2024年诺贝尔物理学奖的揭晓，竟然将荣耀赋予了两位人工智能领域的巨擘——普林斯顿大学的John Hopfield与多伦多大学的Geoffrey Hinton。
获奖理由：“因为他们的奠基性发现与发明，使得基于人工神经网络的机器学习成为可能。”这一消息让物理学家和人工智能研究者们不禁惊呼“啥？”。作为一名长期致力于人工智能与高能核物理交叉研究的科研工作者，笔者同样感到惊讶。
评审逻辑与科学界的认识
诺贝尔物理学奖授予人工智能领域的研究者，这一决定背后的评审逻辑是什么？它反映了科学界对跨学科研究价值的何种认识？
诺贝尔物理学委员会主席艾伦·穆恩斯在昨日的新闻发布会上表示：“这些人工神经网络已经被用来推进物理领域的研究，包括粒子物理、材料科学和天体物理学等各个方向。”从这方面来说，人工智能专家获得诺贝尔物理学奖，部分归功于AI4Physics研究——即人工智能技术对物理学研究的帮助与颠覆。
物理学与人工智能的互惠互利
诺贝尔物理学委员会进一步指出：“他们利用物理学的基本概念和方法，开发了利用网络结构来处理信息的技术。”这些技术引发机器学习在过去20年的爆炸性发展。从这个角度来看，该奖项的一半功劳应归于Physics4AI研究——即物理学的基本原理与方法对人工智能技术发展的促进作用。
获奖者的反应
对于这一意外的荣誉，Hinton教授本人也表达了震惊和不可思议。或许，他未曾预料到诺贝尔物理学委员会对人工智能与物理学交叉研究的重视程度如此之高。
John Hopfield与Geoffrey Hinton的贡献
在John Hopfield和Geoffrey Hinton的研究中，关键的物理学概念被引入到人工智能领域，并对其发展产生了深远影响。他们获奖的工作始于上世纪80年代，那时他们尝试使用计算机模拟人类大脑，让其可以进行模式识别。
John Hopfield 的主要贡献是发明了著名的 Hopfield 网络，这是一种早期的人工神经网络，能够存储和回忆信息。Hopfield 网络的设计灵感来自于人脑的神经元结构，它通过物理学中的能量函数来描述网络状态，使得网络能够在给定输入的情况下，逐步调整至能量最低的稳定状态，从而实现对信息的记忆和恢复。
Geoffrey Hinton 被誉为 “深度学习之父”，他在神经网络和机器学习领域做出了巨大贡献。Hinton 的研究涉及多个方面，包括玻尔兹曼机和深度信念网络等。他与合作者在 1986 年发表了一篇具有里程碑意义的论文《Learning representations by back-propagating errors》，介绍了训练多层神经网络的反向传播算法，这篇论文极大地推动了神经网络的研究和应用。
Geoffrey Hinton 的另一项开创性贡献是玻尔兹曼机的发明，这是一种能够捕捉数据复杂概率分布的神经网络。玻尔兹曼机在图像识别和生成模型领域的应用极为广泛，并且对于后续深度学习模型的发展，包括受限玻尔兹曼机（RBM）和深度玻尔兹曼机（DBM），也即深度信念网络，起到了至关重要的推动作用。
Geoffrey Hinton 荣获本次诺贝尔奖的重要原因之一，在于他在人工智能领域的不懈追求和坚守。早在2006年，他就提出了“深度学习”的概念，采用逐层预训练的方法，部分解决了长期困扰学界的深度网络训练难题。他提出的“深度学习”不仅是一种创新的技术，更是当今人工智能领域蓬勃发展的核心技术和驱动力。
人工智能技术如何改变物理学研究方法
人工智能技术正以其独特的方式重塑物理学的研究范式，引领着一系列科学探索和技术创新的革命。它在物理学的多个分支中发挥着至关重要的作用，催生了众多尖端的跨学科研究。
在粒子物理和高能核物理领域，人工智能技术被用来分析复杂的质子碰撞和核碰撞数据，识别隐藏在数据背后的模式。它不仅助力于喷注的分类、核物质状态方程的确定，还用于解析部分子分布函数和碎裂函数等关键物理量。
在分子动力学模拟领域，人工智能技术通过学习原子或分子间的相互作用势能，显著提升了仿真计算的效率。而在核物理研究中，它尝试通过多体量子波函数的表示，来解决计算中的维数灾难问题。
利用神经网络在表示能力和自动微分方面的强项，物理信息神经网络（PINNs）正在被用于求解物理学中的一系列微分方程，这包括流体力学方程、爱因斯坦场方程以及薛定谔方程等。
人工智能中的生成模型也在加速物理学中的蒙特卡洛采样过程，例如在格点量子色动力学中对夸克场和胶子场构型的采样。在核聚变领域，自动微分和强化学习技术的应用正在优化线圈设计，自动化控制托克马克中的等离子体形状，从而延长核聚变的稳定运行时间，为聚变能源的突破提供了可能。
