撰文|施郁
● ● ●
2021年和今年的诺贝尔奖包含了一个信息，即物理学的研究对象除了电子、原子等等组成的系统，也可以是其他单元组成的系统，比如大气、神经网络乃至计算。它们是复杂系统，即具有一个或多个方面的 “复杂“性质（多尺度、非线性、无序等等），与之最相关的物理学传统分支是统计物理，也可以看成凝聚态物理的延拓。统计物理原理和方法可以用到各种领域，可以是基本粒子，可以是天体和宇宙，可以是凝聚物质、高聚物、复杂流体（软物质），也可以是生命，还可以更进一步，不是大自然本来有的系统，而是人造乃至社会系统 。
关于单个神经元的结构和功能的研究类似于原子物理，McCulloch-Pitts规则将神经元简化为一个信息处理单元， Hebb学习律又将神经元的状态与联结关联起来，相当于找到了原子之间的有效相互作用（但是这里有状态对联结的反馈，这是原子系统所没有的，也显示了出现联想记忆和智能的条件）。对于原子组成的凝聚物质来说，宏观性质只与单个原子的少数性质有关，神经网络与单个神经元的关系也类似。
这就是统计物理和层展论的基本思想。大量单元组成的系统出现新的现象和新的规律，也就是层展。霍普菲尔德有意识地以层展论为指导，用统计物理方法拯救了神经网络，使之走出低潮，是层展论的主动实践。他采纳有限的规则，将联想记忆的概念进行可操作化，将计算过程归结为一个在崎岖景观上寻找能量最低的过程，说明简单组元构成的多体系统的计算性质和记忆行为，并架起与自旋玻璃理论的桥梁。辛顿将神经网络从记忆发展到解释。他的神经网络被称作玻尔兹曼机，因为用到了玻尔兹曼统计分布，也就是各种位形都有出现的概率。玻尔兹曼机进一步寻找整体最小，也就是用温度避免束缚在局域极小。所以神经网络和机器学习是统计物理和层展论的胜利，2024年物理诺奖宣告了这一点。
与霍普菲尔德的工作相关，Larry Abbot、上面提到的Sejnowski和Sompolinsky获得2024年大脑奖，因为对计算和理论神经科学的开创性贡献，以及对理解主宰大脑结构、动力学和认知及行为的涌现所作的贡献。可见一批物理学家对脑科学做出了实质性贡献。
目前人工智能的成功很大程度上是一个经验性的黑箱和强力硬算，还缺少理解，还有很多统计物理规律有待我们去发现，正如脑科学中也有很多规律有待我们从统计物理角度去研究。这也会导致人工智能和脑科学的进步。
人工神经网络与脑既有共性，又有不同。人工神经网络最初受到脑神经网络的启发，但是后来“放飞”了，并不要求在结构上模拟大脑，而是从某些效果和功能上去模拟和超越。不过，1985年，霍普菲尔德模型被T. Poggio和C. Koch用到视觉[61]。我曾经对细菌或细胞表面的受体提出一个类似霍普菲尔德神经网络的模型[62]。
视觉处理的原理启发了卷积神经网络，可见脑科学仍然有待人工神经网络去模仿和应用。在近年来人工智能大发展中，反向传播算法起了关键作用，但是这完全是设计出来的算法，与脑的工作原理无关。有神经科学家去检查脑神经网络是否用到了反向传播。这就好比准晶在实验室制备出来后，有人去找大自然中的准晶，还有人试图看看大脑里面有没有量子计算。
一个有趣的问题是， 除了与其他科学相同的应用，例如用于数据处理分析，如何用现在的人工神经网络和人工智能推动神经科学[63]。我们想到一系列问题，除了MacCulloch-Pitts律和Hebb律，大脑的其他规律能否用到人工神经网络？如何模仿大脑工作原理以做到低能耗，高效率？大脑智能有没有不可计算的（比如彭罗斯的想法）？大脑还有很多需要我们的人工系统去学习。反过来，人工神经网络还有哪些特征是生物神经系统具有的？如何用人工神经网络更贴切地模拟脑神经网络？神经网络和生物网络也带来相应的数学和物理问题，例如李雅普诺夫函数的存在性和构造[64]。
