「我怎么能确定这不是个恶作剧电话？」

杰弗里·辛顿（Geoffrey Hinton）在凌晨两点接到诺贝尔奖委员会电话时，这是他的最初想法。

当时，这位 77 岁的「AI 教父」正在加州的一家酒店，网络信号微弱，电话信号也不好，当天本来打算去做个核磁共振扫描，检查下身体。

直到他想到，电话是从瑞典打来的，而且说话的人有浓重的瑞典口音，还有好几个人在一起，他才确定了自己获得了诺贝物理学奖这一事实。

这一通来自瑞典的电话打破了他一天的计划，也标志着他多年研究神经网络与机器学习的成果被世界进一步认可。

北京时间 10 月 8 日，2024 年诺贝尔物理学奖正式授予了他和另一位学者约翰·霍普菲尔德（John J. Hopfield），以表彰他们在机器学习与人工神经网络领域的基础性发现和发明。91 岁高龄的约翰·霍普菲尔德在收到消息时，同样「有些震惊」。

在这一消息公布的同时，不少人的疑惑是——为什么诺贝尔物理学奖，会颁给看似离物理学有些遥远的计算机和 AI 领域？

01 物理学与计算机神经网络的交汇

约翰·霍普菲尔德和杰弗里·辛顿俩人，自上世纪 80 年代起就在人工神经网络领域做出了重要工作。

人工神经网络，顾名思义，源于对大脑工作原理的模仿。科学家们设想大脑的神经元可以通过计算节点的方式进行重现，这些节点通过类似神经突触的连接传递信息。这样的网络经过训练，可以增强某些连接，抑制另一些，从而使系统在处理复杂数据时具备学习与记忆能力，成为现代人工智能的基础。

1980 年代，拥有物理学背景的霍普菲尔德，开始着手将物理学概念引入人工神经网络领域，特别是自旋玻璃模型。

他的突破在于，基于物理学的自旋系统，提出了一种能存储和重建信息的联想记忆模型，这一模型使得神经网络可以通过不完整的输入进行自我修正，重建出原始模式——这就是「霍普菲尔德网络」。

霍普菲尔德网络的基本思想是：每个节点类似于图像中的一个像素，节点可以被视为系统中的能量状态，而这个网络的目标，是通过不断调整节点之间的连接权重，降低系统的能量，力图找到最稳定、最节省能量的状态。此时，网络输出的图案就是重建后的完整图案。这一机制不仅使机器可以重建部分丢失或受损的图像，还能从部分输入中提取出整体信息。

接着，以霍普菲尔德网络为基础，杰弗里·辛顿又将人工神经网络推进到了全新的高度。

当时，辛顿利用统计物理学的工具，特别是 19 世纪物理学家路德维希·玻尔兹曼的统计模型，开发了「玻尔兹曼机」，它可以学习识别某类数据中的特征元素。

玻尔兹曼机的核心在于概率。辛顿认识到，数据中的模式可以通过计算「可能性」来识别，机器可以学习哪些模式更有可能出现，哪些模式则相对罕见。经过训练的玻尔兹曼机可以识别它以前从未见过的信息中的熟悉特征。

在 20 世纪 90 年代，许多研究人员对人工神经网络失去了兴趣，但辛顿是继续从事这一领域研究的少数人之一。进入 21 世纪后，辛顿又与他的同事通过层层玻尔兹曼机进行预训练。这种预训练为网络中的连接提供了一个更好的起点，优化了网络识别图像元素的训练过程。

得益于自 20 世纪 80 年代以来的工作，约翰·霍普菲尔德和杰弗里·辛顿帮助奠定了大约 2010 年开始的机器学习革命的基础。

说回来，他们在上世纪的突破性贡献，事实上首先源于对物理学中复杂系统的深刻理解。正是他们对物理学工具概念的应用，推动了机器学习与人工神经网络领域的发展。

与此同时，现代物理学本身也从人工神经网络中受益——因为人工神经网络逐渐成为物理学中强大的计算工具，可以用于量子力学、粒子物理学等领域。

诺贝尔物理学奖委员会主席指出：「得主的工作已经带来了巨大的益处。在物理学中，我们在广泛的领域使用人工神经网络，例如开发具有特定属性的新材料。」

「机器学习长期以来一直应用于我们可能熟悉的领域，从以前的诺贝尔物理学奖中可以看出。其中包括使用机器学习来筛选和处理发现希格斯玻色子所需的大量数据。其他应用包括降低碰撞黑洞引力波测量中的噪声，或寻找系外行星。」

「近年来，该技术也开始用于计算和预测分子和材料的特性，例如计算决定其功能的蛋白质分子结构，或确定哪种新材料可能具有用于更高效太阳能电池的最佳特性。」诺奖官方如此称。

