当地时间10月10日，瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予John J. Hopfield 和 Geoffrey E. Hinton两位科学家，以表彰他们“为利用人工神经网络进行机器学习做出的基础性发现和发明”。
对此，我们对话了刘嘉教授，听他解读此次诺贝尔物理学奖大“爆冷”究竟是怎么回事。
嘉宾简介：
1.机器学习最底层的基石是统计物理。
2.学物理的去做生物、做化学，去做其他学科才是真正地体现了物理的生命力。
3.这是物理学的自我革命，相当于发出一种宣言：我要去全新的领域了。
4.或许距现在大约只有个五六年就一定会有超越我们人类的智能出现。
5.在人工神经网络方面世界上只有一个第一梯队，美国是远远在前面的，无论是理念还是实践应用。
6.我们中国不缺聪明人，也不缺非常好的教育体系，我们缺少的是这种低赢率、高赔率的有差异化信仰的人。
对此，我们对话了刘嘉教授，听他解读此次诺贝尔物理学奖大“爆冷”究竟是怎么回事。
以下为对话实录（经整理编辑）
AI：昨天诺贝尔物理学奖的获奖者确实让大家很意外，尤其获奖者还包括了我们熟知的“AI教父”辛顿，对于此次的“大爆冷”，您是否感到意外？
刘嘉：说实话特别意外。如果有一个诺奖泛酸指数的话，现在物理学家们的泛酸指数应该是顶格了。他们终于体验到化学家的愤怒了——化学的诺奖经常被物理学家拿走，这就跟打魔兽一样，四处出击，结果发现自己被偷塔了。
当然，更主要的原因，是因为机器学习最底层的基石其实就是统计物理。这也是为什么给这两位人工智能的大神颁发物理奖，是有一点归宗认祖的感觉。人工神经网络是由一个个神经元所组成的超大网络，每个神经元的行为是非常简单的，但当众多神经元组织在一起的时候，就会产生各种复杂的行为，而最好的描述工具就是统计物理。
从这个角度上来讲，一定要把现在蓬勃发展的人工智能纳入到物理这个体系中来，统计物理才是真正的基石。假设物理奖现在不给的话，哪一天生物或医学奖从仿生角度给到了AI，物理学领域就不好做归宗认祖这件事了。
AI：有许多网友都发出了灵魂拷问，是不是物理学不存在了？基础物理进入瓶颈期了？
刘嘉：我读大学的时候，有一个本科物理系的师兄转来读我们心理系的研究生。他非常厉害，属于参加国际物理奥赛级别的。我很疑惑他为什么要转来学心理学。他说，北大物理系有70个人，全是保送的，一开始他们只有一个念头，那就是：干翻爱因斯坦。
读到后来，所有人都知道自己不是那块料，因为在物理方面，特别是理论物理，有重大成就太难了。所以他们很多人就改行去做生物、做化学、做心理等各种学科。在我看来，学物理的去做其他学科才是真正地体现了物理作为自然科学基座的地位和无尽的生命力。
现在物理学诺奖颁给人工智能，是一种醒悟，更是一种开放的心态。物理学不再局限于自己给自己画的一个非常小的“牢房”，而是开始往其他领域进军。我觉得这是对的，因为万事万物其实就是物理所能描述的，包括我们的生命，包括我们精神。
就像我们的大脑，也可以把它理解成为是一种物理系统、物理场。从这个角度上来讲，物理应该进入到这些领域里面来。所以把诺奖颁给AI，也体现了物理学的自我革命、自我革新。
所以说虽然我非常的意外，但从另外一个角度我特别的开心，因为我觉得物理学相当于发出一个宏大的宣言：我要去全新的领域了。
AI：约翰·霍普菲尔德本人就是物理学出身的，不过后来他又对神经科学着迷了，并创造了一种现在被称为霍普菲尔德网络的递归神经网络，您可否具体讲讲这与他获得诺奖有什么关系？
刘嘉：Hopfield出生于物理世家，很早就进入了出诺奖得主的贝尔实验室，在那里，他做了很多厉害的工作。
