AI研究拿奖了，诺贝尔物理学奖跟图灵奖“抢饭碗”？

8日宣布的2024年诺贝尔物理学奖“意外”垂青机器学习，让多个诺奖预测集体“翻车”，就连获奖者之一的杰弗里·欣顿也坦言自己“完全没想到”。看似不属于传统物理学任何一个分支领域的成果斩获诺奖，让不少学者开玩笑说诺贝尔物理学奖在跟计算机界的图灵奖“抢饭碗”。

事实上，机器学习领域的元老级人物约翰·霍普菲尔德和杰弗里·欣顿斩获诺奖，如诺奖官方公告所说正是因为“运用物理学的工具”。今年的诺贝尔物理学奖不仅是对两名科学家成就的肯定，更是极大强调了跨学科研究的重要性，向人们展示了物理学的深刻洞见与计算机科学创新“碰撞”可以产生的巨大能量。

当前人们谈论人工智能时，经常指的是使用人工神经网络的机器学习。诺贝尔物理学委员会秘书乌尔夫·丹尼尔松对记者强调，人工神经网络在物理学中的研究和应用已经持续了相当长一段时间，本次诺贝尔物理学奖并非颁发给过去几年人工智能的发展，不是针对大语言模型或类似的东西，而是针对基础发明。

远在人工智能成为今天的科技热词之前，这两名科学家从20世纪80年代起就在人工神经网络领域做出了重要工作。这项技术最初的灵感来自大脑的结构。就像大脑中大量神经元通过突触相连一样，人工神经网络由大量的“节点”通过“连接”组成。每个节点就像一个神经元，而连接的强弱则类似于突触的强度，决定了信息传递的效果。

1982年，美国科学家约翰·霍普菲尔德创建了一种用于机器的联想记忆方法，提出了一种革命性的网络结构，被称为“霍普菲尔德网络”。这个网络能够存储多个模式（比如图像），并且在面对不完整或有噪声的输入时，能够重构出最相似的模式。

英国裔加拿大科学家杰弗里·欣顿在此基础上更进一步，他希望机器能像人类一样自主学习和分类信息，于1985年和同事提出了“玻尔兹曼机”的网络模型，这个名字源于19世纪物理学家路德维希·玻尔兹曼的方程。该模型通过统计物理学中的玻尔兹曼分布来识别数据中的特征，成为了现代深度学习网络的基础。欣顿的研究继续推进，导致了当前机器学习领域爆炸式的发展。

爱尔兰都柏林圣三一学院认知神经科学教授罗德里·丘萨克8日评论指出，人工神经网络最初受到神经科学的启发，并且两者之间的相互作用持续蓬勃发展。人工神经网络已被证明是大脑学习过程的宝贵模型，机器正在帮助我们了解自己，这反过来又为技术发展提供了新的途径。如果没有霍普菲尔德和欣顿的开创性工作，这一切都不可能实现。

霍普菲尔德和欣顿的工作不仅推动了机器学习的发展，还对物理学产生了深远影响。正如丹尼尔松当天在接受新华社记者采访时所说，物理学的原理为两名科学家提供了思路，同时，人工神经网络在物理学中也得到了广泛应用，催生新的惊人发现。

诺贝尔物理学委员会主席埃伦·穆恩斯在当天的新闻发布会上表示，两名获奖者利用统计物理的基本概念设计了人工神经网络，构建了机器学习的基础。相关技术已被用于推动多个领域的研究，包括粒子物理、材料科学和天体物理等，也已用于日常生活中的人脸识别和语言翻译等。

机器学习的迅速发展不仅带来了巨大的机遇，也引发人们对于伦理和安全方面的担忧。穆恩斯当天在发布会上强调说，人类有责任以安全且道德的方式使用这项新技术，以确保它能为全人类带来最大的利益。

欣顿当天在接受电话连线采访时表示，这一技术将对社会产生巨大影响，但也必须警惕这一技术可能造成的威胁。丹尼尔松也指出，机器学习与基因编辑等众多前沿技术的发展是“双刃剑”，人们必须警惕出现坏的结果。在这方面，尤其需要全球合作。

（来源：新华社）