这一结果多少有些出乎意料。但仔细思索，又在情理之中。

一个以传统物理学家为中心的奖项，授予了两位人工智能的研究先驱，恰逢人工智能取得大突破的时期。

这不仅意味着诺贝尔奖官方对当前科学前沿领域的紧密关注，也预示着AI的发展正从关键的突破期进入对社会具有更广泛影响的新阶段，它不能不被传统社会的目光所注意，也必将被大众所接纳。

02

物理学一词在西方，几乎与科学一词含义相同。

顾名思义，它是指人类对客观世界即一切可观察、可感觉、可触碰的事物的研究，意在搞清研究对象的成分、性质，与其它事物的关系等等。

它的研究方法几乎可以说是实验的、归纳的，但同时也包含了抽象的、演绎的成分，需要研究者具备深厚的专业基础知识，广播的观察视野和具有创造性发现的想象能力。

总体上，无论什么研究方向，物理学需要一个研究对象，并对这个对象身上发生的事情原委有探求到底的欲望。它在最开始往往出于对知识本身的好奇，而不具有明确的实用目的。

因此从科学研究取得发现，到这一发现与理论真正影响人类生活通常需要一段时间，即将理论成果转化为实践应用的过程。

这就是西方教育注重基础科研，不盲目追求短期成果的原因所在，但其实也是科学发展的历史现象的不断累积造成的结果。而今年的两位诺贝尔物理学奖得主，也十分恰当地诠释了这一过程的不可避免性。

03

今年的获奖者从 1980 年代开始就「人工神经网络」进行了重要的工作。他们的工作在不断地叠加和相互影响近40年之后，人工智能取得了历史性的突破。

实际上，人工神经网络的机器学习起源于1940年代，它的发展远没有结束。

科研是漫长的求索过程，不同范畴的科学发展是一个历史过程，笼罩在科学整体的进程和秩序中，AI也不例外。

04

人工智能从字面上即可理解为一种特殊的、针对人类大脑思考活动的「仿生学」。

它的模仿对象是人类大脑结构，工作目标是建立可以进行思考的「人工神经网络」系统。在这个系统中，大脑的神经元由具有不同值的节点代替。这些节点通过类似大脑树突的连接相互影响，并且可以变得更强或更弱。

人类大脑的神经元具有感受刺激、整合信息和传导冲动的能力。神经元感知环境的变化后，再将信息传递给其他的神经元，并指令集体做出反应。神经元占了神经系统约一半，其他大部分由神经胶质细胞所构成。

据估计，人脑中约有850-1200亿个神经元，神经胶质细胞的数目则更是其10倍之多。也就是说，一个人只要在有意识地思考和行动，每分每秒都是神经元在上上下下地发挥作用。

当我们问一个人「今天天气如何」时，他收到这个信息，首先需要理解这句话的意思，其次要能够把身体器官感觉到的温度湿度等信息转换为语言「说出来」，这个过程看似简单，实则是神经系统的一次复杂的工作，涉及到大脑中存储的历史信息（经验），对这些信息的辨认、处理和准确表述。

在人工神经网络中，也要设置无数的节点，那么如何让这些节点之间发生有效的关联，从技术上是极其复杂和具有难度的。

05

首先是今年获奖的约翰·霍普菲尔德（John J. Hopfield）发明了一个网络，它使用一种方法来保存和重新创建模式。

我们可以将节点想象成像素。Hopfield 网络利用物理学来描述材料的原子自旋特性，这种特性使每个原子都成为微小的磁铁。

整个网络的描述方式相当于物理学中自旋系统中的能量，并通过查找节点之间的连接值进行训练，以便保存的图像具有低能量。

当 Hopfield 网络收到失真或不完整的图像时，它会有条不紊地通过节点并更新它们的值，以便网络的能量下降。因此，网络逐步工作以找到与它所馈送的不完美图像最相似的已保存图像。

