今年的諾貝爾物理學獎出乎眾人意料。

獲獎人是美國科學家約翰・霍普菲爾德（John Hopfield）和英國裔加拿大科學家傑弗裡·辛頓（Geoffrey Hinton），前者構建了一種具有聯想記憶功能的神經網路模型（現常被稱為霍普菲爾德網路），可以儲存和重建影像及其他型別的資料，而後者則在前者的研究基礎上，發明了一種可以自主查詢資料屬性的方法，從而執行識別圖片中特定元素等任務，被稱為「深度學習之父」。此次諾獎授予兩人，就是為了表彰他們在使用人工神經網路的機器學習方面的基礎性發現和發明。

而這看似不屬於傳統物理學任何一個分支領域的成果斬獲諾獎，引發了爭議，有人調侃諾貝爾物理學獎是在和計算機界的圖靈獎「搶飯碗」，「物理學不存在了」。但也有人認為，霍普菲爾德和辛頓的研究是跨領域的，將物理、數學、計算機科學和神經科學結合在一起，從這個意義上說，它屬於所有這些領域。

那麼，還可以從哪些角度看待此次諾貝爾物理學獎，AI 又將如何影響未來的物理學研究？物理學和 AI 領域的研究者趙智沉和周自橫分享了他們的觀點。

以下為對話要點，文末還有完整音訊，也可在各大音訊、播客平臺搜尋「科技早知道」收聽，不要錯過。

今年諾貝爾物理學獎頒給了約翰・霍普菲爾德和傑弗裡·辛頓，是認為他們在神經網路方面的開創性發現和發明，使得使用人工神經網路進行機器學習成為可能。乍看之下，這個主題似乎與物理學沒有太大關係，但如果我們仔細研究他們的具體研究成果，就會發現其中的聯絡。

比如說，霍普菲爾德在 1982 年發表的一篇里程碑式論文，題為《神經網路與具有湧現集體計算能力的物理系統（Neural networks and physical systems with emergent collective computational abilities）》。這篇文章有兩個理論支柱：一是赫布學習理論（Hebbian theory，解釋了學習過程中腦中的神經元所發生的變化），二是物理學中常用的伊辛模型（Ising model，用於描述物質相變的隨機過程）。

而辛頓在早期的 AI 研究中也大量借鑑了物理學方法。他延續了霍普菲爾德網路的概念，引入了熱力學中常用的玻爾茲曼分佈。在此基礎上，他進一步發展了霍普菲爾德網路，後來又提出了受限玻爾茲曼機（Restricted Boltzmann Machine）等。

我理解大家對於這個獎項的爭議。通常來說，我們為一項研究頒獎，主要是因為這個研究對該學科本身有重大貢獻。比如說，今年的諾貝爾化學獎可能爭議較小，儘管它也與 AI 有關，但得獎者的貢獻直接服務於化學和生物學研究，即關於氨基酸序列到蛋白質空間結構的預測。所以大家認為，儘管這個方法看起來不那麼「正統」，但畢竟還是服務於化學的。

物理學獎這次之所以有爭議，我認為有兩個原因。一是人們很難說清這些研究對物理學本身有多大貢獻，或至少沒有達到諾獎的級別；另一個原因是，物理學本身對這兩項研究的作用和貢獻是什麼。

回顧過去 100 年來諾貝爾物理學獎的情況，大致可以分為三類：第一類是我們最熟悉的基礎物理學研究，比如愛因斯坦的光電效應、量子力學。這可以說是我們認為最「正統」的物理學獲獎型別。

第二類也比較常見的是跟實驗物理學相關的，即發展出新的實驗技術，這些技術可以推動物理學新的實驗方法，或發現新的實驗現象，從而推動物理學整體的發展。

第三類，也是我認為可能和今年諾貝爾獎稍微有些相關的，是應用物理學，也就是因為某些物理學研究成果使得其他領域受益。比如 2000 年關於積體電路和半導體的研究，以及更早期的電晶體研究、光纖通訊、藍光 LED、雷射物理學等。這些研究很多是從物理實驗室走出來的，獲獎的主要原因是對人類生活、技術發展產生了巨大影響。

但我覺得，即使從第三個角度來看，今年的物理學獎還是有爭議的。因為無論是玻爾茲曼熱力學分佈還是伊辛模型，在人工智慧發展領域當然是重要的，不過是非常核心甚至是最根本的技術嗎？我覺得不一定。而且，今天的人工智慧和神經網路其實已經不太直接使用這些技術了，它們更多是起到歷史性的奠基作用。

