昨天的諾貝爾物理學獎一公布，瞬間炸翻了物理圈和AI圈。

Hinton的第一反應更是有趣：這不會是個詐騙電話吧？

圖片

如此出乎意料的結果，讓各路針對諾獎物理學獎的嚴肅預測，都仿佛成了笑話。

而諾貝爾獎的官方賬號，也被網友們給沖爆了。

他們紛紛高呼：這不是物理學！

圖片

圖片

「數據科學或神經網絡是『用于』物理學，但絕對不『是』物理學?！?/span>

圖片

相比之下，AI圈則是一片其樂融融的景象。大佬們都開心地給Hinton送去了祝福。

圖片

圖片

圖片

圖片

AI教母李飛飛：AI的深遠影響，如今才剛剛開始

MIT博士生Ziming Liu直言：「Physics (Science) for AI」是一個被嚴重低估的領域。規?；梢詫崿F一對多的效果，但唯有科學才能帶來從無到有的突破。

圖片

Jim Fan則做了一個非常有趣的「AI-物理學對照表」：

想沖擊諾獎的AI學者們，你們學會了嗎

言歸正傳，諾貝爾物理學獎，為何要頒給AI學者？

這就要從深度學習爆發的那一年講起。

Geoffrey Hinton：2012年，深度學習的驚人革命

早在1986年，Geoffrey Hinton等人在Nature上發表的論文，就讓訓練多層神經網絡的「反向傳播算法」廣為人知。

圖片

當時我們很多人都相信這一定是人工智能的未來。我們成功地證明了我們一直相信的東西是正確的。

可以說，神經網絡在經歷第一波寒冬之后，自此開始重新走向AI舞臺。

1989年，LeCun率先使用了反向傳播和卷積神經網絡。他也同意Hinton的看法。

我毫不懷疑，最終我們在上世紀80-90年代開發的技術將被采用。

早期的圖靈三巨頭

不過，反向傳播算法引發的熱潮，隨后又在1995年被統計機器學習蓋過去了。

統計機器學習的風頭興盛了很多年，即使2006年Hinton在Science上首次提出「深度學習」，業內也響應寥寥。

圖片

直到2012年9月，一篇題為「用深度卷積神經網絡進行ImageNet圖像分類」的論文，讓此前沉寂多年的AI領域熱度驟起。

圖片

文中提出的AlexNet深度卷積神經網絡，在當年的ImageNet比賽上以碾壓之勢奪冠，一舉將top-5錯誤率降低到了15.3%，比身后的第二名（26.2%）足足高出10多個百分點。

ImageNet數據集，正是由斯坦福李飛飛團隊在2007年創建。

圖片

AlexNet摧枯拉朽般的大勝，讓研究人員驚嘆于大型卷積深度神經網絡架構的神奇威力，這篇論文也成為深度學習和人工智能自「AI寒冬」后重新成為熱門領域的重要里程碑。

后來人們所講的「深度學習革命」，也借此文以發端，直到十二年后的今天。

事后李飛飛這樣回顧：自2012年以來，深度學習的發展堪稱「一場驚人的革命，令人做夢都沒想到」。

自此，人們開始相信：大數據、算力、深度模型，是走向通用人工智能的關鍵三要素。

而深度模型也從最早的卷積神經網絡，迭代為遞歸神經網絡、Transformer、擴散模型，直至今天的預訓練生成式轉換器（GPT）。

從生理學、哲學到AI：大腦究竟如何思考

在年輕時，為了弄清楚人類的大腦如何工作，Hinton首先來到劍橋學習生理學，而后又轉向哲學，但最終也沒有得到想要的答案。

圖片

于是，Hinton去了愛丁堡，開始研究AI，通過模擬事物的運行，來測試理論。

「在我看來，必須有一種大腦學習的方式，顯然不是通過將各種事物編程到大腦中，然后使用邏輯推理。我們必須弄清楚大腦如何學會修改神經網絡中的連接，以便它可以做復雜的事情。」

