约翰·霍普菲尔德

与杰弗里·欣顿。

■本报记者 张双虎 韩扬眉 倪思洁 赵广立 见习记者 赵宇彤

“意外又合理，只是没想到它获奖来得如此快。”得知2024年诺贝尔物理学奖颁奖结果，国家纳米科学中心研究员高兴发如此表示。

10月8日，2024年诺贝尔物理学奖颁发给美国普林斯顿大学教授约翰·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学教授杰弗里·欣顿（Geoffrey E. Hinton），以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。

对于今年诺贝尔物理学奖颁发给“机器学习领域的专家”，接受《中国科学报》采访的多位专家均表示，是“意料之外，情理之中”。

意料之外，情理之中

《中国科学报》：今年诺贝尔物理学奖为什么颁发给机器学习领域的专家？

国家纳米科学中心研究员高兴发：人工智能已经影响到我们生活的方方面面，在科研上也提供了很多新工具，所以虽然意外，但合情合理。比如，传统上我们通过做物理实验、理论推导、计算机模拟进行科学研究，现在机器学习开启了新的科研范式——只要有足够多的数据，就可以搭建一个神经网络，然后通过训练神经网络找到数据之间隐藏的规律。这种科研范式在研究中的应用已有很多，尤其是当我们研究复杂体系时，做实验成本很高、理论推导又太复杂，如果数据充足，就可以训练一个机器学习模型帮助进行预测。

因此，诺贝尔奖颁给机器学习领域的专家我不意外，我知道机器学习肯定会获奖，但没想到它来得这么快，也没想到会占物理学奖的名额。

上海交通大学物理与天文学院教授李亮：神经网络、深度学习绝对是重量级的研究成果，我只是奇怪它为什么要归于物理学奖。仔细想想，深度学习其实是一种算法，本质上是数学领域的问题。诺贝尔奖没有设立数学奖项，而物理学奖和它最接近。不出意外的话，将来物理学奖有可能会成为继化学奖之后的第二个“理综奖”。随着学科的交叉融合发展，我甚至觉得这是一个必然趋势。以后的诺贝尔奖大概不会严格划分化学、物理学等奖项，统称诺贝尔科学奖就可以了。

北京理工大学预聘助理教授许坤：机器学习和神经网络在高能物理领域已经有所应用。比如，如何从大量实验数据中挖掘想要的结果？以前只能依靠手动操作，但现在借助神经网络就能高效、快速地完成筛选。

从理论层面看，神经网络对物理理论研究也有一定作用，最简单的用处就是解方程。很多非常复杂、“漂亮”的方程，只有少数函数能求出解析解来，但多数解不出来，所以我们需要借助超级计算机进行数值求解。而神经网络为我们提供了新的可能性，原则上它能模拟任意函数的形状，在此基础上求解各种各样的函数。这已应用于高能物理领域，并且近年来应用越发广泛。

交叉融合，物理学是否“不存在”了？

《中国科学报》：从今年物理学奖颁奖结果看，做交叉学科研究是不是比传统学科更容易取得突破？

许坤：从两位获奖者的背景看，欣顿是2018年图灵奖获得者，曾获实验心理学学士学位、人工智能博士学位，看似和物理学都不沾边，但为他日后研究神经网络打下了基础。而且，他并不是一直埋头学术，而是做过很多年工程师，开发了神经网络里非常重要的反向传播算法。另一位获奖者是霍普菲尔德，曾获美国康奈尔大学物理学博士学位，在美国贝尔实验室工作期间萌发了对分子生物学的兴趣。

回归本次奖项，不难发现，人工智能其实和物理、生物、化学有千丝万缕的联系。当你把非常复杂的数据“扔”给神经网络，它能一层层提取出有效的关键信息，这其中涉及信息的流动，而在高能物理领域也存在类似现象，二者本质上都是提取有效信息的过程。这体现出学科交叉的特性。

人工智能学者、地平线科技创始人余凯：早期人工智能的专家大部分都有物理学背景。物理学思维实际上是用数学的方法建模现实世界，这跟人工智能的核心意义完全一致。所以，物理学思维对于人工智能是非常重要的。

李亮：我觉得物理建模或许会成为未来的趋势。简单的数学推导和理论假设可能无法覆盖现实的复杂情况，如果一开始就有物理建模，会让人们走得快点。真正的交叉科学是深层次交叉，是互相学习彼此的思想和底层逻辑。如果想在人工智能领域取得突破，必须和物理取得联系，才能走得更快、更远。

今天，物理学可能会迎来“第二春”。光靠物理无法覆盖所有领域，但交叉融合给了物理焕发新生的重要契机。未来物理学应该会比较“吃香”，其他学科都会来找物理学家聊一聊，看能不能碰撞出新想法。

中国科学技术大学教授江俊：现在是大科学时代，学科交叉融合已成了大趋势。100年前，由于科学工具有限，我们不得不划分学科展开研究，但现在无论是微观领域还是宏观领域，都有很强的科学工具，比如人工智能就能连接理论和实验、人类和机器人等不同尺度的内容，这也倒逼我们打破学科边界。

首先，物理、数学、化学等比较严谨的科学变得更加开放。我们以前描述科学规律一定要找到清晰、确定的解析式，但现在逐渐接受了相对模糊、发散的预测，再不断通过实验进行校准，这是很重要的学术观念革新。

其次，我们可以从数字中发现更多关于人工智能的框架，也能在物理学领域实现与机器学习的融合，这种学科交叉让我们在回归物理和数学本质的过程中，不断突破对人工智能的理解。

诺贝尔有一句话让我印象深刻——“当一项发明或者发现能真正改变世界、产生深远影响时，才能获得诺贝尔奖。”我想本届诺贝尔奖的意义或许在于，它突破了大家对于传统物理学的狭隘认知，具有改变世界的力量。

物理学的边界在开放拓展

《中国科学报》：今年诺奖授予神经网络或者机器学习意味着什么？

高兴发：两位诺奖得主在上世纪七八十年代就尝试用数学算法让机器具有类似于人类的学习能力。那时，计算机的算力、网络、数据各方面水平不高，因此他们的研究非常具有开拓性。人工智能在随后很长时间并不受重视，但他们继续推动这方面的研究。最近几年算力、数据等外部条件都具备了，人工智能的威力才得以井喷，让大家看到并惊叹。

江俊：今年的物理学奖显然是对神经网络或者机器学习方向的肯定，也恰恰说明物理学的边界正在开放拓展，容纳更多理念和工具。这确实是值得赞叹的。

一方面，能够让大家深切感受到，物理学作为底层原理能够对其他学科产生重大深远的影响；另一方面，这代表了一种新思想。因为过去在严谨的推理下，数学公式代表物理学最底层的逻辑，但现在，物理学愿意把机器学习这样一个相对没有完全打开的，且预测相对发散、存在着不严谨和不确定性的“黑盒”容纳进来，并加以认可，代表我们对物理学的理解达到了一个新层次——不再仅认同用数学公式描绘，而且认同基于语言的模糊描绘同样可以精准反映物理学规律。

简而言之，获奖成果是用物理学方法来做的，即用人工神经网络研究机器学习。

同时，我们需要讨论和反思，所谓道法自然，是不是包括人类思考物质世界且对它进行数学描述的方式也可以向自然学习？反过来，学习物质世界从微观反馈到宏观之间的信号切换机制，它是不是与人工智能的架构有异曲同工之妙？