“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果，國家納米科學中心研究員高興發如此表示。

  10月8日，2024年諾貝爾物理學獎頒發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“基于人工神經網絡實現機器學習的基礎性發現和發明”。

  對于今年諾貝爾物理學獎頒發給“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給機器學習領域的專家？

  國家納米科學中心研究員高興發：人工智能已經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，現在機器學習開啟了新的科研范式——只要有足夠多的數據，就可以搭建一個神經網絡，然后通過訓練神經網絡找到數據之間隱藏的規律。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，如果數據充足，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：神經網絡、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，本質上是數學領域的問題。諾貝爾獎沒有設立數學獎項，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：機器學習和神經網絡在高能物理領域已經有所應用。比如，如何從大量實驗數據中挖掘想要的結果？以前只能依靠手動操作，但現在借助神經網絡就能高效、快速地完成篩選。

  從理論層面看，神經網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，只有少數函數能求出解析解來，但多數解不出來，所以我們需要借助超級計算機進行數值求解。而神經網絡為我們提供了新的可能性，原則上它能模擬任意函數的形狀，在此基礎上求解各種各樣的函數。這已應用于高能物理領域，并且近年來應用越發廣泛。

交叉融合 物理學是否“不存在”了？

  問：從今年物理學獎頒獎結果看，做交叉學科研究是不是比傳統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網絡打下了基礎。而且，他并不是一直埋頭學術，而是做過很多年工程師，開發了神經網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了對分子生物學的興趣。

  回歸本次獎項，不難發現，人工智能其實和物理、生物、化學有千絲萬縷的聯系。當你把非常復雜的數據“扔”給神經網絡，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象，二者本質上都是提取有效信息的過程。這體現出學科交叉的特性。

  人工智能學者、地平線科技創始人余凱：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學的方法建�，F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�；蛟S會成為未來的趨勢。簡單的數學推導和理論假設可能無法覆蓋現實的復雜情況，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�。�現在是大科學時代，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容，這也倒逼我們打破學科邊界。

  首先，物理、數學、化學等比較嚴謹的科學變得更加開放。我們以前描述科學規律一定要找到清晰、確定的解析式，但現在逐漸接受了相對模糊、發散的預測，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，我們可以從數字中發現更多關于人工智能的框架，也能在物理學領域實現與機器學習的融合，這種學科交叉讓我們在回歸物理和數學本質的過程中，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——“當一項發明或者發現能真正改變世界、產生深遠影響時，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：今年諾獎授予神經網絡或者機器學習意味著什么？

  高興發：兩位諾獎得主在上世紀七八十年代就嘗試用數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、網絡、數據各方面水平不高，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，但他們繼續推動這方面的研究。最近幾年算力、數據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網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對其他學科產生重大深遠的影響；另一方面，這代表了一種新思想。因為過去在嚴謹的推理下，數學公式代表物理學最底層的邏輯，但現在，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，即用人工神經網絡研究機器學習。

  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世界且對它進行數學描述的方式也可以向自然學習？反過來，學習物質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？■