10月8日，2024年诺贝尔物理学奖开奖。
有许多网友觉得意外的是，今年的物理学奖颁发给了人工智能领域的科学家，这其中美国科学家约翰·霍普菲尔德获得了这项荣誉，加拿大科学家杰弗里·辛顿也获得了这份殊荣，目的是表彰他们在人工神经网络机器学习方面所做出的基础性发现以及发明。
诺贝尔物理学奖为啥颁给“AI教父”？
图源：交汇点
早年的AI研究者不少来自数学、物理等学科
开奖于8日下午进行之后，网友们一下子就“沸腾”起来了：诺贝尔物理学奖跟人工智能究竟存在着什么样的关联呢？难道真的会演变成诺贝尔奖范畴内的“图灵奖”吗？
前来告知记者的，是南京大学人工智能学院的教员俞扬，其透露人工智能与基础学科确实存在关联。“刚起始时，人工智能研究并非一个专门领域。回溯至二十世纪六十年代，那时专门的计算机方向都还未曾出现，人工智能才刚刚开始有所萌动，在那个时候懂写程序可是一桩十分新鲜的事情。投身于计算机研究的科研工作者，好多都是来自数学和物理领域的研究者。就拿咱们中国的‘图灵奖’获得主姚期智教授来讲，早年也是从事物理学方面的研究，还获取了物理学博士学位。”。
获得2024年诺奖物理学奖的得主里，有一位叫约翰·霍普菲尔德，他同样是学习物理专业出身，约翰·霍普菲尔德取得了美国康奈尔大学的物理学博士学位，工作之后，他又“跳出舒适圈”，转而开始投身到生物学领域的神经科学研究之中，如此这般的学术背景，使得他的科研工作充满了跨学科所带来的挑战性。1982年，约翰·霍普菲尔德，在PNAS（美国国家科学院院刊）上，发表了一篇论文，这篇论文横跨物理学、生物学、计算机科学，名叫《 and with 》，在当时掀起了一股热潮，什么样的热潮呢？是物理学家学习神经科学的热潮，而且这股热潮把众多物理学家和计算机科学家带入了神经科学的大门。
今年获诺奖的另一位得主杰弗里·辛顿，其学科背景同样颇为交叉。据悉，辛顿于剑桥大学国王学院读本科时，起码涉猎了生理学、化学、物理学、建筑学、哲学、心理学等诸多专业。在人工智能研究范畴，他有着比约翰·霍普菲尔德更响亮的名号，他不但是计算机领域最高奖“图灵奖”的得主，还被誉为深度学习领域的“三驾马车”之一，享有“AI教父”之美誉。今天，机器学习领域当中的大模型，全都离不开这两位科学家所开展的研究，所以，诺贝尔奖针对两位AI领域的前辈予以表彰，这同样是对AI发展的一种认可。俞扬说道。
诺奖得主曾来过南京，跨领域求解神经网络难题
记者知晓，从南京航空航天大学处，在上世纪90年代时，约翰·霍普菲尔德（John J.）曾受到我国863高技术计划智能计算机专家组以及南京航空学院（南京航空航天大学的前身）的联合邀请，于当时的南航举办了一场为期两周半的“人工神经网络”讲座。
霍普菲尔德是当时已颇负盛名的大学者，在人工神经网络领域开展了诸多开创性工作，促使神经网络研究领域得以复兴，相关研究彼时已相当“火爆”。他向来自全国的青年科研人员系统讲授了神经网络基本原理、最新研究成果以及发展趋势。那时，南京航空航天大学计算机学院/人工智能学院教授陈松灿身为学校一名青年教师，正从事现场会务工作，对此他仍记忆犹新。然而，霍普菲尔德本人极为低调，“身形较为高瘦，头发呈现花白之色，全然没有那种高高在上的架子，是一位极具优雅气质的学者”，陈松灿如此回忆道。
霍普菲尔德具备生物物理学背景，对大脑结构研究颇感兴趣，期望模拟人脑来开展智能信息处理。据专家科普，大脑能迅速且轻松完成而计算机却无法完成的任务，该如何借助神经网络去实现，霍普菲尔德运用动力学系统模拟人脑的联想记忆功能，构建了一种能记忆信息以及回忆信息的结构；他所开创的人工神经网络，还可用于并行求解诸如“旅行商”等组合优化问题，在当时被视作极具前途的计算模型。
