今年诺贝尔物理学奖，是史上最出人意料的诺奖吗？（组图）

10月8日上午，我提早来到瑞典皇家科学院，准备报道在（瑞典时间）今天上午11:45公布的本年度诺贝尔物理学奖。今年的安检尤其严格，在我来到瑞典之前，科学院对于记者身份的核查就比以往更认真；我进门时的安检程序更是严格，甚至用上了爆炸物检测装置。不过在进门之后，便又是我所熟悉的熙熙攘攘的忙碌气氛了。

距离发布会开始还有大约两个小时，举行发布会的大厅里已经座无虚席，我只能坐在墙角进行准备，一边能听到周围有人在预测今年哪个领域有可能获奖。打开手机，看到世界各地的很多朋友同样在预测，给出的答案各不相同。

在诺贝尔奖的几个科学类奖项中，物理学所涵盖的研究范围最广，分支最多，因此可以说预测诺贝尔物理学奖的难度也最大。有人认为诺贝尔奖会在物理学的几个大分支之间循环授奖。其实如果我们回顾此前的117次颁奖记录以及224获奖者，就会发现其实并没有什么规律可言。

11:45，发布会按时召开。三位诺贝尔委员会的成员到场，话不多说，便开始宣布今年诺贝尔物理学奖的得主。按照惯例先用瑞典语宣布，随后再用英语。我虽不懂瑞典语，不过仍然依稀听到了“machine learning”（机器学习）之类的词语。正当我感到迷惑时，随后的英语宣读和屏幕上的照片证实我的猜测无误：普林斯顿大学的约翰·霍普菲尔德（John J. Hopfield）和多伦多大学的杰弗里·辛顿（Geoffrey E. Hinton）因为“利用人工神经网络进行机器学习方面的基础性发现和发明”而获得了本年度诺贝尔物理学奖。

当地时间2024年10月8日，瑞典斯德哥尔摩，瑞典皇家科学院举行的新闻发布会上，Anders Irbäck教授在宣布2024年诺贝尔物理学奖后，解释了约翰·霍普菲尔德和杰弗里·辛顿的工作。（视觉中国供图）

不得不说，这个结果大大出乎我的预料；我相信，这个结果也大大出乎很多人的预料。近年来人工智能研究风头大盛，因此一直有人议论，诺贝尔奖是否可能授予某位人工智能领域的专家，但仍少有人认为人工智能专家能够获得诺贝尔物理学奖——毕竟在大多数人心目中，这个奖项是关于探索时间和空间的本质，原子和电子的奥秘。就在前一天的诺贝尔生理学或医学奖发布会上，还有人猜测解析了大量蛋白质结构的人工智能程序“AlphaFold”的发明人有没有可能获奖，哪想到隔天在物理学奖有了回音。

这两位获奖者，霍普菲尔德教授对我来说相对陌生，而辛顿教授则是大名鼎鼎。作为探索人工神经网络的先驱，多年来辛顿教授潜心研究，最终使其在机器学习领域一枝独秀。辛顿与约书亚·本吉奥（Yoshua Bengio）和杨立坤（Yann LeCun）并称为深度学习三巨头。这三巨头又同时获得了2018年的图灵奖，使他们的声誉到达顶峰。

如今，辛顿教授又与霍普菲尔德教授同获诺贝尔物理学奖。我想要了解他们获奖的物理学理由。在接受采访时，诺贝尔物理学委员会主席艾伦·蒙斯（Ellen Moons）教授说到，“其实这两位获奖者与物理学的关系并没有看上去那么远。首先，霍普菲尔德教授是一位物理学家（约翰·霍普菲尔德于1958年在康奈尔大学获得物理学博士学位，他目前在普林斯顿大学任分子生物学教授），而且他在物理学的多个领域都进行过研究工作，比如材料物理学，生物物理学等等。他进行分子生物学研究，正是因为他对于大脑的工作原理非常感兴趣，这也触发了他的灵感，让他在20世纪80年代尝试建造人工神经网络。当时的计算机还不像现在这样功能强大，因此他只能建造一个有30个节点的网络，这已经是当时计算机能力的极限。

《我，机器人》剧照

不仅如此，霍普菲尔德教授的工作也是源于物理学原理。比如说他的研究源于自旋玻璃（spin galss）——其中原子的自旋作用相互影响，从而呈现出一种整体的效应——同样的物理学模型和能量公式都可以被用于人工神经网络。其中两个节点之间的相互作用，之间的作用强度等等，与自旋玻璃的物理学原理是相同的。

至于辛顿教授，他则使用统计物理学手段进行研究。所以说这两个人最初具有开创性的工作都和物理学有很强的联系。辛顿利用霍普菲尔德的网络模型作为研究基础，之后使用统计物理学工具对其进行了发展，利用玻尔兹曼分布和玻尔兹曼公式来描述网络的状态。他发展出一种网络，不仅具有可见节点（visible nodes），还有隐形节点（hidden nodes）。这使网络的内部连接更加紧密，可以产生出与输入数据的分布方式类似的新数据，并且得出更令人满意的结果。

最开始，辛顿和同事一同开发出了玻尔兹曼机（Boltzmann machine），这是一种内部的可见节点和隐形节点相互连接的网络，但这形成了一种过分复杂的结构，需要进行过多的处理。因此辛顿进一步开发出“受限玻尔兹曼机”（restricted Boltzmann machine, RBM）。在其中可见节点并不相互连接，所有可见节点都与隐形节点相连，而所有隐形节点也都与可见节点相连。这样网络内部的连接被简化，效率也增强了。这种受限玻尔兹曼机正是现在模式识别技术的基础。”

图源：诺贝尔奖官网

除了这两人研究的物理学基础之外，他们研究成果的应用领域同样值得重视。近几年来随着机器学习研究突飞猛进，很多人工智能工具都已经成为了人们日常生活的帮手。除此之外，人工神经网络早已成为科学研究的一个重要工具。蒙斯教授介绍，“科学家们早就开始利用人工神经网络来处理大量的数据，从中寻找相关信息。比如在粒子物理学研究中，科学家们需要处理各种各样的粒子对撞数据，但是只有其中的一部分与科学家们所寻找的新粒子有关；在天文学研究中，天文学家利用人工神经网络过滤干扰信号，获得关于黑洞的探测数据；在医学成像领域，比如在进行核磁共振检测时，有些人可能难以长时间保持静止状态，在检测数据中会出现很多的干扰信号，我们可以利用人工神经网络过滤掉这些干扰信号，得到清晰的图像；在材料学研究中，研究者可以将所需的性能输入人工神经网络，让它去寻找具有这些性能的材料……”

虽然今年的诺贝尔物理学奖出乎很多人的预料，不过如果我们回顾这个奖项的历史，会发现它在不断拓宽自身的边界。2019年，发现了第一颗系外行星的天文学家迪迪埃·奎洛兹（Didier Queloz）获奖，开创了诺贝尔物理学奖的一个新领域；2020年，数学家罗杰·彭罗斯获奖，也曾有人呼吁彭罗斯的研究不属于物理学……

诺贝尔奖得主之一辛顿教授（图源：CBC新闻）

另一方面，从诺贝尔的遗嘱来看，诺贝尔物理学奖授予在物理学领域做出重大发现或发明的人。今年这两位获奖者的研究作为机器学习工具的基础，对人类社会的各个方面都做出了巨大贡献，获得诺贝尔奖也算得上是实至名归。