「我總是受到關于大腦工作原理的啟發：有一堆神經元，它們執行相對簡單的操作，它們是非線性的，它們收集輸入，進行加權，然后根據加權輸入給出輸出。問題是，如何改變這些權重以使整個事情做得很好？」

某個周日，Hinton坐在辦公室，突然有人敲門。AI命運的齒輪從此轉動。

敲門的正是Ilya。

圖片

當年青澀的Ilya

Hinton給了Ilya一篇關于反向傳播的論文，約定兩人一周后討論。

圖片

Ilya：I didn't understand it.

Hinton：這不就是鏈式法則嗎？

Ilya：不是，我不明白你為啥不用個更好的優化器來處理梯度？

——Hinton的眼睛亮了一下，這是他們花了好幾年時間在思考的問題。

圖片

Ilya很早就有一種直覺：只要把神經網絡模型做大一點，就會得到更好的效果。Hinton認為這是一種逃避，必須有新的想法或者算法才行。

但事實證明，Ilya是對的。

新的想法確實重要，比如像Transformer這樣的新架構。但實際上，當今AI的發展主要源于數據的規模和計算的規模。

2011年，Hinton帶領Ilya和另一名研究生James Martins，發表了一篇字符級預測的論文。他們使用維基百科訓練模型，嘗試預測下一個HTML字符。

模型首次采用了嵌入（embedding）和反向傳播，將每個符號轉換為嵌入，然后讓嵌入相互作用以預測下一個符號的嵌入，并通過反向傳播來學習數據的三元組。

當時的人們不相信模型能夠理解任何東西，但實驗結果令人震驚，模型仿佛已經學會了思考——所有信息都被壓縮到了模型權重中。

圖片

AI如何「蹭」上物理學

講到這里，你可能有一個疑問：這些跟物理學有什么關系呢？

諾獎委員會的解釋是，人工神經網絡是用物理學工具訓練的。

圖片

Geoffrey Hinton曾以Hopfield網絡為基礎，創建了一個使用不同方法的新網絡：玻爾茲曼機。在這個過程中，Hinton使用的是統計物理學的工具，來學習和識別數據中的模式。

就這樣，AI跟物理學強行聯系上了。

如果講到此次另一位獲獎者John Hopfield，倒是和物理學的關系更緊密一些。

一言以蔽之，Hopfield網絡是按物理學上能量函數最小化來構建的，可以看作是物理學中「自旋玻璃模型」的擴展。

Hopfield網絡利用了材料由于其原子自旋而具有特性的物理學——這種特性使每個原子成為一個微小的磁鐵。整個網絡的描述方式等同于物理學中發現的自旋系統中的能量，并通過找到節點之間連接的值來訓練，使保存的圖像具有低能量。