随后是另一位获奖者杰弗里·辛顿（Geoffrey Hinton） 使用 Hopfield 网络作为使用不同方法的新网络的基础：玻尔兹曼机。这可以学习识别给定数据类型中的特征元素。

杰弗里·辛顿（Geoffrey Hinton）使用了统计物理学中的工具，统计物理学是由许多类似组件构建的系统科学。通过向机器提供机器运行时极有可能出现的示例来训练机器。

玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型的新示例。杰弗里·辛顿（Geoffrey Hinton）以这项工作为基础，帮助启动了当前人工智能（机器学习）的爆炸性发展。

杰弗里·辛顿（Geoffrey Hinton）因其创造性的贡献，很快被誉为全球公认的「人工智能教父」，成为人工神经网络和深度学习领域的先驱之一。

他的研究团队在2012年设计了卷积神经网络AlexNet，在ImageNet挑战赛上成功，彻底改变了计算机视觉领域。

作为人工智能领域的奠基人，杰弗里·辛顿（Geoffrey Hinton）不仅提出了许多重要理论，还培养了许多顶尖学生，如OpenAI前首席科学家Ilya Sutskever等人。大模型及生成式AI的技术底座也是来自于他。

06

无论这些基础科学的研究多么复杂和深入，作为看客的观众总是关注来到眼前的「产品」，感到惊奇之余，不愿深挖理解其背后的发展轨迹和生成原理。

对这些复杂的专业术语我也不太清晰，从种种新闻和文章的描述来看，简单讲，John Hopfield 创建了一个联想内存，它可以存储和重建数据中的图像和其他类型的模式。

Geoffrey Hinton 发明了一种方法，可以自主查找数据中的属性，从而执行诸如识别图片中的特定元素等任务。这些方法为当今强大的机器学习奠定了基础。

当人工神经网络获得简单指令后，能够辨认这些指令，并做出有效反应，离不开两位获奖者的工作。

07

过去的物理学关注的是探索物理世界的基本规律，如实体物质、宇宙、粒子、能量等。

然而，今年的物理学诺贝尔奖表明，物理学的边界正在被人工智能所拓展。物理学家已经将人工智能视为物理学的一部分。

可以这么说，传统物理是发现宇宙的规律，而人工智能则定义了一个新的「数字宇宙」。

机器学习模型中的数学结构、优化问题，甚至量子计算中的机器学习应用，都与物理学中的许多核心概念息息相关。

机器学习，尤其是通过人工神经网络实现的自我学习与优化，与传统的物理学概念之间产生了联系。

霍普•菲尔德（John Hopfield）的神经网络模型依靠能量最小化原理来处理记忆和联想，直接借用了统计物理中的概念。

物理科学家们不再仅仅局限于研究连通性的规律，而是通过人工智能为我们创造了一个新的「宇宙」——一个由算法和数据驱动的虚拟世界。

这次诺贝尔奖的选择，无疑让我们看到了物理学的未来。

08

那么今年的获奖情况是诺贝尔物理学奖蹭了人工智能的热度，还是人工智能沾了物理学的光？

抑或者像《三体》小说中预示的那样，「物理学不存在了」？

其实，这个结果既不是巧合，也不是物理学界为了跟上时代的发展而蹭热度。

实际情况是，我们正在进入一个交叉学科爆发的时代。

人工智能本身是计算机科学、物理学、数学等多学科交汇的产物，它不仅影响着数据分析、工程设计，还深刻改变了生物学、天文学，甚至传统研究物理学的方式。

人们发现，通过机器学习的方式，可以更高效地处理大量复杂的数据，发现新的物理规律或材料特性，这种技术的应用超越了以往的物理方法，成为推动科学进步的关键力量。

未来，更多的交叉学科将会逐渐兴起。

诺贝尔奖的选择不仅仅是对已有成果的认可，也在引领科学发展的未来方向。

最后，我忍不住想提醒一嘴：知道将来孩子们的志愿怎么报了吧？