作者｜芯芯
編輯｜靖宇
「我怎麼能确定這不是個惡作劇電話？」
傑弗裡·辛頓（Geoffrey Hinton）在淩晨兩點接到諾貝爾獎委員會電話時，這是他的最初想法。
當時，這位 77 歲的「AI 教父」正在加州的一家酒店，網絡信号微弱，電話信号也不好，當天本來打算去做個核磁共振掃描，檢查下身體。
直到他想到，電話是從瑞典打來的，而且說話的人有濃重的瑞典口音，還有好幾個人在一起，他才确定了自己獲得了諾貝實體學獎這一事實。
這一通來自瑞典的電話打破了他一天的計劃，也标志着他多年研究神經網絡與機器學習的成果被世界進一步認可。
中原標準時間 10 月 8 日，2024 年諾貝爾實體學獎正式授予了他和另一位學者約翰·霍普菲爾德（John J. Hopfield），以表彰他們在機器學習與人工神經網絡領域的基礎性發現和發明。91 歲高齡的約翰·霍普菲爾德在收到消息時，同樣「有些震驚」。
2024 年諾貝爾實體學獎得主約翰·霍普菲爾德和傑弗裡·辛頓｜諾貝爾官網
在這一消息公布的同時，不少人的疑惑是——為什麼諾貝爾實體學獎，會頒給看似離實體學有些遙遠的計算機和 AI 領域？
實體學與計算機神經網絡的交彙
約翰·霍普菲爾德和傑弗裡·辛頓倆人，自上世紀 80 年代起就在人工神經網絡領域做出了重要工作。
人工神經網絡，顧名思義，源于對大腦工作原理的模仿。科學家們設想大腦的神經元可以通過計算節點的方式進行重制，這些節點通過類似神經突觸的連接配接傳遞資訊。這樣的網絡經過訓練，可以增強某些連接配接，抑制另一些，進而使系統在處理複雜資料時具備學習與記憶能力，成為現代人工智能的基礎。
1980 年代，擁有實體學背景的霍普菲爾德，開始着手将實體學概念引入人工神經網絡領域，特别是自旋玻璃模型。
他的突破在于，基于實體學的自旋系統，提出了一種能存儲和重建資訊的聯想記憶模型，這一模型使得神經網絡可以通過不完整的輸入進行自我修正，重建出原始模式——這就是「霍普菲爾德網絡」。
霍普菲爾德網絡的基本思想是：每個節點類似于圖像中的一個像素，節點可以被視為系統中的能量狀态，而這個網絡的目标，是通過不斷調整節點之間的連接配接權重，降低系統的能量，力圖找到最穩定、最節省能量的狀态。此時，網絡輸出的圖案就是重建後的完整圖案。這一機制不僅使機器可以重建部分丢失或受損的圖像，還能從部分輸入中提取出整體資訊。
接着，以霍普菲爾德網絡為基礎，傑弗裡·辛頓又将人工神經網絡推進到了全新的高度。
當時，辛頓利用統計實體學的工具，特别是 19 世紀實體學家路德維希·玻爾茲曼的統計模型，開發了「玻爾茲曼機」，它可以學習識别某類資料中的特征元素。
玻爾茲曼機的核心在于機率。辛頓認識到，資料中的模式可以通過計算「可能性」來識别，機器可以學習哪些模式更有可能出現，哪些模式則相對罕見。經過訓練的玻爾茲曼機可以識别它以前從未見過的資訊中的熟悉特征。
在 20 世紀 90 年代，許多研究人員對人工神經網絡失去了興趣，但辛頓是繼續從事這一領域研究的少數人之一。進入 21 世紀後，辛頓又與他的同僚通過層層玻爾茲曼機進行預訓練。這種預訓練為網絡中的連接配接提供了一個更好的起點，優化了網絡識别圖像元素的訓練過程。
霍普菲爾德網絡與玻爾茲曼機｜圖檔來源：瑞典皇家科學院
得益于自 20 世紀 80 年代以來的工作，約翰·霍普菲爾德和傑弗裡·辛頓幫助奠定了大約 2010 年開始的機器學習革命的基礎。
說回來，他們在上世紀的突破性貢獻，事實上首先源于對實體學中複雜系統的深刻了解。正是他們對實體學工具概念的應用，推動了機器學習與人工神經網絡領域的發展。
與此同時，現代實體學本身也從人工神經網絡中受益——因為人工神經網絡逐漸成為實體學中強大的計算工具，可以用于量子力學、粒子實體學等領域。
諾貝爾實體學獎委員會主席指出：「得主的工作已經帶來了巨大的益處。在實體學中，我們在廣泛的領域使用人工神經網絡，例如開發具有特定屬性的新材料。」
「機器學習長期以來一直應用于我們可能熟悉的領域，從以前的諾貝爾實體學獎中可以看出。其中包括使用機器學習來篩選和處理發現希格斯玻色子所需的大量資料。其他應用包括降低碰撞黑洞引力波測量中的噪聲，或尋找系外行星。」
「近年來，該技術也開始用于計算和預測分子和材料的特性，例如計算決定其功能的蛋白質分子結構，或确定哪種新材料可能具有用于更高效太陽能電池的最佳特性。」諾獎官方如此稱。