兩位得獎者的研究成果確實非常有影響力，但是那是在 20 年前，現在的 AI 革命和他們的研究確實沒有太大關係。現在 AI 革命主要是找到了有效訓練大規模神經網路的方法，這其中辛頓提出用反向傳播學習以及一系列其他貢獻確實居功至偉。

但如果限於霍普菲爾德網路和玻爾茲曼機，你只能說這些研究是在整個 AI 發展的軌道里做出的各種嘗試裡的一部分，對整個 AI 領域的發展有一定啟發，對生成模型的建模範式歷史上有重要作用，但肯定不是現在 AI 革命的原因。

另外，我們可以想一下，如果沒有現在 AI 革命的成功，物理學獎會頒給他們麼？所以即使諾貝爾物理學獎不僅關心物理學，還關心對 AI 發展的貢獻，這個頒獎的原因也還是會引起爭議。

他真的是一個不忘初心的人，他不是從功利的角度出發，要設計一個特別厲害的演算法，他還是對人腦到底怎麼運作有非常強的興趣和好奇。

霍普菲爾德也讓我很佩服，在 2018 年寫過一篇自傳性的文章，叫《現在，該做什麼？（Now What？）》，文章展現出他強大的建模能力，而不只侷限於傳統物理。

對，「物理」字面上可以理解為「物質的理」，所以如果把這個「物」泛化，就不僅僅是現在的物理學，所有的自然科學都是研究物質，生命也是物質，從這個角度來說，我非常認可對所有現象建模的思路，包括傳統的認為屬於人文科學的學科，而且我也覺得以後人類科學就是要往這方面走，也正在往這方向走。

我覺得在未來是很有可能的，但是今天還沒有到這一步。我們其實可以拿化學做一下對比，當下 AlphaFold 對於化學蛋白質空間結構的研究是有顛覆性貢獻的。一是量化上的貢獻，它對蛋白質空間結構的預測遠遠超過其他所有傳統方法；另一個是方法論上的貢獻，就是人們發現對於生物、化學這種極其複雜的學科，不一定要用所謂第一性原理（將複雜問題分解為基本要素，從而找到實現目標的最優路徑）的方法去解釋，或者去預測一個結構，我們完全可以用一種統計和資料的方法去研究，從結果來看，它會比第一性原理的方法做得更好。

傳統上，物理學被認為是從第一性原理誕生的。牛頓經典物理學、相對論、量子力學，都是從最基礎的粒子基本構成和粒子之間相互作用來推動物理學的發展的，基本上是一個從第一性原理出發，自下而上的過程。從這個意義上說， AI 今天的演算法，依然是基於大量資料的模式尋找和模式匹配，還沒有實現一種方法上的突破。

但物理學是一個很龐大的領域，尤其是從上世紀 70 年代開始，人們開始對於物理學的大量複雜系統、湧現問題進行研究。我們儘管知道這個物體系統的微觀機制，但不一定能夠知道它的宏觀系統，從微觀機制到宏觀系統有一個巨大的鴻溝，需要用一種新的方法，一種更高層的方法去研究。

我覺得未來 AI 能夠為凝聚態物理，甚至比較複雜的天體物理尋找到全新的突破口，但今天還沒有到這一步。

AI 對物理貢獻方式我認為有三種。

第一種，AlphaFold 等，主要是幫助計算預測。我們不需要知道計算的模型是什麼，只要用神經網路去擬合出來，能算得更準就好。現在這種方法是最廣泛的應用，已經對很多領域比如天氣預測、核聚變機器裡的 plasma control 帶來巨大改變。

第二種是找到一個更簡化的規律，但不涉及找到隱變數。也就是說要研究的變數都是確定的，但我現在要根據觀測到的值找到這些變數間的關係，並用很簡潔的數學方程來描述這些關係。以前得靠人的直覺和手動嘗試，現在可以用 AI 來自動搜尋。

第三種是涉及隱變數的尋找，從大量微觀變數的變化中提出一些能解釋這些宏觀的隱變數，這也對應著剛剛提到的湧現機制。

這裡值得一提的是 AI 和物理的一個有意思的聯絡。之前大部分人沒有意識到，從思路上說，現在的神經網路其實跟早期物理學研究方式很像。在牛頓定律出現前，人們研究天文是透過圓圈套圓圈，也就是本輪和均輪系統（一種以地球為中心的學說，認為天體沿著本輪做勻速圓周運動，這些本輪的中心又沿著各自更大的均輪做以地球為中心的勻速圓周運動）。