神经网络体现了各学科携手共进。相对于传统学科主流，交叉领域汇集了背景不同而又有“跨界“兴趣的研究人员，成为突破各自学科传统的先驱。其中每个人的身份界定是根据其处理问题的方法以及所受的训练。比如，我们可以将物理学定义为物理学家做的研究，也就是说以物理学传统建立的提出问题解决问题的方式所做的研究。霍普菲尔德说过：“也许物理学最好简单定义为‘经过物理学训练的人做的事情‘（perhaps physics is best defined simply as ‘what those trained in physics do‘”[34]。从社会学的角度，研究非传统物理领域还能获得物理学领域的荣誉，单单物理学训练也许还不够，还需要通过传统物理研究取得物理学家身份，比如霍普菲尔德是在物理学功成名就后转换轨道的，他在从事生物物理和神经网络之前，已经获得凝聚态物理的最高奖巴克利奖，而现在的诺贝尔物理学奖认证了他关于神经网络的工作属于物理学。
物理学界有时将一些新方向培育好后独立出去，例如力学和分子生物学。力学是个特殊的存在。物理学的基础课程有它，经典力学是物理学的根，还原论还喜欢将其他物理归结于它。但是作为研究领域，力学相对独立于主流物理，一方面与工程技术密切相关，又与很多领域有交叉，比如生物力学，还有数学上很复杂的问题，比如流体力学中的湍流。但是力学成就一直没有获得诺贝尔物理学奖（很大程度上是因为20世纪物理学前沿被量子论和相对论主导）。例如，英国剑桥大学的泰勒(G. I. Taylor)是历史上重要的流体力学专家，对流体力学做出巨大贡献，以他命名的专业名词有二十来个，但是他一生无缘诺奖。他的母亲与这次获诺奖的辛顿的奶奶（也就是寒春的母亲）是姐妹，都是布尔的女儿。他也参加了研制原子弹的曼哈顿计划（和寒春同时在那里）。随着复杂系统被纳入诺贝尔物理学奖的范畴，我也希望流体力学（如湍流问题）也能被眷顾。
但是有时也有一些方向一直存在于物理学内，如复杂系统和生物物理（生物学界也有生物物理，与物理学界的生物物理有所不同，biophysics一般指前者，biological physics一般指后者），这有社会学的因素，也由于物理学界认为这里有新的物理等待发现。本次诺贝尔物理学奖是一个里程碑。以前有物理学家（或物理出身的研究人员）如Delbrück和Crick成功转行到生物学并获得诺奖，但都是得生理或医学奖。这次是物理学奖，说明他们虽然研究对象是生物系统，但是他们做的工作仍然被物理学界当作物理。
霍普菲尔德一直认为自己做的事情完全符合物理学的精神和范式，他不用研究对象来定义物理，而是认为，中心思想是世界是可以被理解的，可以将物体拆开，理解组分的相互关系，做实验，在此基础上，发展对其行为的定量理解。物理学是关于我们周围世界的一种观点，通过努力、智慧和一定的资源 可以以预言性定量化的方式理解。成为物理学家是是投身对这种理解的追求 做一名物理学家就是寻求这种理解。
中文“物理“很好地概况了physics是”物之理“。传统的物理学各分支主要是按照”物“来划分，例如粒子物理、核物理、原子分子物理、光物理、凝聚态物理、天体物理、宇宙学。在我们自己所处的尺度，很多学科里因素复杂，不被当作物理学主体，比如化学（物理）、生物（物理）、地球（物理）、大气（物理）。如果物理学原理直接用的多，就带上物理二字。
“物理“有”理“的一方面，它们更多地被当作基础理论和大学课程，比如相对论、量子力学、统计物理。如果数学用得比较多，也作为数学物理里面的方向。基本相互作用是一种物理，但是即使全部掌握，怎么搭建起这个多尺度的世界呢？所以存在另一种物理，就是统计物理和层展论。
其实很多物理学分支的研究对象也不是“自然”本来的，如果将“自然”理解成没有人干预情况下就存在的。比如凝聚态物理研究很多人为制造的材料，事实上大多数都是“人造“材料。这些材料（比如超导材料，二维材料，拓扑材料，超构材料，等等等等）里有很好的物理。如果后来在大自然找到类似的物理系统，大家反而觉得新奇，比如原子核中的配对、中子星内部可能存在的超导和超流，高能物理里面的对称破缺（类似超导），等等。量子计算更是人为设计一个系统来实现理论上的量子算法。