运用不同方法，他们都是教计算机“学会学习”的“优秀教师”
总体而言，两位获奖者借助物理学工具构建了多样方法，为当下强大的机器学习奠定了根基。不同于约翰·霍普菲尔德运用“联想记忆”，杰弗里·辛顿与其他合作者一同开发出另一种方法，即受限玻尔兹曼机，它是一种能通过输入数据集学习概率分布的随机生成神经网络，这种方法对于当前使用的大型人工神经网络而言相当关键。
人类或者其他拥有大脑的生物，能够思考、看图、对话，那么计算机是否也能够如此呢？俞扬告知记者，人工智能领域的研究者们，始终朝着这个方向奋力前行。人类大脑具备一个庞大的神经网络，要是把这个神经网络“迁移”至计算机，并且逐步教授计算机“新知识”物理学家数学奖，那么计算机是否可以如同人类一般，学会翻译语言、识别图像乃至合理对话等技能呢？
今年获得诺贝尔物理学奖的两位人士，乃是教导计算机去“学会学习”的“出色教师”。
1982年，约翰·霍普菲尔德提出了一种革命性的网络结构，该网络结构被称作“霍普菲尔德网络”，这个网络具备一定的记忆以及联想能力，以图像作为事例，在给定不完整或者存在噪声的输入时，它能够重构出最为相似的存储模式，适合用于处理有噪声或者部分缺失的数据，在恢复受损的图像或者识别手写字符等方面，这种方法为一系列高级神经网络模型的发展给予了启发。
计算机“大脑”在杰弗里·辛顿的“调教”之下，变得稍微更聪明了些。他对计算机怀有更高的期望，期望电脑能够如同人类那般自行学习并分类信息。1985年的时候，辛顿与同事提出了“玻尔兹曼机”，这种结构准许网络不但能够识别已知样式，还能够生成新的、相类似的样式。更为关键的是，辛顿于1986年所推广的“反向传播”方法，成为了当今最为主流的神经网络模型的学习方法，使得如今的各类“大模型”得以成为可能。
新闻链接
他们的研究成果，已经被广泛应用于各个领域
“AI教父”杰弗里·辛顿在10月8日宣称，他没想到自己竟能荣获诺贝尔物理学奖。然而，不容置疑的是，日益“聪慧”的人工智能，于物理、生物、化学等诸多学科一同，在我们的生活里发挥着愈加重要的功用。现今的机器学习，变成了人工智能颇具规模的一个子领域，从早期对手写字符与动物图片的识别，演进到如今的图像处理与人机对话，其“智商”之高足以令人类萌生危机感。
俞扬介绍说，约翰·霍普菲尔德所处的时代，人工智能研究不算热门，甚至可称作“冷板凳”状态 ，杰弗里·辛顿所在时期亦是如此。人工智能的模型变得越来越大 ，先是从一个发展到多个 ，再到如今有着上千亿个参数 ，呈现如此情形背后 ，是一代又一代研究人员的坚持。正是科学家们甘愿坐那“冷板凳” ，执着于自身的科研目标 ，从而才让人工智能取得了今天这样的发展成就。
被科研工作者们执着对待的机器学习，究竟对我们有着怎样的用途呢？俞扬讲道，人工智能研究的目标乃是创造出能够服务并帮助人类的工具，进而延伸人类的活动范畴以及能力。有着数十亿乃至上万亿参数的“深度神经网络”，在各个领域都得到了广泛运用，涵盖从语言翻译到图像识别，又从推荐系统到科学研究等方面。它们助力物理学家于海量数据里找寻希格斯粒子，辅助天文学家发觉系外行星，甚至在预测蛋白质结构以及设计新材料等方面发挥着关键作用。
专家宣称，人工智能将会变成人类针对未知探寻的动力源头一流范文网，在互联网普及、人工智能得以应用的情形下，许许多多的问题能够迅速获取答案物理学家数学奖，然而我们针对未知的探寻依旧会持续进行，科学技术的进步仅仅会拓宽我们思考问题的范围以及角度，这种“知无尽”的探寻，恰恰是人工智能的迷人之处所在。