02 物理或者 AI，都在尝试理解世界本质

虽说约翰·霍普菲尔德和杰弗里·辛顿两人的贡献灵感来源于物理学，他们的贡献也反哺了物理学和其他领域。

但与以往不同，2024 年的诺贝尔物理学奖，还是引起了大量讨论和争议，网友们的主要争论点就在于，两位得主的贡献，到底属不属于物理领域？甚至有人侃道，诺贝尔委员会想「蹭 AI 热点」。

诧异声之多，以至于诺奖官方都发起了一场投票：「你知道机器学习的模型是基于物理学方程的吗？」

对此，AI 领域的从业者们也展开了讨论，下面是他们的部分反应和声音：

智源研究院创始人张宏江表示：「Hinton 2006 年利用 RBM 做 DNN 自监督预训练，成功训练深度神经网络，可以说是这轮 AI 革命的先声，Hopfield 网络为 RBM 奠定了基础。接下来看看 AlphaFold 能不能拿生理学奖。」

出门问问创始人兼 CEO 李志飞表示：「数学模型用在物理和人工智能方面本质都是建模，只不过前者的建模对象是物理世界，后者的建模对象是智能，这样说起来是不是靠谱点？」

地平线创始人余凯也表示：「物理学研究的目的是理解自然界中物理系统的本质规律，从而可以去创造和发明自然界不存在的物理系统。比如从鸟可以研究空气动力学，基于空气动力学并不是构建鸟，而是飞机火箭」。

「人工智能的目的在于首先去研究自然界中智能系统它的本质的机理，然后通过这些研究，其目的不是说是要去发明生物大脑，而是去构建有可能更加智能的新的物理学系统。」余凯认为。

余凯还注意到，这次的诺贝尔奖物理学奖得主有物理学背景，也有从统计物理角度看神经网络，其中一位还曾担任过世界知名高校的物理系教授，「早期搞人工智能的很多都是物理学背景」。

争议之外，约翰·霍普菲尔德与杰弗里·辛顿的成果，以及其获得诺贝尔物理学奖这一事实，除了证明人工智能如今的突破与火热，还点明了一个重要信息，即科学的突破可以不只局限于单一领域的定义，跨学科合作也自有其力量。

比如，约翰·霍普菲尔德的确有物理学博士学位，他的早期职业生涯始于贝尔实验室，最初研究凝聚态物理，但当他在这个主要研究领域中的问题耗尽时，他又转向了新的领域。在 20 世纪 60 年代末，他探索了一下生物物理学，将固态物理学的概念应用于理解生物系统如何合成蛋白质。20 世纪 70 年代末，他又转入神经科学领域，将他在理论物理学中的技能应用于大脑问题，才有了前述开创性贡献。

什么是物理学？霍普菲尔德曾在他的自传中写道：「对我来说——因为我父母都是物理学家——物理学不是某种学科。原子、对流层、核、玻璃块、洗衣机、自行车、留声机、磁铁——这些只是偶然的研究对象。核心思想是世界是可以理解的，你应该能够拆解任何东西，理解其组成部分之间的关系，进行实验，并基于此建立对其行为的定量理解。」

在他看来，「物理学是一种观点，认为我们周围的世界通过努力、创造力和足够的资源是可以在预测和定量的方式下理解的。」

至于杰弗里·辛顿，在剑桥大学读本科期间，他尝试了一系列学科——生理学、物理学、哲学，直到 1970 年获得实验心理学学位。在 1972 年进入爱丁堡大学攻读人工智能博士学位之前，他还曾做过一段时间的木匠。

当诺奖工作人员问他「如何形容自己？认为自己是一名计算机科学家，还是从事这项工作时试图了解生物学的物理学家？」辛顿的回答是：「我会说我是一个不太清楚自己从事什么领域，但想了解大脑如何运作的人。在我试图理解大脑工作原理的过程中，我帮助创造了一项出乎意料的有效的技术。」

辛顿这一回答的信息是——不管你把他归为什么领域，或许都不重要，重要的是，他创造了什么。

而且，奖项的设立有其历史背景和局限，如果奖项的设置者在世，愿意设立一个新的学科奖、或者跨学科奖其实也说不定。目的都是相同的，即褒奖那些推动人类知识进步的人。

此外值得一提的信息是，辛顿希望，获得诺贝尔奖能让他「更具说服力」，期盼人们能更加认真对待他提出的对 AI 的担忧。

「在这些事物失控并接管的生存威胁方面，我认为我们正处于历史上的一个分叉点，在未来几年内，我们需要找到解决这一威胁的方法。」这是他现如今最想传达的一个声音。