重新认识自我与世界，以物理学的方式

今年的诺贝尔物理学奖出乎众人意料。

获奖人是美国科学家约翰・霍普菲尔德（John Hopfield）和英国裔加拿大科学家杰弗里·辛顿（Geoffrey Hinton），前者构建了一种具有联想记忆功能的神经网络模型（现常被称为霍普菲尔德网络），可以存储和重建图像及其他类型的数据，而后者则在前者的研究基础上，发明了一种可以自主查找数据属性的方法，从而执行识别图片中特定元素等任务，被称为「深度学习之父」。此次诺奖授予两人，就是为了表彰他们在使用人工神经网络的机器学习方面的基础性发现和发明。

而这看似不属于传统物理学任何一个分支领域的成果斩获诺奖，引发了争议，有人调侃诺贝尔物理学奖是在和计算机界的图灵奖「抢饭碗」，「物理学不存在了」。但也有人认为，霍普菲尔德和辛顿的研究是跨领域的，将物理、数学、计算机科学和神经科学结合在一起，从这个意义上说，它属于所有这些领域。

那么，还可以从哪些角度看待此次诺贝尔物理学奖，AI 又将如何影响未来的物理学研究？物理学和 AI 领域的研究者赵智沉和周自横分享了他们的观点。

以下为对话要点，文末还有完整音频，也可在各大音频、播客平台搜索「科技早知道」收听，不要错过。

此次诺贝尔物理学奖的两位获奖者，在神经网络领域做出了很大贡献，但似乎与物理关系不是很大。你们对此有什么看法？

今年诺贝尔物理学奖颁给了约翰・霍普菲尔德和杰弗里·辛顿，是认为他们在神经网络方面的开创性发现和发明，使得使用人工神经网络进行机器学习成为可能。乍看之下，这个主题似乎与物理学没有太大关系，但如果我们仔细研究他们的具体研究成果，就会发现其中的联系。

比如说，霍普菲尔德在 1982 年发表的一篇里程碑式论文，题为《神经网络与具有涌现集体计算能力的物理系统（Neural networks and physical systems with emergent collective computational abilities）》。这篇文章有两个理论支柱：一是赫布学习理论（Hebbian theory，解释了学习过程中脑中的神经元所发生的变化），二是物理学中常用的伊辛模型（Ising model，用于描述物质相变的随机过程）。

而辛顿在早期的 AI 研究中也大量借鉴了物理学方法。他延续了霍普菲尔德网络的概念，引入了热力学中常用的玻尔兹曼分布。在此基础上，他进一步发展了霍普菲尔德网络，后来又提出了受限玻尔兹曼机（Restricted Boltzmann Machine）等。

我理解大家对于这个奖项的争议。通常来说，我们为一项研究颁奖，主要是因为这个研究对该学科本身有重大贡献。比如说，今年的诺贝尔化学奖可能争议较小，尽管它也与 AI 有关，但得奖者的贡献直接服务于化学和生物学研究，即关于氨基酸序列到蛋白质空间结构的预测。所以大家认为，尽管这个方法看起来不那么「正统」，但毕竟还是服务于化学的。

物理学奖这次之所以有争议，我认为有两个原因。一是人们很难说清这些研究对物理学本身有多大贡献，或至少没有达到诺奖的级别；另一个原因是，物理学本身对这两项研究的作用和贡献是什么。

回顾过去 100 年来诺贝尔物理学奖的情况，大致可以分为三类：第一类是我们最熟悉的基础物理学研究，比如爱因斯坦的光电效应、量子力学。这可以说是我们认为最「正统」的物理学获奖类型。

第二类也比较常见的是跟实验物理学相关的，即发展出新的实验技术，这些技术可以推动物理学新的实验方法，或发现新的实验现象，从而推动物理学整体的发展。

第三类，也是我认为可能和今年诺贝尔奖稍微有些相关的，是应用物理学，也就是因为某些物理学研究成果使得其他领域受益。比如 2000 年关于集成电路和半导体的研究，以及更早期的晶体管研究、光纤通信、蓝光 LED、激光物理学等。这些研究很多是从物理实验室走出来的，获奖的主要原因是对人类生活、技术发展产生了巨大影响。

但我觉得，即使从第三个角度来看，今年的物理学奖还是有争议的。因为无论是玻尔兹曼热力学分布还是伊辛模型，在人工智能发展领域当然是重要的，不过是非常核心甚至是最根本的技术吗？我觉得不一定。而且，今天的人工智能和神经网络其实已经不太直接使用这些技术了，它们更多是起到历史性的奠基作用。

