昨天的諾貝爾物理學(xué)獎(jiǎng)一公布，瞬間炸翻了物理圈和AI圈。

Hinton的第一反應(yīng)更是有趣：這不會(huì)是個(gè)詐騙電話吧？

圖片

如此出乎意料的結(jié)果，讓各路針對(duì)諾獎(jiǎng)物理學(xué)獎(jiǎng)的嚴(yán)肅預(yù)測(cè)，都仿佛成了笑話。

而諾貝爾獎(jiǎng)的官方賬號(hào)，也被網(wǎng)友們給沖爆了。

他們紛紛高呼：這不是物理學(xué)！

圖片

圖片

「數(shù)據(jù)科學(xué)或神經(jīng)網(wǎng)絡(luò)是『用于』物理學(xué)，但絕對(duì)不『是』物理學(xué)。」

圖片

相比之下，AI圈則是一片其樂(lè)融融的景象。大佬們都開心地給Hinton送去了祝福。

圖片

圖片

圖片

圖片

AI教母李飛飛：AI的深遠(yuǎn)影響，如今才剛剛開始

MIT博士生Ziming Liu直言：「Physics (Science) for AI」是一個(gè)被嚴(yán)重低估的領(lǐng)域。規(guī)?；梢詫?shí)現(xiàn)一對(duì)多的效果，但唯有科學(xué)才能帶來(lái)從無(wú)到有的突破。

圖片

Jim Fan則做了一個(gè)非常有趣的「AI-物理學(xué)對(duì)照表」：

想沖擊諾獎(jiǎng)的AI學(xué)者們，你們學(xué)會(huì)了嗎

言歸正傳，諾貝爾物理學(xué)獎(jiǎng)，為何要頒給AI學(xué)者？

這就要從深度學(xué)習(xí)爆發(fā)的那一年講起。

Geoffrey Hinton：2012年，深度學(xué)習(xí)的驚人革命

早在1986年，Geoffrey Hinton等人在Nature上發(fā)表的論文，就讓訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的「反向傳播算法」廣為人知。

圖片

當(dāng)時(shí)我們很多人都相信這一定是人工智能的未來(lái)。我們成功地證明了我們一直相信的東西是正確的。

可以說(shuō)，神經(jīng)網(wǎng)絡(luò)在經(jīng)歷第一波寒冬之后，自此開始重新走向AI舞臺(tái)。

1989年，LeCun率先使用了反向傳播和卷積神經(jīng)網(wǎng)絡(luò)。他也同意Hinton的看法。

我毫不懷疑，最終我們?cè)谏鲜兰o(jì)80-90年代開發(fā)的技術(shù)將被采用。

早期的圖靈三巨頭

不過(guò)，反向傳播算法引發(fā)的熱潮，隨后又在1995年被統(tǒng)計(jì)機(jī)器學(xué)習(xí)蓋過(guò)去了。

統(tǒng)計(jì)機(jī)器學(xué)習(xí)的風(fēng)頭興盛了很多年，即使2006年Hinton在Science上首次提出「深度學(xué)習(xí)」，業(yè)內(nèi)也響應(yīng)寥寥。

圖片

直到2012年9月，一篇題為「用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行ImageNet圖像分類」的論文，讓此前沉寂多年的AI領(lǐng)域熱度驟起。

圖片

文中提出的AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)，在當(dāng)年的ImageNet比賽上以碾壓之勢(shì)奪冠，一舉將top-5錯(cuò)誤率降低到了15.3%，比身后的第二名（26.2%）足足高出10多個(gè)百分點(diǎn)。

ImageNet數(shù)據(jù)集，正是由斯坦福李飛飛團(tuán)隊(duì)在2007年創(chuàng)建。

圖片

AlexNet摧枯拉朽般的大勝，讓研究人員驚嘆于大型卷積深度神經(jīng)網(wǎng)絡(luò)架構(gòu)的神奇威力，這篇論文也成為深度學(xué)習(xí)和人工智能自「AI寒冬」后重新成為熱門領(lǐng)域的重要里程碑。

后來(lái)人們所講的「深度學(xué)習(xí)革命」，也借此文以發(fā)端，直到十二年后的今天。

事后李飛飛這樣回顧：自2012年以來(lái)，深度學(xué)習(xí)的發(fā)展堪稱「一場(chǎng)驚人的革命，令人做夢(mèng)都沒(méi)想到」。

