诺贝尔物理奖变身图灵奖？科学家解释人工智能先驱为何“爆冷”获奖

诺贝尔物理奖变身图灵奖？科学家解释人工智能先驱为何“爆冷”获奖

2024年诺贝尔物理学奖授予了两位人工智能领域的先驱——美国科学家约翰·霍普菲尔德和加拿大科学家杰弗里·辛顿。这一决定引发了广泛的讨论：诺贝尔物理学奖为何会颁给人工智能专家？这是否意味着物理学与人工智能的深度融合？本文将为您详细解读这一重要奖项背后的故事。

瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿。

诺贝尔物理学奖的"跨界"传统

诺贝尔物理学奖授予人工智能专家，这已经不是第一次。2021年，诺贝尔物理学奖就曾授予气候学家真锅淑郎和克劳斯·哈斯曼，以表彰他们在地球气候预测模型和"预测全球变暖"方面的贡献。而今年，瑞典皇家科学院再次"跨界"，将奖项授予了在人工智能领域做出开创性贡献的霍普菲尔德和辛顿。

从物理学视角解读人工智能

复旦大学智能复杂体系实验室主任林伟教授指出，霍普菲尔德和辛顿的研究领域属于物理学范畴，他们的工作涉及统计物理、数学物理和非线性物理等多个领域。他们研发的人工神经网络是一种典型的复杂系统，需要运用物理学与其他学科（如数学、统计学、计算机科学和脑科学）交叉研究的方法。

人工神经网络作为20世纪80年代以来人工智能领域的研究热点，其核心理念是模拟人脑神经元网络的信息处理方式。霍普菲尔德在1980年代发明的霍普菲尔德神经网络，能够模拟人类的联想记忆过程。当输入一张部分像素缺失的图片时，神经网络能够通过多次循环，神奇地复原出完整的原图，这与人脑回忆遗忘事物的过程非常相似。

此外，霍普菲尔德神经网络还能解决著名的"旅行商问题"，即在给定一系列城市和每对城市之间的距离时，寻找访问每座城市仅一次并回到起始城市的最短回路。

对人工智能发展的关键贡献

辛顿在霍普菲尔德神经网络的基础上，创建了玻尔兹曼机，这是一种能够自动发现数据特征的网络。他运用统计物理学的工具，通过输入可能出现在机器运行时的例子来训练机器。玻尔兹曼机可以用于分类图像或创建与其训练模式类型相似的新例子。

辛顿最大的"科学遗产"是发明了"反向传播"方法，这是当前人工智能领域最广泛使用的训练算法之一。这种方法通过在正向过程中不断反向验证，使AI模型能够更准确地逼近真实世界的数据。

对物理学研究范式的潜在影响

上海交通大学物理与天文学院教授洪亮认为，霍普菲尔德和辛顿的获奖可能将推动物理学研究范式的改变。他指出，物理学家通常采用"从底层往上推"的研究方法，而AI则擅长"自上而下"的大数据驱动方法。这两种方法各有优劣，AI在某些领域（如蛋白质结构预测）已经展现出了超越传统方法的能力。

洪亮认为，物理学家需要改变思维，更大程度地拥抱新的研究范式。正如诺贝尔奖评审委员会所展现的开放态度一样，物理学界也需要更加积极地探索与AI的融合，以应对日益复杂的世界。