實體或者 AI，都在嘗試了解世界本質
雖說約翰·霍普菲爾德和傑弗裡·辛頓兩人的貢獻靈感來源于實體學，他們的貢獻也反哺了實體學和其他領域。
但與以往不同，2024 年的諾貝爾實體學獎，還是引起了大量讨論和争議，網友們的主要争論點就在于，兩位得主的貢獻，到底屬不屬于實體領域？甚至有人侃道，諾貝爾委員會想「蹭 AI 熱點」。
詫異聲之多，以至于諾獎官方都發起了一場投票：「你知道機器學習的模型是基于實體學方程的嗎？」
諾獎官方下場問網友：你知道機器學習的模型是基于實體學方程的嗎？｜圖檔來源：X
對此，AI 領域的從業者們也展開了讨論，下面是他們的部分反應和聲音：
智源研究院創始人張宏江表示：「Hinton 2006 年利用 RBM 做 DNN 自監督預訓練，成功訓練深度神經網絡，可以說是這輪 AI 革命的先聲，Hopfield 網絡為 RBM 奠定了基礎。接下來看看 AlphaFold 能不能拿生理學獎。」
出門問問創始人兼 CEO 李志飛表示：「數學模型用在實體和人工智能方面本質都是模組化，隻不過前者的模組化對象是實體世界，後者的模組化對象是智能，這樣說起來是不是靠譜點？」
地平線創始人餘凱也表示：「實體學研究的目的是了解自然界中實體系統的本質規律，進而可以去創造和發明自然界不存在的實體系統。比如從鳥可以研究空氣動力學，基于空氣動力學并不是建構鳥，而是飛機火箭」。
「人工智能的目的在于首先去研究自然界中智能系統它的本質的機理，然後通過這些研究，其目的不是說是要去發明生物大腦，而是去建構有可能更加智能的新的實體學系統。」餘凱認為。
餘凱還注意到，這次的諾貝爾獎實體學獎得主有實體學背景，也有從統計實體角度看神經網絡，其中一位還曾擔任過世界知名高校的實體系教授，「早期搞人工智能的很多都是實體學背景」。
橫跨多個學科領域的霍普菲爾德｜圖檔來源：諾獎委員會
争議之外，約翰·霍普菲爾德與傑弗裡·辛頓的成果，以及其獲得諾貝爾實體學獎這一事實，除了證明人工智能如今的突破與火熱，還點明了一個重要資訊，即科學的突破可以不隻局限于單一領域的定義，跨學科合作也自有其力量。
比如，約翰·霍普菲爾德的确有實體學博士學位，他的早期職業生涯始于貝爾實驗室，最初研究凝聚态實體，但當他在這個主要研究領域中的問題耗盡時，他又轉向了新的領域。在 20 世紀 60 年代末，他探索了一下生物實體學，将固态實體學的概念應用于了解生物系統如何合成蛋白質。20 世紀 70 年代末，他又轉入神經科學領域，将他在理論實體學中的技能應用于大腦問題，才有了前述開創性貢獻。
什麼是實體學？霍普菲爾德曾在他的自傳中寫道：「對我來說——因為我父母都是實體學家——實體學不是某種學科。原子、對流層、核、玻璃塊、洗衣機、自行車、留聲機、磁鐵——這些隻是偶然的研究對象。核心思想是世界是可以了解的，你應該能夠拆解任何東西，了解其組成部分之間的關系，進行實驗，并基于此建立對其行為的定量了解。」
在他看來，「實體學是一種觀點，認為我們周圍的世界通過努力、創造力和足夠的資源是可以在預測和定量的方式下了解的。」
至于傑弗裡·辛頓，在劍橋大學讀大學期間，他嘗試了一系列學科——生理學、實體學、哲學，直到 1970 年獲得實驗心理學學位。在 1972 年進入愛丁堡大學攻讀人工智能博士學位之前，他還曾做過一段時間的木匠。
當諾獎從業人員問他「如何形容自己？認為自己是一名計算機科學家，還是從事這項工作時試圖了解生物學的實體學家？」辛頓的回答是：「我會說我是一個不太清楚自己從事什麼領域，但想了解大腦如何運作的人。在我試圖了解大腦工作原理的過程中，我幫助創造了一項出乎意料的有效的技術。」
辛頓這一回答的資訊是——不管你把他歸為什麼領域，或許都不重要，重要的是，他創造了什麼。
AI 教父傑弗裡·辛頓｜圖檔來源：TIME100 AI
而且，獎項的設立有其曆史背景和局限，如果獎項的設定者在世，願意設立一個新的學科獎、或者跨學科獎其實也說不定。目的都是相同的，即褒獎那些推動人類知識進步的人。
此外值得一提的資訊是，辛頓希望，獲得諾貝爾獎能讓他「更具說服力」，期盼人們能更加認真對待他提出的對 AI 的擔憂。
「在這些事物失控并接管的生存威脅方面，我認為我們正處于曆史上的一個分叉點，在未來幾年内，我們需要找到解決這一威脅的方法。」這是他現如今最想傳達的一個聲音。
頭圖來源：The Globe and Mail