瑞典皇家科学院当地时间10月8日宣布，将2024年诺贝尔物理学奖授予约翰·J·霍普菲尔德和杰弗里·E·辛顿，表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。两位获奖者从20世纪80年代起就开展了与物理学相关的人工神经网络的重要工作。

这让很多网友“满头问号”。诺贝尔物理学奖怎么颁给了人工智能领域的科学家？人工神经网络与物理学有什么关系？南方+记者采访了领域内的专家，试图解答这些疑惑。

机器学习和物理学有何关系？

广东科普讲师团成员、哈尔滨工业大学（深圳）计算机学院副院长何道敬说：“霍普菲尔德和辛顿两位科学家的工作，为人工神经网络和机器学习的发展奠定了坚实的基础，对当今的科技发展和社会生活产生了深远的影响，因此获得诺贝尔物理学奖是实至名归的。”

那么，机器学习到底是什么？

广东省科普讲师团成员，华南理工大学人工智能未来创新实验室常务副主任陈安解释，通俗地说，机器学习就是让机器在没有人给指令的情况下，通过数据或者其他机制，自己学会某些能力。早期的机器学习比较简单，比如让机器识别出手写的数字，或者不同的颜色等。从这些简单的任务开始，人工智能逐渐发展成今天为人们所知的GPT等大模型。

而人工神经网络就是一种机器学习的形态，通过构造一些人工神经元，来模拟大脑里面神经元的连接方式、形态，开展机器学习。

把物理学奖颁给人工智能科学家，会不会有点奇怪？

“在我看来，物理学奖颁给人工智能的科学家，是挺正常的一件事。”陈安表示，一方面，霍普菲尔德和辛顿两位获奖者在早期人工神经网络中做了许多工作，“比如以霍普菲尔德命名的霍普菲尔德神经网络，就是根据物理学原理设计的一种网络，每个单元由运算放大器和电容电阻这些元件组成，相当于一个神经元。输入信号以电压形式加到各单元上，经过一段时间后，各部分的电流和电压达到某个稳定状态，它的输出电压就表示问题的解答。”

而辛顿发明的玻尔兹曼机，也用到了很多统计物理学的工具。这种机器能够通过学习来识别某类数据中的特定元素特征。

另一方面，陈安认为，科学家们的职责就是回答关于世界的问题，比如宇宙起源、生命诞生等，而智能如何产生也是一个关键的基本问题。“对人工智能的研究有可能会给我们答案，至于是颁授物理学奖还是化学奖、生理学或医学奖，其实没那么重要，分科只是一种形式，其背后的很多原理都是相通的。”

机器学习有什么用？

无人驾驶、人脸识别、“AI歌手”……如今，越来越多人工智能应用进入我们的日常生活。这背后，神经网络和机器学习是重要的技术推动力。

在中国人大网上，能找到中国工程院院士孙凝晖署名的一份名为《人工智能与智能计算的发展》的报告讲稿，其中阐释了神经网络和深度学习的特点。

孙凝晖表示，以杰弗里·辛顿等为代表的连接智能学派，以学习能力自动化为目标，发明了深度学习等新AI算法。“通过深度神经元网络的自动学习，大幅提升了模型统计归纳的能力，在模式识别等应用效果上取得了巨大突破，某些场景的识别精度甚至超越了人类。”孙凝晖说。

以人脸识别为例，整个神经网络的训练过程相当于一个网络参数调整的过程，将大量的经过标注的人脸图片数据输入神经网络，然后进行网络间参数调整，让神经网络输出的结果的概率无限逼近真实结果。神经网络输出真实情况的概率越大，参数就越大，从而将知识和规则编码到网络参数中，这样只要数据足够多，就可以对各种大量的常识进行学习，通用性得到极大的提升。连接智能的应用更加广泛，包括语音识别、人脸识别、自动驾驶等。

“大模型的发展使得复杂的计算和数据处理变得更加精准和高效；大数据的积累提供了丰富的资源，使得我们能够从中挖掘出更多有价值的信息；而大算力的提升则为这些技术提供了强大的支持，使得以前难以想象的应用场景如今得以实现。”何道敬认为，这些进步使得过去的技术在现代化环境中得以创新应用，并推动了各个领域的快速发展，“比如，哈工大（深圳）计算机学院深耕人工智能与大模型，我们团队去年获批深圳市唯一‘大模型智能与安全重点实验室’，在推动人工智能技术发展和应用方面，我们还有很多工作要做。”

南方+记者 钟哲