从诺贝尔物理学奖，看交叉学科发展

于10月8日公布的2024诺贝尔物理学奖结果出乎世人意料，来自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）获奖，以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。

要知道，这两位学者获奖的发现并非属于传统的物理学范畴，而是AI。这一获奖结果与此前的预测的“凝聚态”“量子物理”等方向相去甚远。他们获得物理诺奖的原因在于：使用物理学的方法寻找信息，为机器学习构建了基础的方法。

诺贝尔物理学委员会主席艾伦·蒙斯（Ellen Moons）在瑞典皇家科学院举行的新闻发布会接受记者采访时表示：「其实这两位获奖者与物理学的关系并没有看上去那么远。霍普菲尔德教授的工作源于物理学原理，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，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。

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。」

此外，诺贝尔奖委员会也在一份公开声明中称：「尽管机器无法思考，但现在，机器已经可以模仿人的记忆并具备学习等功能。今年的物理学奖得主为实现这一目标作出了巨大贡献。」

01

以物理学构建人工神经网络

Hopfiled Neural Network

图源：普林斯顿大学官网

得主之一的约翰·霍普菲尔德于1933年7月15日出生在美国芝加哥，1954年获得宾夕法尼亚州斯沃斯莫尔学院物理学学士学位，1958年在康奈尔大学获得博士学位。求学期间，他的研究聚焦于物理化学和凝聚态领域研究；毕业后，他在贝尔实验室担任了两年技术人员，在此期间，他对分子生物学产生了浓厚兴趣，与罗伯特·格尔森·舒尔曼（Robert Gerson Shulman）共同建立了描述血红蛋白协同行为的定量模型；此后，他又在巴黎高等师范学院工作了一年，然后加入伯克利任教。

1964年，霍普菲尔德来到普林斯顿大学，成为物理系的教师。在教学研究中，霍普菲尔德的研究兴趣突破了传统的物理学领域，他急切地想要使用计算机来模拟神经系统，这促使他在1980年加入了加州理工学院，在这里，他能得到的硬件支持远甚于当时的普林斯顿大学。直至1997年，他又回到普林斯顿大学，担任分子生物学教授，直至2008年转为名誉教授。

霍普菲尔德在加州理工学院创建并主持了第一个计算机和神经系统项目，他将物理学概念引入人工神经网络领域，特别是自旋玻璃模型，将动态吸引子这一物理概念与人类记忆联系起来，提出了霍普菲尔德神经网络（Hopfiled neural network）。这一网络模型的建立基于物理学的自旋系统，是一种能存储和重建信息的联想记忆模型，这一模型使得神经网络可以通过不完整的输入进行自我修正，重建出原始模式。

简单地说，就像听一首歌可以唤起对老朋友的回忆一样，霍普菲尔德的神经网络允许机器存储简单的记忆，并且像人脑一样，仅凭部分信息就能回忆起它们。

这一创举是神经网络发展早期的重大突破，也是所有现代人工智能的基础元素之一。

02

用统计物理学思想为深度学习奠基

Boltzmann Machine

图源：Toronto Life官网

另一位诺贝尔物理学奖得主杰弗里·辛顿是一位英国裔加拿大计算机科学家、认知科学家、认知心理学家，因其在人工神经网络方面的工作获得了“人工智能教父”的称号。在剑桥大学国王学院取得实验心理学文学学士学位后，他继续在爱丁堡大学深造，取得了人工智能博士学位。在此期间，他曾就“如何让机器以人类处理信息的方式进行学习”展开过探索。

在卡内基梅隆大学工作时，与同事特伦斯·塞金诺斯基（Terrence Sejnowski）一起，从霍普菲尔德神经网络出发，结合统计物理学的思想，扩展并构建了新的模型网络，即玻尔兹曼机。

在霍普菲尔德神经网络模型中，每一个神经节点之间互相连接，信息可以从任何一个节点输入或读取。而在玻尔兹曼机中，神经网络架构包含两层节点：可见层由负责接收输入数据的可见节点构成，而隐藏层则由试图捕捉输入数据中潜在模式的隐藏节点组成。面对新输入，玻尔兹曼机起初可能以与任何已学模式不完全吻合的配置启动处理，并在此过程中不断更新节点状态。每次更新旨在降低系统整体能量，通过逐步迭代，系统最终会达到一个低能量状态，这代表了一个与储存模式密切一致的配置。

简而言之，玻尔兹曼机依据能量最小化原则，通过从高能量状态向低能量状态的迭代转变，高效地学习并识别复杂模式，这一机制类似于人类的认知过程，在运行结束时，它能创造出一个新模式。这使得玻尔兹曼机成为生成模型的早期范例，推动了当前机器学习的爆炸式发展。

这一成果启发了许多科学家开始探索神经网络，此前，大多数学者都认为神经网络是科学的死胡同。

在玻尔兹曼机之后，辛顿继续在这一领域深耕，2006年，他与同事Simon Osindero、Yee Whye Teh和Ruslan Salakhutdinov开发了一种使用一系列逐层叠加的玻尔兹曼机对网络进行预训练的方法——深度信念网络（Deep belief nets），为网络中的连接提供了更好的起点。

霍普菲尔德和辛顿这两位学者的研究成果为自2010年开启的机器学习革命奠定了坚实基础。现在的人工智能之所以能够快速提取、处理海量的互联网数据，能够自行观察、记忆和学习，都是源于庞大的人工神经网络，这些网络又被称之为深度神经网络，它们训练的方法即“深度学习”。