自此，人們開始相信：大數(shù)據(jù)、算力、深度模型，是走向通用人工智能的關(guān)鍵三要素。

而深度模型也從最早的卷積神經(jīng)網(wǎng)絡(luò)，迭代為遞歸神經(jīng)網(wǎng)絡(luò)、Transformer、擴(kuò)散模型，直至今天的預(yù)訓(xùn)練生成式轉(zhuǎn)換器（GPT）。

從生理學(xué)、哲學(xué)到AI：大腦究竟如何思考

在年輕時(shí)，為了弄清楚人類的大腦如何工作，Hinton首先來(lái)到劍橋?qū)W習(xí)生理學(xué)，而后又轉(zhuǎn)向哲學(xué)，但最終也沒(méi)有得到想要的答案。

圖片

于是，Hinton去了愛丁堡，開始研究AI，通過(guò)模擬事物的運(yùn)行，來(lái)測(cè)試?yán)碚摗?/span>

「在我看來(lái)，必須有一種大腦學(xué)習(xí)的方式，顯然不是通過(guò)將各種事物編程到大腦中，然后使用邏輯推理。我們必須弄清楚大腦如何學(xué)會(huì)修改神經(jīng)網(wǎng)絡(luò)中的連接，以便它可以做復(fù)雜的事情?！?/span>

「我總是受到關(guān)于大腦工作原理的啟發(fā)：有一堆神經(jīng)元，它們執(zhí)行相對(duì)簡(jiǎn)單的操作，它們是非線性的，它們收集輸入，進(jìn)行加權(quán)，然后根據(jù)加權(quán)輸入給出輸出。問(wèn)題是，如何改變這些權(quán)重以使整個(gè)事情做得很好？」

某個(gè)周日，Hinton坐在辦公室，突然有人敲門。AI命運(yùn)的齒輪從此轉(zhuǎn)動(dòng)。

敲門的正是Ilya。

圖片

當(dāng)年青澀的Ilya

Hinton給了Ilya一篇關(guān)于反向傳播的論文，約定兩人一周后討論。

圖片

Ilya：I didn't understand it.

Hinton：這不就是鏈?zhǔn)椒▌t嗎？

Ilya：不是，我不明白你為啥不用個(gè)更好的優(yōu)化器來(lái)處理梯度？

——Hinton的眼睛亮了一下，這是他們花了好幾年時(shí)間在思考的問(wèn)題。

圖片

Ilya很早就有一種直覺(jué)：只要把神經(jīng)網(wǎng)絡(luò)模型做大一點(diǎn)，就會(huì)得到更好的效果。Hinton認(rèn)為這是一種逃避，必須有新的想法或者算法才行。

但事實(shí)證明，Ilya是對(duì)的。

新的想法確實(shí)重要，比如像Transformer這樣的新架構(gòu)。但實(shí)際上，當(dāng)今AI的發(fā)展主要源于數(shù)據(jù)的規(guī)模和計(jì)算的規(guī)模。

2011年，Hinton帶領(lǐng)Ilya和另一名研究生James Martins，發(fā)表了一篇字符級(jí)預(yù)測(cè)的論文。他們使用維基百科訓(xùn)練模型，嘗試預(yù)測(cè)下一個(gè)HTML字符。

模型首次采用了嵌入（embedding）和反向傳播，將每個(gè)符號(hào)轉(zhuǎn)換為嵌入，然后讓嵌入相互作用以預(yù)測(cè)下一個(gè)符號(hào)的嵌入，并通過(guò)反向傳播來(lái)學(xué)習(xí)數(shù)據(jù)的三元組。

當(dāng)時(shí)的人們不相信模型能夠理解任何東西，但實(shí)驗(yàn)結(jié)果令人震驚，模型仿佛已經(jīng)學(xué)會(huì)了思考——所有信息都被壓縮到了模型權(quán)重中。

圖片

AI如何「蹭」上物理學(xué)

講到這里，你可能有一個(gè)疑問(wèn)：這些跟物理學(xué)有什么關(guān)系呢？

諾獎(jiǎng)委員會(huì)的解釋是，人工神經(jīng)網(wǎng)絡(luò)是用物理學(xué)工具訓(xùn)練的。

圖片

Geoffrey Hinton曾以Hopfield網(wǎng)絡(luò)為基礎(chǔ)，創(chuàng)建了一個(gè)使用不同方法的新網(wǎng)絡(luò)：玻爾茲曼機(jī)。在這個(gè)過(guò)程中，Hinton使用的是統(tǒng)計(jì)物理學(xué)的工具，來(lái)學(xué)習(xí)和識(shí)別數(shù)據(jù)中的模式。

