諾貝爾物理學獎：兩位跨界“玩家”，探索機器學習

當地時間10月8日，2024年諾貝爾物理學獎公布，來自美國普林斯頓大學教授約翰·霍普菲爾德（John·J·Hopfield）和加拿大倫多大學教授杰弗里·辛頓（Geoffrey·E·Hinton）榮獲該獎項。

諾貝爾獎委員會描述他們獲獎的理由是，“以表彰他們利用人工神經網絡進行機器學習的奠基性發現和發明”。人工神經網絡是指一種模仿生物神經網絡的結構和功能，并套用到數學模型或計算模型中。而機器學習包括了對大量數據的分類和分析。

此次摘得科學界桂冠的兩位研究人員，有一個共同點——玩跨界。

他們成功將物理學上的觀念應用在神經科學、遺傳學等許多重要生物學問題上，使用物理學工具構建了有助于為當今強大的機器學習奠定基礎的方法。以他們的研究成果為加速器，基于人工神經網絡的機器學習目前正在徹底改變科學、工程和日常生活，對人類世界影響深遠。

霍普菲爾德：尋找“那個值得解決的問題”

91歲的約翰·霍普菲爾德，于1933年在美國芝加哥出生，是家里的第六個孩子。由于雙親都是物理學家，約翰·霍普菲爾德從小對物理學的認識便與眾不同。他曾對媒體回憶道，“我從小就習慣把所有東西拆解開，觀察它們如何運作。電視機、收音機，甚至我的自行車與模型飛機，都被我拆解過；那些被拆開的東西，如果沒辦法靠自己組裝回去，父親最后還會細心地把它們組裝回原本的樣子。”

在霍普菲爾德的人生旅途中，并沒有停留在物理世界，他還不斷地向外尋找“那個值得解決的問題”，先后跨足分子生物學，以及當時新興的神經科學及人工智能（AI）研究，并在各個領域都有不容忽視的發現或研究成果，例如他對血紅蛋白的別構調控、tRNA參與蛋白質合成的校正機制等的研究

在1982年，霍普菲爾德提出了Hopfield神經網絡（Hopfield neural network），這是一種結合存儲系統和二元系統的神經網絡，它保證了向局部極小的收斂，但收斂到錯誤的局部極小值（local minimum），而非全局極小（global minimum）的情況也可能發生。

Hopfield神經網絡也提供了模擬人類記憶的模型。它是一種遞歸神經網絡，從輸出到輸入均有反饋連接，每一個神經元跟所有其他神經元相互連接，又稱為全互聯網絡。如其輸出端會反饋到其輸入端，在輸入的激勵下，其輸出會產生不斷的狀態變化，這個反饋過程會一直反復進行。假如Hopfield神經網絡是一個收斂的穩定網絡，則這個反饋與迭代的計算過程所產生的變化越來越小，一旦達到了穩定的平衡狀態，Hopfield網絡就會輸出一個穩定的恒值。

可以說，Hopfield神經網絡不但為生物的聯想式記憶（associative memory）提供了簡單的數學模型，也為當時幾近被廢棄的人工神經網絡，重新燃起一絲希望，它在人工智能之機器學習、聯想記憶、模式識別、優化計算、VLSI和光學設備的并行實現等方面有著廣泛應用。

霍普菲爾德曾在貝爾實驗室工作過。35年來，他一直與貝爾實驗室保持著密切聯系。貝爾實驗室在1987年成功在Hopfield神經網絡的基礎上研制出了神經網絡芯片。

身為一位物理學家，卻成功跨界分子生物學、神經科學與電腦科學的霍普菲爾德，一生獲獎無數，2019年他摘得了物理及技術領域桂冠——富蘭克林獎。

辛頓：從木匠到神經網絡

與霍普菲爾德一同登上諾貝爾獎高臺的杰弗里·辛頓，是在英國出生的加拿大計算機學家和心理學家，為多倫多大學教授。

辛頓是反向傳播算法和對比散度算法的發明人之一，也是深度學習的積極推動者，被譽為“深度學習教父”。辛頓2018年因在深度學習方面的貢獻被授予了數學領域的最高獎項——圖靈獎。

和霍普菲爾德一樣，辛頓也曾輾轉多個領域，尋找自己的科學圣地。從1967年到1970年，辛頓在英國劍橋大學學習實驗心理學，但其間，他因對教學內容的不滿轉而學習心理學和哲學，然而，他對這些學科也失去了興趣。最終，辛頓雖然還是以實驗心理學學位完成了學業，但也因失望離開了劍橋大學，成為一名木匠。

即便是在做木工活時，辛頓還是在堅持思考人類大腦的運作原理。

其實，所謂的人工智能，通常就是指使用人工神經網絡的機器學習。這項技術最初就是受到大腦結構的啟發。

辛頓重歸大學，就是作為博士生在愛丁堡大學投入到人工神經網絡研究。這門學科在當時并不受歡迎，甚至他的導師也總想說服他放棄這一研究。而他堅信，神經系統對于解釋和復制智能是充分和必要的。

在1978年，辛頓終于堅持研究備受冷落的神經網絡而獲得了博士學位。在人工神經網絡中，大腦的神經元由具有不同值的節點表示。這些節點通過連接相互影響，這些連接可以比作觸突，并且可以變強或變弱。網絡經過訓練，例如通過在同時具有高值的節點之間發展更強的連接。

辛頓以Hopfield網絡作為基礎，1985年與一位科學家合作開發出一種不同的方法——玻爾茲曼機器，這是隨機神經網絡和循環神經網絡的一種，以學習識別給定類型數據中的特征元素。玻爾茲曼機器可用于對圖像進行分類或創建其訓練的模式類型的新示例。辛頓以這項工作為基礎，幫助啟動了當前機器學習的爆炸性發展。

辛頓在2012年以4400萬美元的價格，將自己的初創公司和員工出售給了谷歌（Google），他還擔任谷歌的副總裁和工程研究員，直到2023年4月他宣布從谷歌辭職，理由是希望能夠“自由地暢談AI的風險”。

辛頓堅信大腦絕對不是通過人類編寫的“智能程序”來工作的。例如，你可以嘗試給小孩子編個程序，讓他照此步驟一步一步地從語法開始學習語言，但這并不會真正起作用，孩子們會從經驗中學習而不會按照你給他編的程序來做。

兩位獲獎者的工作讓業界受益匪淺，如諾貝爾物理學委員會主席Ellen Moon所說：“我們在廣泛的領域使用人工神經網絡，例如開發具有特定表面特性的新材料。”

1901年至2023年間，諾貝爾物理學獎向225名諾貝爾獎獲得者頒發了117次。John Bardeen是唯一在1956年和1972年兩次獲得該獎的獲獎者。如果再加上霍普菲爾德和辛頓，這意味著至今共有227人獲得了諾貝爾物理學獎。