两位得奖者的研究成果确实非常有影响力，但是那是在 20 年前，现在的 AI 革命和他们的研究确实没有太大关系。现在 AI 革命主要是找到了有效训练大规模神经网络的方法，这其中辛顿提出用反向传播学习以及一系列其他贡献确实居功至伟。

但如果限于霍普菲尔德网络和玻尔兹曼机，你只能说这些研究是在整个 AI 发展的轨道里做出的各种尝试里的一部分，对整个 AI 领域的发展有一定启发，对生成模型的建模范式历史上有重要作用，但肯定不是现在 AI 革命的原因。

另外，我们可以想一下，如果没有现在 AI 革命的成功，物理学奖会颁给他们么？所以即使诺贝尔物理学奖不仅关心物理学，还关心对 AI 发展的贡献，这个颁奖的原因也还是会引起争议。

不过辛顿在过去几十年，尤其是在上世纪七八十年代 AI 很冷的冬天，能够坚持做下去，让人感觉得诺贝尔奖是可以的。

他真的是一个不忘初心的人，他不是从功利的角度出发，要设计一个特别厉害的算法，他还是对人脑到底怎么运作有非常强的兴趣和好奇。

霍普菲尔德也让我很佩服，在 2018 年写过一篇自传性的文章，叫《现在，该做什么？（Now What？）》，文章展现出他强大的建模能力，而不只局限于传统物理。

对，「物理」字面上可以理解为「物质的理」，所以如果把这个「物」泛化，就不仅仅是现在的物理学，所有的自然科学都是研究物质，生命也是物质，从这个角度来说，我非常认可对所有现象建模的思路，包括传统的认为属于人文科学的学科，而且我也觉得以后人类科学就是要往这方面走，也正在往这方向走。

我们暂且不去评判此次诺奖是否公允，从 AI 的角度来看，不断迭代的 AI 技术会给物理带来很大改变吗？

我觉得在未来是很有可能的，但是今天还没有到这一步。我们其实可以拿化学做一下对比，当下 AlphaFold 对于化学蛋白质空间结构的研究是有颠覆性贡献的。一是量化上的贡献，它对蛋白质空间结构的预测远远超过其他所有传统方法；另一个是方法论上的贡献，就是人们发现对于生物、化学这种极其复杂的学科，不一定要用所谓第一性原理（将复杂问题分解为基本要素，从而找到实现目标的最优路径）的方法去解释，或者去预测一个结构，我们完全可以用一种统计和数据的方法去研究，从结果来看，它会比第一性原理的方法做得更好。

传统上，物理学被认为是从第一性原理诞生的。牛顿经典物理学、相对论、量子力学，都是从最基础的粒子基本构成和粒子之间相互作用来推动物理学的发展的，基本上是一个从第一性原理出发，自下而上的过程。从这个意义上说， AI 今天的算法，依然是基于大量数据的模式寻找和模式匹配，还没有实现一种方法上的突破。

但物理学是一个很庞大的领域，尤其是从上世纪 70 年代开始，人们开始对于物理学的大量复杂系统、涌现问题进行研究。我们尽管知道这个物体系统的微观机制，但不一定能够知道它的宏观系统，从微观机制到宏观系统有一个巨大的鸿沟，需要用一种新的方法，一种更高层的方法去研究。

我觉得未来 AI 能够为凝聚态物理，甚至比较复杂的天体物理寻找到全新的突破口，但今天还没有到这一步。

AI 对物理贡献方式我认为有三种。

第一种，AlphaFold 等，主要是帮助计算预测。我们不需要知道计算的模型是什么，只要用神经网络去拟合出来，能算得更准就好。现在这种方法是最广泛的应用，已经对很多领域比如天气预测、核聚变机器里的 plasma control 带来巨大改变。

第二种是找到一个更简化的规律，但不涉及找到隐变量。也就是说要研究的变量都是确定的，但我现在要根据观测到的值找到这些变量间的关系，并用很简洁的数学方程来描述这些关系。以前得靠人的直觉和手动尝试，现在可以用 AI 来自动搜寻。

第三种是涉及隐变量的寻找，从大量微观变量的变化中提出一些能解释这些宏观的隐变量，这也对应着刚刚提到的涌现机制。

这里值得一提的是 AI 和物理的一个有意思的联系。之前大部分人没有意识到，从思路上说，现在的神经网络其实跟早期物理学研究方式很像。在牛顿定律出现前，人们研究天文是通过圆圈套圆圈，也就是本轮和均轮系统（一种以地球为中心的学说，认为天体沿着本轮做匀速圆周运动，这些本轮的中心又沿着各自更大的均轮做以地球为中心的匀速圆周运动）。