圖片

另外，Hopfield Network和玻爾茲曼機都是基于能量的模型。

統計力學原理，便是這兩者的核心。它們都使用來自統計力學的能量函數，來建模和解決與模式識別和數據分類相關的問題。

在前者當中，能量函數被用來尋找與所存儲的模式相對應的最穩定狀態。后者中，能量函數通過調整節點之間連接的權重來幫助學習數據的分布。

至此，諾獎委員會就自圓其說了。

John Hopfield：一個想法，波及三大學科

20世紀80年代初，John Hopfield在加州理工學院創建了一個簡單的計算機模型——Hopfield Network。

其行為方式不太像當時的計算機，而更像人腦。

這是因為，Hopfield Network模仿了人腦儲存信息的結構。它由相互連接的節點組成，正如人腦中的神經元一樣。

節點中的連接強度具有可塑性，可強可弱，而強連接進而形成了我們所說的「記憶」。

Hopfield學生，現Caltech計算機科學、計算與神經系統以及生物工程教授Erik Winfree解釋道：

Hopfield Network是物理學中「自旋玻璃模型」（the spin glass model）的擴展。自旋玻璃有兩種磁化狀態，可以稱之為它的「記憶」。

圖片

Hopfield擴展了這一模型，讓其有了更復雜的連接模式。

簡言之，他使用一個簡單的規則，讓每對單元（每個節點）之間有不同的連接強度，而不再局限于兩種狀態。

他的工作證明了，這種網絡可以儲存多種復雜的模式（記憶），而且比之前的方法更接近大腦運作方式。

Hopfield以一種跨學科的視角闡述這個模型，解釋了人工神經網絡與物理學之間的聯系。

復旦大學計算機科學教授張軍平認為，Hopfield Network與物理學領域的關聯是，它的設計思路模擬了電路結構。

「假設網絡每個單元均由運算放大器和電容電阻組成，而每個單元就代表著一個神經元」。

在普林斯頓大學新聞發布會上，Hopfield表達了同樣的觀點。他認為，長遠來看，新科學領域通常產生于，大量科學知識的交叉點上。

你必須愿意在這些「縫隙」中工作，找出你的知識局限性，以及讓這些學科更豐富、更深入、更好被理解而采取的行動。

圖片

來自MIT-IBM實驗室物理學家Dmitry Krotov分享了，Hopfield Network一個想法至少對三大學科產生了巨大的影響。

它們分別是，統計物理學、計算機科學和人工智能、神經科學。

圖片

2023年，他曾發表了一篇Nature論文，對Hopfield Network在統計物理、神經科學和機器學習等多個學科中，進行了分析。

圖片

論文地址：https://www.nature.com/articles/s42254-023-00595-y

Krotov本人也與Hopfield合作過多篇研究，因此他對Hopfield Network工作的了解再熟悉不過了。

圖片

統計物理學

在統計物理學中，Hopfield Model成為最常被研究的哈密頓量（Hamiltonian）之一。哈密頓量在物理學中，描述了系統的總能量，是理解系統行為的關鍵。

這一模型已經催生了數以萬計的論文、幾本書籍。它為數百名物理學家進入神經科學和人工智能，提供了切入點。

就連諾貝爾獎官方給出了解釋，機器學習模型，是基于物理方程式。

圖片

計算機科學和AI

在計算機科學中，Hopfield Network終結了AI寒冬（1974-1981），以及人工神經網絡的復興。

Hopfield在1982年發表的論文，標志著現代神經網絡的開始。

圖片

論文地址：https://www.pnas.org/doi/10.1073/pnas.79.8.2554

就連如今的頂會NeurIPS，起源可以追溯到1984-1986年在加州理工學院舉行的被稱為「Hopfests」的會議。

這個名字直接致敬了Hopfield，彰顯了他的早期工作在神經網絡研究中的核心地位。

John Moody在1991年的NeurIPS論文集中記錄了這段歷史。

圖片

另外，Hopfield Network成為限制玻爾茲曼機（Restricted Boltzmann Machine）發展的主要靈感來源。RBM在早期深度學習中，發揮著重要的作用。

還有基于能量的模型（Energy Based Model），代表著人工智能領域中一個重要的范式。

它也是從Hopfield基于能量和記憶的模型發展而來。

神經科學

在神經科學領域，Hopfield Network成為后來許多計算記憶模型的基礎。

它將記憶回憶概念化，即能量景觀中滾下山坡的想法，已成為神經科學中的經典隱喻。

圖片

這次「諾獎風波」后，許多人也對如今的學科分類有了全新的思考。

不可否認的是，AI已經融入了全學科、全領域。

而這次諾貝爾物理學獎頒給AI，也是AI大爆發對于人類社會顛覆影響的一個真實寫照。

參考資料：

https://x.com/Caltech/status/1843764971022495942

https://x.com/DimaKrotov/status/1843682498825564463

https://cacm.acm.org/opinion/between-the-booms-ai-in-winter/

https://x.com/DrJimFan/status/1843681423443800315