极大地促进了玻尔兹曼机在图像识别、语音识别等多个领域的广泛应用，但直到2000年才变得知名。随着时间的推移，辛顿和他的学生及同事们又开发与优化了一系列深度学习模型和算法，如深度信念网络的提出以及卷积神经网络的改进等。其背后蕴含的物理思想，则为神经网络的研究开辟了全新的视角，极大地增强了神经网络在解决复杂非线性问题上的能力，更为后续的深度学习技术发展奠定了坚实的理论基石。
玻尔兹曼机与受限玻尔兹曼机的区别
物理学赋能人工智能
如前所述，物理学作为自然科学的基石，在人工智能的发展历程中发挥了极其重要的作用。如今，人工智能与物理学的融合趋势日益显著，物理学不仅为神经网络的构筑奠定了坚实的理论基础，更成为推动人工智能技术不断突破边界、实现创新的核心驱动力。除了前文提到的玻尔兹曼分布、伊辛模型和退火算法之外，哈密顿神经网络和混沌神经网络等实例，亦是物理学思想在神经网络优化过程中的具体运用。混沌神经网络借鉴了混沌理论，通过引入混沌动态特性，提高神经网络在处理复杂、非线性问题时的学习能力和泛化能力。哈密顿神经网络则是从哈密顿力学中汲取灵感，通过模拟系统的能量守恒定律来优化神经网络的性能。哈密顿力学作为经典力学的一个重要分支，利用哈密顿量来精确描述系统状态与能量之间的内在联系。哈密顿神经网络将这一物理原理应用于神经网络的训练中，通过从数据中学习描述系统的哈密顿量，进而精准预测系统的动态演变。这种方法使得神经网络在理解潜在动力学和进行准确预测方面表现出色。这些物理学思想的应用，不仅丰富了神经网络的研究手段，也推动了神经网络性能的显著提升。同时，物理学中的数值模拟技术，如蒙特卡罗模拟、分子动力学模拟等，也被广泛应用于神经网络的训练与优化过程。
此外，量子计算作为量子力学的一项重要应用，也逐渐崭露头角，成为驱动神经网络学习机制、算法设计以及优化策略革新的核心动力。量子力学中的叠加态、纠缠态等核心概念为神经网络研究注入了全新活力。新兴的量子机器学习技术，融合了量子计算的速度与机器学习的强大学习与适应能力。通过模拟微观粒子所具有的叠加、纠缠、一致性和平行性特性，将传统的机器学习算法量子化，以增强其表示、推理、学习和数据关联的能力。例如剑桥量子(Cambridge Quantum)公司发布了lambeq软件工具包，该工具包可以将文字转换为量子电路，为自然语言处理提供了新的计算范式。同时，量子计算领域中的一系列量子算法，如量子近似优化算法与变分量子优化算法，在解决复杂优化问题方面展现出了显著的优越性与高效性。这些算法能够充分利用量子比特的独特性质，同时探索多个潜在的解决方案路径，从而迅速锁定全局最优解。鉴于神经网络中优化问题的普遍存在，量子算法的应用无疑将极大地加速这些优化进程，全面提升神经网络的性能表现与运行效率。
AI+Science=?
人工智能在发展过程中，持续不断地从其他基础科学中汲取灵感与养分。霍普菲尔德网络、玻尔兹曼机以及新兴的量子算法等实例，便是极有力的佐证，彰显了人工智能背后的科学原理是其持续发展的核心动力和坚实基石。这些原理往往源自多个学科的深度交融，它们共同为人工智能的发展奠定了坚实的理论基础。在此理念框架下，以物理学为代表的基础科学不仅为人工智能技术的创新指明了方向，更为其提供了源源不断的动力和支持，助力AI技术突破现有发展瓶颈，向更为成熟的阶段不断迈进。
五大范式的发展
基础科学赋能了人工智能的发展，而如今，人工智能也在反过来为基础科学的持续推进赋能。2024年度诺贝尔化学奖授予了贝克(D. Baker)、哈萨比斯(D. Hassabis)及江珀(J. Jumper)三位科学家，以表彰他们在蛋白质设计和蛋白质结构预测领域作出的贡献，其中，哈萨比斯与江珀因共同研发名为“AlphaFold”的人工智能模型而获奖。诺贝尔奖聚焦于人工智能领域，无疑是对人工智能在科学界所获得广泛认可与高度重视的有力佐证。近年来，“AI4S”(Artificial Intelligence for Science)这一新兴理念正逐渐引领科学研究迈入人工智能驱动的新纪元。在当今信息爆炸的时代洪流中，物理、化学与生物等基础科学领域正面临着前所未有的复杂挑战。正是在这一背景下，人工智能技术凭借其卓越的学习与推理能力，为应对这些严峻挑战开辟了全新的解决路径。2024年度诺贝尔物理学奖委员会主席穆恩斯(E. Moons)也对此次物理学奖获奖者们高度评价道：“获奖者的工作已产生巨大效益，当今物理学诸多领域正广泛应用人工神经网络。”因此，在此框架下，人工智能早已不是科学研究的辅助工具，而是成为探索新科学现象与规律的重要驱动力。
基础科学与人工智能之间形成的强互动关系正逐步成为科学研究的新范式。研究者们开始深入探讨一个核心议题：人工智能是否已超越辅助工具的范畴，逐渐发展为一门独立且成熟的科学学科?如今的人工智能，已远非“仅仅是一种技术手段或工具”所能概括，在长期的探索与实践中，它逐渐构建起了一套完备且系统的理论体系，并形成了独具特色的方法论体系。展望未来，这一全新范式有望展现出更为广阔而深远的潜力与价值。它不仅会驱动AI技术的不断创新与突破性发展，更将促成科学研究方法的根本性变革，加速跨学科融合的进程，为探索宇宙的深邃奥秘，推动人类社会的全面进步开辟出一条崭新的道路。
霍普菲尔德网络与玻尔兹曼机的突破性成就，彰显了作为基础学科的物理学对其他学科领域的深刻影响。霍普菲尔德网络凭借其独特的能量函数和动态特性，为探索大脑的信息处理机制提供了新的视角，而玻尔兹曼机则通过引入概率分布和温度参数，为模拟大脑学习这一复杂过程构建了一个更为灵活的框架。另一方面，人工智能的持续快速发展，正驱动着科学研究范式的深刻转变，这为其他基础学科领域的发展带来了新的契机。因此，人工智能技术与以物理学为代表的基础学科之间，正逐渐形成一种双向促进的新发展范式。诺贝尔物理学奖颁发给在人工智能领域取得卓越成就的两位研究者，不仅是对人工智能技术的认可，更是肯定了物理学理论和思想在推动人工智能科技进步中所扮演的重要角色。此荣誉之授予，实乃名至实归。
转载内容仅代表作者观点
不代表中科院物理所立场
如需转载请联系原公众号
来源：中科院物理所