03

诺贝尔物理学奖的争议缘何？

Different Views

自从今年的诺贝尔物理学奖结果揭晓以来，争议之声不绝于耳。争议的焦点在于人工智能是否属于物理学的范畴，以及该奖项是否应该颁发给非传统物理学领域的研究者。

许多物理学界人士对获奖者的工作表示难以理解，质疑这些奖项是否真正属于物理学领域。他们认为，尽管霍普菲尔德和辛顿的研究对机器学习有重要贡献，但其研究方法和目标与传统物理学家的实验和理论工作有所不同。这种跨界的认可挑战了物理学界对奖项的期待和定位，也引发了关于诺贝尔物理学奖是否偏离了基础研究轨道的质疑。

然而，也有物理学家对这一决定表示支持，认为人工智能技术在物理学研究中的应用越来越广泛，物理学与人工智能之间的界限正在变得模糊。这一争议反映了科学界对于跨学科研究和奖项评选标准的不同看法。

但不可否认的是，在两位学者的研究中，物理作为一门基础学科为后续的研究筑起了技术支撑与灵感来源。霍普菲尔德利用物理学中的自旋系统特性，开发了一种联想记忆网络，能够存储和重建信息，这一技术为数据去噪和丢失数据重构提供了有力工具；辛顿则基于霍普菲尔德的工作，创建了玻尔兹曼机，通过优化能量函数来学习数据的概率分布，这一模型在图像分类和生成新模式方面发挥了重要作用。

这些工作不仅推动了人工智能的发展，还展示了物理学原理在复杂系统研究和算法优化中的强大应用。两位得主的研究表明，物理学的基本原理和方法在解决非传统物理学问题时同样具有深远影响。

与此同时，他们的工作又对物理学产生了深远影响。正如诺贝尔物理学委员会秘书乌尔夫·丹尼尔松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，在他们研究的基础上形成的人工神经网络在物理学中也得到了广泛应用，例如利用人工神经网络开发具有特定属性的新材料等。

诺贝尔物理学奖授予两位在人工智能领域深耕的科学家，不仅是对他们成功将物理学原理与人工神经网络深度融合的表彰，还蕴含着两层深刻寓意：

首先，这彰显了物理规律不仅支配着自然界，也可能在数字世界，包括计算机模型和虚拟环境中发挥着类似的制约作用；

其次，这一奖项凸显了人工智能与物理学等基础科学之间不可分割的联系，基础科学不仅为AI构建了坚实的基础，其理论发现也为AI研究开辟了新思路和灵感源泉。

04

厘清争议背后折射出的趋势与重点

Trends and Priorities

近年来，诺贝尔奖项的授予范围不断拓宽，展现了世人对科学领域的广泛探索与深刻变革。2019年，天文学家迪迪埃·奎洛兹因发现第一颗系外行星而荣获诺贝尔物理学奖，这一成就不仅标志着人类对宇宙认知的突破性进展，也开创了物理学奖项的新领域——天体物理学的研究成就开始受到更为广泛的认可。紧随其后，2020年数学家罗杰·彭罗斯的获奖，尽管一度引发关于其研究是否属于物理学范畴的争议，却进一步推动了跨学科界限的模糊与融合。

然而，关于诺奖的争议不应仅仅局限于得奖者个人成就的合理性讨论，更应被视为推动学科发展、促进知识融合的契机。它们促使我们深入思考：在日新月异的科学探索中，如何界定学科的边界？如何更好地促进不同领域间的交流与合作？今年诺贝尔物理学奖的颁发，也是对未来研究方向的一种启示，提醒我们保持开放的心态，拥抱学科间的相互渗透与融合，共同推动人类知识的不断前行。

回顾百余年来的诺贝尔奖，超半数的获奖者都拥有交叉学科背景。交叉学科正站在当今科学研究的浪尖之上，成为引领创新的前沿阵地。据统计数据显示，在浩瀚的近万个独立学科领域中，约有半数已涉足交叉学科的领域。具体而言，在大约5550门发展较为成熟的学科中，交叉学科的数量高达2600门，占据了全部学科总数的46.8%，这一比例彰显了交叉学科蓬勃发展的强劲势头与无限潜能。

时下，众多热门研究领域均深植交叉学科的印记，如基因组学与蛋白质组学的深度交织、神经系统科学的跨学科探索，以及微阵列技术的跨界应用等。不仅如此，众多具有里程碑意义的科研成果也都是源自跨学科团队的合作，诸如人类基因组测序的壮举、绿色革命的农业革新，以及载人空间飞行的科技飞跃等。这些实例无不证明，前沿学科在交叉融合的土壤中焕发出新的生机与活力。

05

结语

Epilogue

随着科技的飞速发展和全球化进程的加速，解决复杂问题愈发需要跨越传统学科界限的知识与方法。企业、科研机构及政府部门纷纷寻求具备多学科背景和创新能力的复合型人才，以应对快速变化的市场环境和全球挑战，未来社会对交叉学科人才的需求日益增长。

因此，接受学科融合教育、培养跨学科视野、锻造学科交叉研究素养，已成为培养未来杰出人才的题中应有之义。

参考文献

[1] https://mp.weixin.qq.com/s/V8AlgkSkOXJ_lse1yHa5JQ

[2] https://mp.weixin.qq.com/s/iUKd4TRWxaUmpGSNnKdKbg

[3] https://mp.weixin.qq.com/s/oUp0CCrWzPS7uaOkmkuXiQ

[4] https://mp.weixin.qq.com/s/QCIHWAh_rS39LFZxzo1Wcg

[5] https://mp.weixin.qq.com/s/25b33rUTvM-S2SSTNfw9rA

[6]https://baijiahao.baidu.com/s?id=1813037630799183477&wfr=spider&for=pc

【点击进入京领国际学校大数据平台，

为孩子选择美好人生】

本文为京领原创出品

未经授权，请勿转载

电话：010-82362348

微信：Kinglead008

京领家长圈

京领 KingLead