20世纪六七十年代，理论物理学有一个停滞，于是大家更多地往工程应用方向走。Hopfield当时在普林斯顿大学当教授，校方让他去开一门生物学与物理学交叉的课程。为了上好这门课，他就开始试图从物理的视角来理解生物，于是他就进入了神经科学这个领域。
但是，他做得越好，他在物理系就越不被待见。后来加州理工的新校长邀请他加盟，但加州理工的物理学系却拒绝要他，所以他只好接受了化学和生物联合聘用的冠名教授。
Hopfield网络对AI的影响很大，特别是类脑智能这个领域。但从物理的角度来讲，他更多的是应用，而不是理论上的原创，而且他也把自己定位为神经科学家。这也是他拿物理诺奖，有些争议的地方。
AI：辛顿在大学期间选择了研究哲学和心理学，之后才在苏格兰爱丁堡大学研究人工智能，我想刘嘉老师是最有发言权的，以您的亲身经历来看，为什么会做出这样的选择？这两个研究领域有什么关系？
刘嘉：Hinton就更能让物理学家破防了。他最开始在剑桥大学学的物理学，后来他就退学了，又学了建筑、哲学，发现都不太适合他，最后他去学心理学了。
他的家族本身也充满传奇。比如他的中间名是“Everest”，那是因为他母系长辈有一个姓Everest的人带队发现了珠穆朗玛峰，于是珠峰的英文名字就是Everest；他的姑姑是曼哈顿计划里核武器专家，后来来到中国，成为我国的畜牧业专家；一个叔叔参加过中国共产党领导下的解放区的土改运动，并将之写成名为Fanshen（翻身）的纪实小说。
更著名的是发明计算机科学的核心数学之一布尔代数的布尔也是他母系长辈。在这样一个家族里，传承的不仅仅是智商，更有使命，就是人类的未来怎样才会变得更好。
所以，Hinton连玻尔兹曼机都能搞出来，物理怎么可能差，这只不过是个玩笑而已；他一直在思考和摸索一条道路，那就是如何用有限的生命去帮助整个人类社会的进步。于是他最终选择了人工智能。
AI：您提到的玻尔兹曼机能够通过学习识别给定数据类型中具有特征的元素，您能否具体谈谈他是怎么使用了统计物理学中的工具的？
刘嘉：玻尔兹曼是一个物理学家，在热力学统计力学中提出了一种分布叫波兹曼分布，波兹曼分布后来就被Hinton用在他的神经网络的训练里面了，他用了波兹曼分布来做神经网络权重的调整。
在这里，Hinton做了一个特别了不起的创新。我们现在谈到人工神经网络时，说深度学习。这里的深度不是说思想有深度，这个深度是指神经网络有很多层，层数越多，深度越深。
而第一个深度神经网络，就是Hinton的玻尔兹曼机，所以说他是人工神经网络的教父一点都不夸张，因为没有他就没有深度学习。
很多人会很低估一个事实，觉得Hinton就是在上面多加了一层么，只是微创新。但这是革命性的。为什么神经网络之前一直不温不火，是因为它有一个致命的问题，一旦参数量上去就不工作了，训练就变得很难了，于是只能是实验室的玩具。但Hinton通过玻尔兹曼机，以及后来的BP算法、非线性激活函数等，让神经网络无限扩展，甚至超越我们人类大脑的参数量也不在话下。
AI：您也提到人工神经网络，其实是20世纪80年代才兴起是吗？它整个的发展史是什么样子的？和物理的关系是什么？
刘嘉：其实人工神经网络出现其实挺早的，第一个人工神经元是1943 年，心理学家沃伦·麦卡洛克和逻辑学家沃尔特·皮茨提出的MCP人工神经元模型。第一个人工神经网络是心理学家罗森布拉特提出来的感知机。
但是到了70年代，碰到了AI之父Minsky的严格数学证明，指出感知机连最基本的逻辑异或运算都做不了，于是就被打入冷宫。