就這樣，AI跟物理學(xué)強(qiáng)行聯(lián)系上了。

如果講到此次另一位獲獎(jiǎng)?wù)逬ohn Hopfield，倒是和物理學(xué)的關(guān)系更緊密一些。

一言以蔽之，Hopfield網(wǎng)絡(luò)是按物理學(xué)上能量函數(shù)最小化來(lái)構(gòu)建的，可以看作是物理學(xué)中「自旋玻璃模型」的擴(kuò)展。

Hopfield網(wǎng)絡(luò)利用了材料由于其原子自旋而具有特性的物理學(xué)——這種特性使每個(gè)原子成為一個(gè)微小的磁鐵。整個(gè)網(wǎng)絡(luò)的描述方式等同于物理學(xué)中發(fā)現(xiàn)的自旋系統(tǒng)中的能量，并通過(guò)找到節(jié)點(diǎn)之間連接的值來(lái)訓(xùn)練，使保存的圖像具有低能量。

圖片

另外，Hopfield Network和玻爾茲曼機(jī)都是基于能量的模型。

統(tǒng)計(jì)力學(xué)原理，便是這兩者的核心。它們都使用來(lái)自統(tǒng)計(jì)力學(xué)的能量函數(shù)，來(lái)建模和解決與模式識(shí)別和數(shù)據(jù)分類相關(guān)的問(wèn)題。

在前者當(dāng)中，能量函數(shù)被用來(lái)尋找與所存儲(chǔ)的模式相對(duì)應(yīng)的最穩(wěn)定狀態(tài)。后者中，能量函數(shù)通過(guò)調(diào)整節(jié)點(diǎn)之間連接的權(quán)重來(lái)幫助學(xué)習(xí)數(shù)據(jù)的分布。

至此，諾獎(jiǎng)委員會(huì)就自圓其說(shuō)了。

John Hopfield：一個(gè)想法，波及三大學(xué)科

20世紀(jì)80年代初，John Hopfield在加州理工學(xué)院創(chuàng)建了一個(gè)簡(jiǎn)單的計(jì)算機(jī)模型——Hopfield Network。

其行為方式不太像當(dāng)時(shí)的計(jì)算機(jī)，而更像人腦。

這是因?yàn)?，Hopfield Network模仿了人腦儲(chǔ)存信息的結(jié)構(gòu)。它由相互連接的節(jié)點(diǎn)組成，正如人腦中的神經(jīng)元一樣。

節(jié)點(diǎn)中的連接強(qiáng)度具有可塑性，可強(qiáng)可弱，而強(qiáng)連接進(jìn)而形成了我們所說(shuō)的「記憶」。

Hopfield學(xué)生，現(xiàn)Caltech計(jì)算機(jī)科學(xué)、計(jì)算與神經(jīng)系統(tǒng)以及生物工程教授Erik Winfree解釋道：

Hopfield Network是物理學(xué)中「自旋玻璃模型」（the spin glass model）的擴(kuò)展。自旋玻璃有兩種磁化狀態(tài)，可以稱之為它的「記憶」。

圖片

Hopfield擴(kuò)展了這一模型，讓其有了更復(fù)雜的連接模式。

簡(jiǎn)言之，他使用一個(gè)簡(jiǎn)單的規(guī)則，讓每對(duì)單元（每個(gè)節(jié)點(diǎn)）之間有不同的連接強(qiáng)度，而不再局限于兩種狀態(tài)。

他的工作證明了，這種網(wǎng)絡(luò)可以儲(chǔ)存多種復(fù)雜的模式（記憶），而且比之前的方法更接近大腦運(yùn)作方式。

Hopfield以一種跨學(xué)科的視角闡述這個(gè)模型，解釋了人工神經(jīng)網(wǎng)絡(luò)與物理學(xué)之間的聯(lián)系。

復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)教授張軍平認(rèn)為，Hopfield Network與物理學(xué)領(lǐng)域的關(guān)聯(lián)是，它的設(shè)計(jì)思路模擬了電路結(jié)構(gòu)。

「假設(shè)網(wǎng)絡(luò)每個(gè)單元均由運(yùn)算放大器和電容電阻組成，而每個(gè)單元就代表著一個(gè)神經(jīng)元」。

在普林斯頓大學(xué)新聞發(fā)布會(huì)上，Hopfield表達(dá)了同樣的觀點(diǎn)。他認(rèn)為，長(zhǎng)遠(yuǎn)來(lái)看，新科學(xué)領(lǐng)域通常產(chǎn)生于，大量科學(xué)知識(shí)的交叉點(diǎn)上。