可以这样认为，物理学的前沿研究就像是在知识的边界上不断刺出的尖刺，而许多最新的突破正是源于人工智能与物理学的交叉融合。这些交叉研究不仅推动了知识的积累，也为技术创新开辟了新的道路。
随着科学研究的不断深入，其复杂性已经达到了单个人类科学家难以全面掌握的地步。在这一背景下，最新的大型语言模型有潜力成为掌握人类所有科学知识前沿的智能体。这种能力对于弥合不同科学领域之间的知识鸿沟、揭示新的自然法则具有重大意义。这些智能体的应用，预示着科学探索方式的一次革命性转变。它们不仅能够整合和分析海量的数据，还能够在不同学科的交叉点上提出新的假设和理论，从而推动科学的进步。
物理原理对人工智能发展的促进作用
人工智能的进步在很大程度上得益于物理学原理的应用。例如，在训练人工神经网络时广泛使用的随机梯度下降算法，与物理学中的势能函数有着惊人的相似性。在保守力场中，势能的负梯度指向力的方向，与加速度成正比。梯度下降算法的早期版本正是模仿了这一物理过程，通过加速度来更新神经网络参数空间中的位置。而随着优化算法的发展，动量机制的引入，类似于牛顿第二定律，利用误差的负梯度来更新速度，使用速度来更新参数位置。
在计算物理学中，变换法采样思想被应用于生成模型，如正则化流模型。通过构建可逆的人工神经网络变换，可以将简单分布的样本变换为符合复杂概率密度分布的样本。同样，物理学中的扩散模型也被引入到人工智能领域，如在Stable Diffusion技术中，通过逐步添加和去除噪声，实现了大量精美图像的生成。
当训练数据展现出对称性特征时，物理学中的群论被巧妙地应用于设计具有旋转等变性或规范等变性的人工神经网络。这种方法在强化学习领域也有应用，因为环境中存在的对称性，群论被用于智能体的决策过程，显著减少训练所需的数据量和神经网络的参数数量。
为了捕捉多费米子系统的基态波函数特性，物理学家们构建了一种特殊的人工神经网络，该网络对输入变量的交换具有反对称性，从而能够更好的描述多体量子系统的行为。
为了更准确地描述高能物理中不同动量碎裂出的强子簇，科学家们还开发了洛伦兹网络。这种网络能够适应洛伦兹变换的要求，从而在处理高速运动的粒子时保持物理规律的一致性。
研究者们甚至开发了一种天然符合物理约束（特别是线性约束）的神经网络。这种网络结构被用来表示磁场，从而天然满足散度为零的物理约束。这种内嵌物理约束的人工神经网络大大减少了需要的训练数据与训练时间。
除此之外，物理学中至关重要的对称性破缺概念近期被发现可能加速神经网络的训练过程。物理学中的对称性是指对一个系统进行某种变换，变换后的系统与变换前的系统存在相似性。许多提升人工神经网络泛化能力的技术已被证实与物理学中的对称性破缺现象密切相关。例如，隐藏层中的神经元具有重排不变性，这可能导致不同的参数组合产生相同的预测结果，从而在参数空间中形成大量对称分布的鞍点或局部极小值点，这为神经网络的训练和泛化带来了显著挑战。在Hopfield网络中，对应于Ising模型的磁场项在原理上打破了自旋全部向上与全部向下的对称性。这种对称性破缺机制在人工神经网络训练的多种技术中得到了体现，如随机丢弃神经元的dropout技术以及大语言模型中使用的位置编码技术。原始的位置编码打破了神经元的重排不变性，而旋转位置编码RoPE技术又打破了输入文本的平移不变性。早期的研究已揭示，将输入图片旋转180°的数据增广方法会降低神经网络的预测准确率，而旋转等变的网络则能以更少的参数实现更高的预测精度，这也是对称性破缺机制的实际应用之一。
物理学是一门从复杂现象中归纳出简单规律，通过理论推导进行预测，并经实验验证的学科。从复杂的大脑神经元网络中提取出最简单的规律——单个神经元的运行方式，并基于此搭建复杂的人工神经网络，研究智能的涌现，本身就是一种从现象到规律，从复杂到简单，再从单体到多体的物理学研究方法。复杂网络本身也是物理学的一个研究领域。这种方法不仅在过去推动了人工智能的发展，而且更多物理研究范式和高阶思维方式在人工智能领域的应用，也预期会推动神经网络设计的革新，增强模型的物理可解释性，并提高其在复杂系统模拟中的准确性和效率。
AI4Physics 与 Physics4AI 的并行发展，呈现出井喷之势，这或许是诺贝尔物理学奖授予人工智能领域领军人物的背后逻辑。这一决策也反映了诺贝尔委员会对未来的预期，即人工智能有望助力我们解决众多当前人类难以攻克的科学难题。这一愿景的实现需要多方共同努力，不仅物理学家们在向交叉研究的前沿迈进，人工智能领域的专家如何凯明，以及开发了AlphaGo的DeepMind团队，也在将重心投向AI4Science领域。
华大物院党委融媒体中心
华大物院团委宣传中心
作 者｜庞龙刚
责 编｜孟晨轩
审 校｜俞云伟
