編輯：編輯部 HYZ
【新智元導讀】諾貝爾實體學獎公布第二天，争議依然未平息。諾獎官号都被憤怒的網友沖了：AI不是實體學！Hopfield網絡和反向傳播算法究竟與實體學有何關系？這要從Hinton和Ilya 12年前的那件事說起。
昨天的諾貝爾實體學獎一公布，瞬間炸翻了實體圈和AI圈。
Hinton的第一反應更是有趣：這不會是個詐騙電話吧？
如此出乎意料的結果，讓各路針對諾獎實體學獎的嚴肅預測，都仿佛成了笑話。
而諾貝爾獎的官方賬号，也被網友們給沖爆了。
他們紛紛高呼：這不是實體學！
「資料科學或神經網絡是『用于』實體學，但絕對不『是』實體學。」
相比之下，AI圈則是一片其樂融融的景象。大佬們都開心地給Hinton送去了祝福。
左右滑動檢視
AI教母李飛飛：AI的深遠影響，如今才剛剛開始
MIT博士生Ziming Liu直言：「Physics (Science) for AI」是一個被嚴重低估的領域。規模化可以實作一對多的效果，但唯有科學才能帶來從無到有的突破。
Jim Fan則做了一個非常有趣的「AI-實體學對照表」：
想沖擊諾獎的AI學者們，你們學會了嗎
言歸正傳，諾貝爾實體學獎，為何要頒給AI學者？
這就要從深度學習爆發的那一年講起。
Geoffrey Hinton：2012年，深度學習的驚人革命
早在1986年，Geoffrey Hinton等人在Nature上發表的論文，就讓訓練多層神經網絡的「反向傳播算法」廣為人知。
當時我們很多人都相信這一定是人工智能的未來。我們成功地證明了我們一直相信的東西是正确的。
可以說，神經網絡在經曆第一波寒冬之後，自此開始重新走向AI舞台。
1989年，LeCun率先使用了反向傳播和卷積神經網絡。他也同意Hinton的看法。
我毫不懷疑，最終我們在上世紀80-90年代開發的技術将被采用。
早期的圖靈三巨頭
不過，反向傳播算法引發的熱潮，随後又在1995年被統計機器學習蓋過去了。
統計機器學習的風頭興盛了很多年，即使2006年Hinton在Science上首次提出「深度學習」，業内也響應寥寥。
直到2012年9月，一篇題為「用深度卷積神經網絡進行ImageNet圖像分類」的論文，讓此前沉寂多年的AI領域熱度驟起。
文中提出的AlexNet深度卷積神經網絡，在當年的ImageNet比賽上以碾壓之勢奪冠，一舉将top-5錯誤率降低到了15.3%，比身後的第二名（26.2%）足足高出10多個百分點。
ImageNet資料集，正是由斯坦福李飛飛團隊在2007年建立。
AlexNet摧枯拉朽般的大勝，讓研究人員驚歎于大型卷積深度神經網絡架構的神奇威力，這篇論文也成為深度學習和人工智能自「AI寒冬」後重新成為熱門領域的重要裡程碑。
後來人們所講的「深度學習革命」，也借此文以發端，直到十二年後的今天。
事後李飛飛這樣回顧：自2012年以來，深度學習的發展堪稱「一場驚人的革命，令人做夢都沒想到」。
自此，人們開始相信：大資料、算力、深度模型，是走向通用人工智能的關鍵三要素。
而深度模型也從最早的卷積神經網絡，疊代為遞歸神經網絡、Transformer、擴散模型，直至今天的GPT。
從生理學、哲學到AI：大腦究竟如何思考
在年輕時，為了弄清楚人類的大腦如何工作，Hinton首先來到劍橋學習生理學，而後又轉向哲學，但最終也沒有得到想要的答案。
于是，Hinton去了愛丁堡，開始研究AI，通過模拟事物的運作，來測試理論。
「在我看來，必須有一種大腦學習的方式，顯然不是通過将各種事物程式設計到大腦中，然後使用邏輯推理。我們必須弄清楚大腦如何學會修改神經網絡中的連接配接，以便它可以做複雜的事情。」
「我總是受到關于大腦工作原理的啟發：有一堆神經元，它們執行相對簡單的操作，它們是非線性的，它們收集輸入，進行權重，然後根據權重輸入給出輸出。問題是，如何改變這些權重以使整個事情做得很好？」
某個周日，Hinton坐在辦公室，突然有人敲門。AI命運的齒輪從此轉動。
敲門的正是Ilya。
當年青澀的Ilya
Hinton給了Ilya一篇關于反向傳播的論文，約定兩人一周後讨論。
Ilya：I didn't understand it.