天体物理、大气物理、地球物理反而是研究大自然。但是它们因素复杂，更多地被看作物理的应用（虽然不是实用的应用）。而人工系统反而可以突出某个物理原理。费曼提出量子计算和量子模拟，其实就是为了更方便地研究“理”。
所以“传统”领域的物理虽然重视“物”，精髓还是在于“理”，而且有些研究方向的合法性就是在于研究“理”。甚至还可以先有“理”，再去寻找合适的“物”来实现。比如寻找实现非阿贝尔任意子的材料、实现任意子的编织操作、实现量子算法，等等，都是这一类的研究。
研究人工神经网络、细胞、生物种群、人群、交通流、经济学等所谓复杂系统中的统计物理，与研究量子模拟的逻辑是类似的。不过，量子模拟所用的系统大多是简单系统，直接由原子、电子、组成，也有复杂一点的，比如超导量子比特，由一个超导回路实现一个量子比特，探索中的拓扑量子计算更复杂。用于电磁波调制的超构材料是一种人造结构，尺度更大。由于人也是大自然的一部分，“人造”系统其实也是“自然”的。
工欲善其事，必先利其器。人们将设计建造探测和实验装置以及发展实验方法视作相应学科的一部分，事实上确实是至关重要的。这方面获得诺贝尔物理学奖的有：Albert A. Michelson因为发明光学精密仪器（即迈克耳孙干涉仪）并借此进行光谱和度量学研究，1907年获奖；Charles Edouard Guillaume发现镍钢合金反常可以用于精密测量，1920年获奖；C.T.R. Wilson因为发明通过水汽凝结显示带电粒子径迹的方法，1927年获奖；Ernest Lawrence因为发明回旋加速器以及以此取得的研究结果，特别是有关人工放射元素的结果，1939年获奖；Otto Stern因为分子束方法以及质子自旋的发现，1943年获奖；Percy W. Bridgeman因为发明产生极高压的装置并取得发现，1946年获奖；Patrick Blacket因为发展了Wilson云雾室并取得发现，1948年获奖；Cecil Powell因为发展研究核过程的照相方法并取得发现，1950年获奖；Felix Bolch和E. M. Purcell因为核磁精密测量的新方法并取得发现，1952年获奖；Walther Bothe因为符合方法并取得发现，1954年获奖；Donald A. Glaser因为发明气泡室，1960年获奖；Alfred Kastler因为研究原子赫兹共振的光学方法，1966年获奖；Luis Alvarez因为基于发展氢气泡室的技术和数据分析，发现大量共振态，1968年获奖；Dennis Gabor因为发明全息方法，1971年获奖；Martin Ryle因为射电天体物理的发现和发明，特别是孔径合成技术，1974年获奖；Pyotr Kapitsa因为低温物理的发明和发现，1978年获奖；Nicolaas Bloembergen和Arthur Schawlow因为激光光谱，Kai M. Sirgbahn因为高分辨电子谱，1981年获奖；Ernst Ruska因为电子光学的基础工作和设计第一个电子显微镜，Gerd Binnig和Heinrich Rohre因为设计扫描隧道显微镜，1986年获奖；Leon M. Ledermann, Melvin Schwartz和Jack Steinberger因为中微子束方法和缪中微子发现，1988年获奖；Norman Ramsey因为发明分离振荡场方法并用于氢脉塞和其他原子钟， Hans Dehmelt和Wolfgang Paul因为发展离子阱技术，1989年获奖；George Charpak因为发明和发展粒子探测器，特别是多丝正比室，1992年获奖；Bertram N. Brockhouse因为发展中子谱，Clifford