我们通常会把机器学习和人工神经网络分开谈。机器学习一直都有，一直也发展得很不错，而人工神经网络以前只是机器学习里面一直不受待见的一个冷门小领域。但是，始终有一些人对它充满了坚信，这根一直没断，Hinton的信仰就是，大脑就是这么工作的，没理由人工神经网络不工作。而Hopfield的信仰则是，物理学一定能够把大脑的机制揭示出来。
AI：辛顿自离开谷歌后，极为关注人工智能的安全问题，也在多个场合表达了自己的担忧，他说“如果数字超级智能真的想要控制世界，我们不太可能阻止它”，对此您怎么看？
刘嘉： AI应该分开看，一种是2022年11月30号之前的AI，另一种是之后的。这个分割点就是OpenAI ChatGPT 3.5的问世，因为它代表着一种全新AI的萌芽。在此之后，以ChatGPT为代表的AI我们叫AGI，它不仅能够识别面孔，不仅能够下围棋，还能像人一样做其他任何事情。
从短期上来讲，它的出现就立刻会引来一个很大的社会问题，那就是金领职业的全面失业。例如，ChatGPT在医学诊断上的应用，比如看x光片，可能比我们最专业的医生还要看得准。再如，律师、教师、财会也都将面临着失业。这就意味着我们社会形态将会发生巨大的变化。
从远期来看，更大的问题是AI会不会比人更聪明。我认为现在的人工神经网络找到进化的正确路径了，前面已经没有什么特别大的障碍了，这是第一点。第二点它有无穷的算力，一块CPU不够加块 CPU，一块GPU不够加块GPU，一块硬盘不够加块硬盘，对于AI系统来说，它的算力和架构是可以无限扩展的，它的参数量也是可以无限制的扩展的。有的人担心是不是能源跟不上，我觉得能源是最不用担心的，因为它只是一个工程问题。
所以AI在智力上超越人类，只是一个时间问题。像马斯克、Hinton这些人都说这是有生之年系列，他们的保守估计，或许就是距现在大约只有五六年就一定会有超越我们人类的智能出现。
AI：目前我国在人工神经网络方面的研究取得了哪些进展呢？是否处于世界第一梯队呢？
刘嘉：我觉得世界上只有一个第一梯队，美国是远远在前面的，无论是理念还是实践应用。正是有Hinton这些人筚路蓝缕，默默扎根，现在美国的人工智能才能爆发出来，这绝对不是拿钱砸出来的，而且现在还不知道有多少像Hinton这样的其他根埋着。
这些人非常坚定的信仰，他们这种信仰是什么？就是Hinton所代表的低赢率、高赔率的差异化信仰。这些人从一开始就知道他们就是炮灰，他们就是要去送命的，去当烈士的，但是他们还是义无反顾。因为他们一开始就要做难而正确的事。什么是难，就是自己费尽全力可能一事无成，就是自己穷其一生仍无结果；什么是正确，就是来自底层逻辑原点的第一性思维模式，就是Hinton说的：大脑就是这样工作的，没有理由人工神经网络不工作。
他们活得比谁都快乐，也不在乎物质享受，就像Hinton接到诺奖委员会电话时，正住在一个廉价酒店里排队等第二天的磁共振检查。不是因为他没有钱，他有很多钱。但是他的所有心思和兴趣都用来搞研究了。
所以每次看到新的大模型出来，我觉得并不可怕，可怕的是背后这些我们看不见的信仰。在国内，也有像清华姚班、新雅书院等在做，但势单力薄，因为我们流行的是成功学，比如说知道这件事情大概率会失败就不去做了，没有像Hinton这种“当炮灰”的决心。
我们中国现不缺聪明人，也不缺非常好的教育体系，我们缺少的是这种具有低赢率、高赔率有差异化信仰的人，多的事以成功学为目标的教育理念。
还有就是我们在各种新兴学科或者这种颠覆性非共识的学科，布局太少，没有埋太多的线。在绝大多数尖端领域，还是处于一个跟风的状态。你已经把所有牌打出来，没看见人家在暗线里面的这种布局，我觉得这才是真正最可怕，最值得担心的。