Hinton：這不就是鍊式法則嗎？
Ilya：不是，我不明白你為啥不用個更好的優化器來處理梯度？
——Hinton的眼睛亮了一下，這是他們花了好幾年時間在思考的問題。
Ilya很早就有一種直覺：隻要把神經網絡模型做大一點，就會得到更好的效果。Hinton認為這是一種逃避，必須有新的想法或者算法才行。
但事實證明，Ilya是對的。
新的想法确實重要，比如像Transformer這樣的新架構。但實際上，當今AI的發展主要源于資料的規模和計算的規模。
2011年，Hinton帶領Ilya和另一名研究所學生James Martins，發表了一篇字元級預測的論文。他們使用維基百科訓練模型，嘗試預測下一個HTML字元。
模型首次采用了嵌入（embedding）和反向傳播，将每個符号轉換為嵌入，然後讓嵌入互相作用以預測下一個符号的嵌入，并通過反向傳播來學習資料的三元組。
當時的人們不相信模型能夠了解任何東西，但實驗結果令人震驚，模型仿佛已經學會了思考——所有資訊都被壓縮到了模型權重中。
AI如何「蹭」上實體學
講到這裡，你可能有一個疑問：這些跟實體學有什麼關系呢？
諾獎委員會的解釋是，人工神經網絡是用實體學工具訓練的。
Geoffrey Hinton曾以Hopfield網絡為基礎，建立了一個使用不同方法的新網絡：玻爾茲曼機。在這個過程中，Hinton使用的是統計實體學的工具，來學習和識别資料中的模式。
就這樣，AI跟實體學聯系上了。
如果講到此次另一位獲獎者John Hopfield，倒是和實體學的關系更緊密一些。
一言以蔽之，Hopfield網絡是按實體學上能量函數最小化來建構的，可以看作是實體學中「自旋玻璃模型」的擴充。
Hopfield網絡利用了材料由于其原子自旋而具有特性的實體學——這種特性使每個原子成為一個微小的磁鐵。整個網絡的描述方式等同于實體學中發現的自旋系統中的能量，并通過找到節點之間連接配接的值來訓練，使儲存的圖像具有低能量。
另外，Hopfield Network和玻爾茲曼機都是基于能量的模型。
統計力學原理，便是這兩者的核心。它們都使用來自統計力學的能量函數，來模組化和解決與模式識别和資料分類相關的問題。
在前者當中，能量函數被用來尋找與所存儲的模式相對應的最穩定狀态。後者中，能量函數通過調整節點之間連接配接的權重來幫助學習資料的分布。
至此，諾獎委員會就自圓其說了。
John Hopfield：一個想法，波及三大學科
20世紀80年代初，John Hopfield在加州理工學院建立了一個簡單的計算機模型——Hopfield Network。
其行為方式不太像當時的計算機，而更像人腦。
這是因為，Hopfield Network模仿了人腦儲存資訊的結構。它由互相連接配接的節點組成，正如人腦中的神經元一樣。
節點中的連接配接強度具有可塑性，可強可弱，而強連接配接進而形成了我們所說的「記憶」。
Hopfield學生，現Caltech計算機科學、計算與神經系統以及生物工程教授Erik Winfree解釋道：
Hopfield Network是實體學中「自旋玻璃模型」（the spin glass model）的擴充。自旋玻璃有兩種磁化狀态，可以稱之為它的「記憶」。
Hopfield擴充了這一模型，讓其有了更複雜的連接配接模式。
簡言之，他使用一個簡單的規則，讓每對單元（每個節點）之間有不同的連接配接強度，而不再局限于兩種狀态。
他的工作證明了，這種網絡可以儲存多種複雜的模式（記憶），而且比之前的方法更接近大腦運作方式。
Hopfield以一種跨學科的視角闡述這個模型，解釋了人工神經網絡與實體學之間的聯系。
複旦大學計算機科學教授張軍平認為，Hopfield Network與實體學領域的關聯是，它的設計思路模拟了電路結構。
「假設網絡每個單元均由運算放大器和電容電阻組成，而每個單元就代表着一個神經元」。
在普林斯頓大學新聞釋出會上，Hopfield表達了同樣的觀點。他認為，長遠來看，新科學領域通常産生于，大量科學知識的交叉點上。
你必須願意在這些「縫隙」中工作，找出你的知識局限性，以及讓這些學科更豐富、更深入、更好被了解而采取的行動。
來自MIT-IBM實驗室實體學家Dmitry Krotov分享了，Hopfield Network一個想法至少對三大學科産生了巨大的影響。
它們分别是，統計實體學、計算機科學和人工智能、神經科學。
2023年，他曾發表了一篇Nature論文，對Hopfield Network在統計實體、神經科學和機器學習等多個學科中，進行了分析。
論文位址：https://www.nature.com/articles/s42254-023-00595-y
Krotov本人也與Hopfield合作過多篇研究，是以他對Hopfield Network工作的了解再熟悉不過了。
統計實體學
在統計實體學中，Hopfield Model成為最常被研究的哈密頓量（Hamiltonian）之一。哈密頓量在實體學中，描述了系統的總能量，是了解系統行為的關鍵。
這一模型已經催生了數以萬計的論文、幾本書籍。它為數百名實體學家進入神經科學和人工智能，提供了切入點。
就連諾貝爾獎官方給出了解釋，機器學習模型，是基于實體方程式。
計算機科學和AI
在計算機科學中，Hopfield Network終結了AI寒冬（1974-1981），并開啟了人工神經網絡的複興。
Hopfield在1982年發表的論文，标志着現代神經網絡的開始。
論文位址：https://www.pnas.org/doi/10.1073/pnas.79.8.2554
就連如今的頂會NeurIPS，起源可以追溯到1984-1986年在加州理工學院舉行的被稱為「Hopfests」的會議。
這個名字直接緻敬了Hopfield，彰顯了他的早期工作在神經網絡研究中的核心地位。
John Moody在1991年的NeurIPS論文集中記錄了這段曆史。
另外，Hopfield Network成為限制玻爾茲曼機（Restricted Boltzmann Machine）發展的主要靈感來源。RBM在早期深度學習中，發揮着重要的作用。
還有基于能量的模型（Energy Based Model），代表着人工智能領域中一個重要的範式。
它也是從Hopfield基于能量和記憶的模型發展而來。
神經科學
在神經科學領域，Hopfield Network成為後來許多計算記憶模型的基礎。
它将記憶回憶概念化，即能量景觀中滾下山坡的想法，已成為神經科學中的經典隐喻。
這次「諾獎風波」後，許多人也對如今的學科分類有了全新的思考。
不可否認的是，AI已經融入了全學科、全領域。
而這次諾貝爾實體學獎頒給AI，也是AI大爆發對于人類社會颠覆影響的一個真實寫照。