Shull因为发展中子散射技术，1994年获奖；朱棣文、Claude Cohen-Tannoudji和William D. Philips 因为发展激光冷却和束缚原子的方法，1997年获奖；John L. Hall和Theodor W. Hänsch因为发展基于激光的精密谱，包括光频梳技术，2005年获奖；高锟因为光纤，Willard S. Boyle和George E. Smith因为发明CCD，2009年获奖；Serge Haroche和 David J. Wineland 因为测量和调控单量子系统的实验方法，2012年获奖；Isamu Akasaki, Hiroshi Amano 和 Shuji Nakamura因为蓝光发光二极管的发明，2014年获奖；Rainer Weiss, Barry C. Barish和 Kip S. Thorne因为对LIGO探测器的贡献并观测到引力波，2017年获奖；Arthur Ashkin因为光镊并用于生物系统，Gérard Mourou和Donna Strickland因为产生高强度超短光学脉冲的方法，2018年获奖；Pierre Agostini, Ferenc Krausz和Anne L’Huillier因为产生阿秒光脉冲的方法，2023年获奖。
化学奖和生理学或医学奖与此类似，例如：Carl Bosch 和 Friedrich Bergius因为发明和发展化学高压方法，1931年获奖；Archer J.P. Martin 和 Richard L.M. Synge因为发明分配色谱，1952年获奖；Willard F. Libby因为碳14方法用于考古、地质、地球物理等科学领域，1960年获奖；Richard R. Ernst Richard R. Ernst因为高分辨核磁共振谱，1991年获奖；Ahmed Zewail因为用飞秒光谱研究化学反应，1999年获奖；Eric Betzig, Stefan W. Hell 和 William E. Moerner因为发展超分辨荧光显微镜，2014年获奖；acques Dubochet, Joachim Frank 和Richard Henderson 因为发明用于高分辨地决定生物分子结构的冷冻电子显微镜，2017年获奖。
再提两个获得诺贝尔化学奖的计算成就：John Pople因为量子化学的计算方法，1998年获奖；Martin Karplus, Michael Levitt和Arieh Warshel因为发展复杂化学反应的多尺度模型，2013年获奖。
这样来看，作为科学研究的工具也可以获得诺贝尔科学奖。而且，计算物理早已与实验物理和理论物理共同成为物理学的三个方面。从计算科学的角度，用人工智能作为计算工具，取得科学进展，比如预言蛋白质结构，也可以授予诺贝尔奖。所以人工智能的科学应用、人工智能的科学基础都在诺贝尔奖的范围中。
还原论和层展论是一体两面，还原是层展的前提，给物理学带来了辉煌。层展不是仅出现于宏观尺度，而是出现在所有能量尺度。高能物理中的自发对称破缺和真空结构与它们的凝聚态兄弟一样，也是层展现象。宇宙多个尺度的结构形成也是层展现象，更无需说生命和智能的出现和进化。从原子论到基本粒子，还原论给物理学带来了辉煌。但是物理学即使在基本相互作用和基本粒子上暂时进展缓慢，在层展论方面仍然大有所为。
总之，物理学不但继续存在，而且还以各种新的方式更广泛地存在。借用希尔伯特的话说：
我们必须知道，我们终将知道（Wir mussen wissen. Wir werden wissen）。
END
更多精彩文章请点击下面“蓝字”标题查看：
《物理与工程》期刊是专注于物理教育教学研究的学术期刊，是中国科技核心期刊，1981年创刊，欢迎踊跃投稿，期刊投审稿采编平台：
http://gkwl.cbpt.cnki.net
欢迎关注
《物理与工程》微信公众号