本輪和均輪其實就是傅立葉變換，是一種通用的資料擬合方法，我們現在只是相當於用更泛化的神經網路代替傅立葉網路，但研究思路是相同的。所以現在的 AI 階段很像是迴歸到物理最開始的研究方式，只不過是在計算驅動下。這裡對應著之前提到的第一和第二種貢獻。

後來物理學再往前走就是牛頓了，牛頓定律這樣天才理論模型的提出，在於發現、使用上了隱變數。力、質量、加速度這些概念都是隱變數，所以更科學更本質的模型在於隱變數的發現。以前隱變數的發現是靠天才的直覺手動發現。但當一個模型特別複雜的時候，只靠手動就很難解決。所以以後 AI 可能會幫助人們更加自動地發現。

AI 可以理解為一種自動化工具。以前人的意義往往是透過充當工具體現的，但未來生產力會被自動化。而當很多工作被自動化後，工作不一定需要你，你也不是一定要工作才能活下去，人容易產生一種意義缺失感。這種意義缺失本質上是一種主體性的缺失，也就是所謂的人生主體性沒有找到。

不管是從工作還是科研角度來看，我們都能看到很自主的學生，有自己理想或追求的學生，他們有很強的自驅力，一般情況下人格會更健全一些。所以說，讓人迴歸自身，找到自身的主體性，在心靈層面上是很重要的課題。

另一方面是培養自身更深層次的工具型能力。我認為「智慧」就是一種工具。主體性和智慧是分開的，我們當然還是要提升智慧，不斷向更深層次發展。原來你可能只是做一個具體的應用，做的是一件比較專業的事，但是現在你要能看到背後的方法論以及更深層次的方法論，這就與建模能力密切相關了。

你看到事物的本質，所有的工具對你來說就是如虎添翼，工具越強，越能夠幫助你。但如果你停留在淺的層面，本身又沒有工具強大，那你就會被工具替代。

如果我們回顧歷史，人類曾經經歷過意識的危機，在物理學上也有體現。以牛頓的經典力學為例，它描繪了一幅機械宇宙圖景，有極強的決定論、宿命論意味。如果宇宙是一個機械，那麼所有事物在宇宙初始階段就已經被確定，只要知道力的相互作用和初始狀態，一切未來都可以推理出來。這會讓人陷入一種存在意義的危機——我們的選擇是不是隻是一種幻覺，自由意志是不是一個偽命題？今天 AI 在各個層面上都非常像人，那人怎麼能在這種環境下依然獲得自我意識？

紐約大學哲學系教授戴維·查爾莫斯 （David Chalmers）提出了「簡單問題」和「困難問題」的區別。「簡單問題」是指那些技術上可以解決的問題，即模仿人的行為，而「困難問題」則是讓機器獲得真正像人一樣的自我意識（consciousness）。這就像笛卡爾說的「我思故我在」，「我思」是我唯一可以確信的東西，所謂的心靈實體是人之所以為人最根本的立足點。在這個基礎上，我們如何獲得一個自我的主體性，是非常重要的。

另外，我想談談關於物理學認知的問題。我們剛才提到第一性原理無法解釋複雜系統的問題。物理學家費曼也提出過這樣一個觀點：我們今天可以從微觀上非常精確地理解整個宇宙的運作邏輯，但如果我們只能知道粒子的相互作用，而無法知道液體如何形成湍流這樣的湧現現象，那麼我們依然無法聲稱我們對物理學有一個完整的認知。人類下一次認知的突破，就是從瞭解微觀的運作機制到了解宏觀的湧現現象。

這給我們的一個啟示是：物理學不僅僅擁有還原主義的思想方法，不是說了解到微觀機制和微觀相互作用方式就可以完全理解這個世界，它還有大量關於高層次世界認知的理論和方法。這些方法我們今天是非常欠缺的，甚至遠遠落後於物理學在微觀機制上的認知程度。如果大家是物理學的學習者者對物理學感興趣，當然其他學科也是如此，可以用這樣一種視角去思考：不同層面上的知識，在自己的學科領域到底意味著什麼，它們之間的關係又是什麼？

當我們談論物理學，不僅是關注某一個具體的物理現象，也是在探討一種認識世界和自我的思維方式。

你如何看待這一次的諾貝爾物理學獎，如何看待 AI 時代基礎科學的研究演變？歡迎在評論區分享。