本轮和均轮其实就是傅里叶变换，是一种通用的数据拟合方法，我们现在只是相当于用更泛化的神经网络代替傅里叶网络，但研究思路是相同的。所以现在的 AI 阶段很像是回归到物理最开始的研究方式，只不过是在计算驱动下。这里对应着之前提到的第一和第二种贡献。

后来物理学再往前走就是牛顿了，牛顿定律这样天才理论模型的提出，在于发现、使用上了隐变量。力、质量、加速度这些概念都是隐变量，所以更科学更本质的模型在于隐变量的发现。以前隐变量的发现是靠天才的直觉手动发现。但当一个模型特别复杂的时候，只靠手动就很难解决。所以以后 AI 可能会帮助人们更加自动地发现。

在 AI 时代，人们应该如何规划自己的学习与工作？

AI 可以理解为一种自动化工具。以前人的意义往往是通过充当工具体现的，但未来生产力会被自动化。而当很多工作被自动化后，工作不一定需要你，你也不是一定要工作才能活下去，人容易产生一种意义缺失感。这种意义缺失本质上是一种主体性的缺失，也就是所谓的人生主体性没有找到。

不管是从工作还是科研角度来看，我们都能看到很自主的学生，有自己理想或追求的学生，他们有很强的自驱力，一般情况下人格会更健全一些。所以说，让人回归自身，找到自身的主体性，在心灵层面上是很重要的课题。

另一方面是培养自身更深层次的工具型能力。我认为「智能」就是一种工具。主体性和智能是分开的，我们当然还是要提升智能，不断向更深层次发展。原来你可能只是做一个具体的应用，做的是一件比较专业的事，但是现在你要能看到背后的方法论以及更深层次的方法论，这就与建模能力密切相关了。

你看到事物的本质，所有的工具对你来说就是如虎添翼，工具越强，越能够帮助你。但如果你停留在浅的层面，本身又没有工具强大，那你就会被工具替代。

如果我们回顾历史，人类曾经经历过意识的危机，在物理学上也有体现。以牛顿的经典力学为例，它描绘了一幅机械宇宙图景，有极强的决定论、宿命论意味。如果宇宙是一个机械，那么所有事物在宇宙初始阶段就已经被确定，只要知道力的相互作用和初始状态，一切未来都可以推理出来。这会让人陷入一种存在意义的危机——我们的选择是不是只是一种幻觉，自由意志是不是一个伪命题？今天 AI 在各个层面上都非常像人，那人怎么能在这种环境下依然获得自我意识？

纽约大学哲学系教授戴维·查尔莫斯 （David Chalmers）提出了「简单问题」和「困难问题」的区别。「简单问题」是指那些技术上可以解决的问题，即模仿人的行为，而「困难问题」则是让机器获得真正像人一样的自我意识（consciousness）。这就像笛卡尔说的「我思故我在」，「我思」是我唯一可以确信的东西，所谓的心灵实体是人之所以为人最根本的立足点。在这个基础上，我们如何获得一个自我的主体性，是非常重要的。

另外，我想谈谈关于物理学认知的问题。我们刚才提到第一性原理无法解释复杂系统的问题。物理学家费曼也提出过这样一个观点：我们今天可以从微观上非常精确地理解整个宇宙的运作逻辑，但如果我们只能知道粒子的相互作用，而无法知道液体如何形成湍流这样的涌现现象，那么我们依然无法声称我们对物理学有一个完整的认知。人类下一次认知的突破，就是从了解微观的运作机制到了解宏观的涌现现象。

这给我们的一个启示是：物理学不仅仅拥有还原主义的思想方法，不是说了解到微观机制和微观相互作用方式就可以完全理解这个世界，它还有大量关于高层次世界认知的理论和方法。这些方法我们今天是非常欠缺的，甚至远远落后于物理学在微观机制上的认知程度。如果大家是物理学的学习者者对物理学感兴趣，当然其他学科也是如此，可以用这样一种视角去思考：不同层面上的知识，在自己的学科领域到底意味着什么，它们之间的关系又是什么？

当我们谈论物理学，不仅是关注某一个具体的物理现象，也是在探讨一种认识世界和自我的思维方式。

你如何看待这一次的诺贝尔物理学奖，如何看待 AI 时代基础科学的研究演变？欢迎在评论区分享。

以上对话整理自

声动活泼旗下播客「科技早知道」

想更多了解物理学

欢迎点击收听

也可在各大音频、播客平台搜索本期节目

监制/徐涛

编审/东君

编辑/Riley

排版/Riley

运营/George