你必須愿意在這些「縫隙」中工作，找出你的知識(shí)局限性，以及讓這些學(xué)科更豐富、更深入、更好被理解而采取的行動(dòng)。

圖片

來(lái)自MIT-IBM實(shí)驗(yàn)室物理學(xué)家Dmitry Krotov分享了，Hopfield Network一個(gè)想法至少對(duì)三大學(xué)科產(chǎn)生了巨大的影響。

它們分別是，統(tǒng)計(jì)物理學(xué)、計(jì)算機(jī)科學(xué)和人工智能、神經(jīng)科學(xué)。

圖片

2023年，他曾發(fā)表了一篇Nature論文，對(duì)Hopfield Network在統(tǒng)計(jì)物理、神經(jīng)科學(xué)和機(jī)器學(xué)習(xí)等多個(gè)學(xué)科中，進(jìn)行了分析。

圖片

論文地址：https://www.nature.com/articles/s42254-023-00595-y

Krotov本人也與Hopfield合作過(guò)多篇研究，因此他對(duì)Hopfield Network工作的了解再熟悉不過(guò)了。

圖片

統(tǒng)計(jì)物理學(xué)

在統(tǒng)計(jì)物理學(xué)中，Hopfield Model成為最常被研究的哈密頓量（Hamiltonian）之一。哈密頓量在物理學(xué)中，描述了系統(tǒng)的總能量，是理解系統(tǒng)行為的關(guān)鍵。

這一模型已經(jīng)催生了數(shù)以萬(wàn)計(jì)的論文、幾本書籍。它為數(shù)百名物理學(xué)家進(jìn)入神經(jīng)科學(xué)和人工智能，提供了切入點(diǎn)。

就連諾貝爾獎(jiǎng)官方給出了解釋，機(jī)器學(xué)習(xí)模型，是基于物理方程式。

圖片

計(jì)算機(jī)科學(xué)和AI

在計(jì)算機(jī)科學(xué)中，Hopfield Network終結(jié)了AI寒冬（1974-1981），以及人工神經(jīng)網(wǎng)絡(luò)的復(fù)興。

Hopfield在1982年發(fā)表的論文，標(biāo)志著現(xiàn)代神經(jīng)網(wǎng)絡(luò)的開始。

圖片

論文地址：https://www.pnas.org/doi/10.1073/pnas.79.8.2554

就連如今的頂會(huì)NeurIPS，起源可以追溯到1984-1986年在加州理工學(xué)院舉行的被稱為「Hopfests」的會(huì)議。

這個(gè)名字直接致敬了Hopfield，彰顯了他的早期工作在神經(jīng)網(wǎng)絡(luò)研究中的核心地位。

John Moody在1991年的NeurIPS論文集中記錄了這段歷史。

圖片

另外，Hopfield Network成為限制玻爾茲曼機(jī)（Restricted Boltzmann Machine）發(fā)展的主要靈感來(lái)源。RBM在早期深度學(xué)習(xí)中，發(fā)揮著重要的作用。

還有基于能量的模型（Energy Based Model），代表著人工智能領(lǐng)域中一個(gè)重要的范式。

它也是從Hopfield基于能量和記憶的模型發(fā)展而來(lái)。

神經(jīng)科學(xué)

在神經(jīng)科學(xué)領(lǐng)域，Hopfield Network成為后來(lái)許多計(jì)算記憶模型的基礎(chǔ)。

它將記憶回憶概念化，即能量景觀中滾下山坡的想法，已成為神經(jīng)科學(xué)中的經(jīng)典隱喻。

圖片

這次「諾獎(jiǎng)風(fēng)波」后，許多人也對(duì)如今的學(xué)科分類有了全新的思考。

不可否認(rèn)的是，AI已經(jīng)融入了全學(xué)科、全領(lǐng)域。

而這次諾貝爾物理學(xué)獎(jiǎng)?lì)C給AI，也是AI大爆發(fā)對(duì)于人類社會(huì)顛覆影響的一個(gè)真實(shí)寫照。

參考資料：

https://x.com/Caltech/status/1843764971022495942

https://x.com/DimaKrotov/status/1843682498825564463

https://cacm.acm.org/opinion/between-the-booms-ai-in-winter/

https://x.com/DrJimFan/status/1843681423443800315