2024年，诺贝尔物理学和化学奖授与做AI有关研究的学者，引起科学界热议。日前，中国科协的学术会刊《科技导报》刊发了李国杰院士的《诺贝尔物理学和化学奖为什么偏爱AI？》，大家特此摘录，以飨读者。

李国杰

李国杰，计算机专家，中国工程院院士、进步中国家科学院（TWAS）院士，中国科学院计算技术研究所首席科学家。研究方向为计算机体系结构、并行算法、AI、计算机互联网、信息技术进步策略等。

诺贝尔物理学和化学奖为什么偏爱AI

李国杰

2024年十月8日，诺贝尔物理学奖授与约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton），表彰他们用人工神经互联网进行机器学习的基础性发现和创造。次日，2024年诺贝尔化学奖授与大卫·贝克（David Baker）、戴米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M. Jumper），表彰他们在计算蛋白质设计和用机器学习技巧预测蛋白质结构方面的贡献。**这两项基础科学的大奖都颁给了做AI有关研究的学者，引起科学界的热议和争论。**诺贝尔奖委员会讲解为何将诺贝尔物理学奖授与研究人工神经互联网的学者，是由于人工神经互联网是用物理学工具练习的。也就是说，现在红遍全世界的AI的原始基础是基于物理学的发现和常识，机器学习模型是基于物理原理达成的，其实就是告诉世人：物理学是AI的源头。

霍普菲尔德1982年在《美国科学院院刊》（《PNAS》）发表的论文中，提出了一种人工神经互联网模型（Hopfield Network），终结了从1974年开始的人工智能寒冬，标志着以人工神经互联网为新方向的AI学科的复兴。**现在机器学习范围的顶级会议NeurIPS，其起源可以追溯到1984年以Hopfield名字直接命名的Hopfests会议，彰显了他的早期工作在神经互联网研究中的核心地位。**Hopfield互联网是按物理学上能量函数最小化来构建的，可以看作是物理学中“自旋玻璃模型”的扩展。Hopfield以跨学科的视角讲解了人工神经互联网与物理学之间的联系，Hopfield Network对统计物理学、AI和神经科学三大学科都产生了巨大的影响。Hopfield教授曾为中国智能计算机的进步做出过贡献。1990年5月，国家智能计算机研究开发中心在北京召开了一次高规格的策略研讨会，Hopfield教授是被邀请的著名学者之一，会后国务委员宋健在人民大会堂接见了参会嘉宾。辛顿的研究曾以Hopfield互联网为基础，创建了一个用不同办法的新互联网：玻尔兹曼机。辛顿用的是统计物理学的工具，用来学习和辨别数据中的模式。**Hopfield Network和玻尔兹曼机都是基于能量的模型，统计力学原理是这两者的核心。**它们都用来源于统计力学的能量函数，解决与模式辨别和数据分类等应用有关的AI问题。诺贝尔奖只不过一个奖项，诺贝尔奖委员会也只吸纳了部分科学家，或许大家不必过于在乎诺贝尔奖授与哪个。但这次诺贝尔奖某种意义的“跨界”，不但说明了诺贝尔奖委员会在与时俱进，更要紧的是，唤醒了大家对AI超预期进步和广泛渗透性的看重。目前AI，尤其是机器学习，已成为物理、化学、生物等基础研究的要紧工具，“人工智能 for Science”正在引起一场科研范式的大变革。**这次诺贝尔奖的“出圈”不是物理学界和化学界的“悲哀”，或许在科学史上会翻开新一页。**AI确实是当今最活跃的范围，诺贝尔物理学奖、化学奖颁给AI学者，寄托了广大科技工作者对AI推进人类社会跨越式进步的期望。近百年来，学科越分越细。1900年只有约500门学科，2000年进步到5000门以上，100年增加10倍。根据这个趋势，2100年可能要扩展到50000门。中国教育部门设置的学科也是愈加多，有的学者在为新增某个一级学科而上下奔波，这与学科融合进步的趋势相背而行。辛顿教授获得诺贝尔奖后同意采访时说：“我感觉我是一个不了解自己在什么研究范围的人，但想弄了解大脑工作原理，然后在研究中帮助创造了一项成效惊人的技术。”**不经意的回答透露了获得重大科学突破的奥秘：不要在自己头上戴上什么学科的“帽子”，做不了解是什么范围的交叉科学研究。**这次“诺奖风波”后，很多学者对长期以来禁锢大家思维的学科和专业茧房，或许会有全新的考虑，会愈加看重跨学科的研究。**非物理专业的科研职员理解这次诺贝尔奖拥抱AI，不是关注物理是AI的源头，而是更看重AI对物理等基础研究的推进。**AI为何能推进物理、化学、生物等基础研究，涉及深层次的哲学问题。物理与计算都致力于描述自然界怎么样运作，都试图打造通用的世界模型。有的乐观的学者觉得，目前的人工神经互联网模型逐步演化，相互融合，最后会形成通用的世界模型。信息论与物理学中的热力学也有着深层次的联系，信息论中的熵与物理学中的熵具备类似的定义，均涉及系统的无序性和不确定性。一些激进的物理学家和哲学家提出，信息是物理世界的基础，宇宙的基本构成单元是信息（bit），而物理实体（如粒子和能量）只不过信息的表现形式，物理过程在某种意义上就是计算过程。**当然，更多的学者觉得，虽然计算可以模拟和理解物理过程，但并不意味着物理过程本身就是计算。**物理过程本质上可能不是离散的，而是连续的，用离散的图灵机计算模型不可以讲解全部客观世界，需要创造和构建更通用的计算模型和物理模型。这种深层次的理论绝不是靠某个科学家灵机一动的思想火花就能打造起来，而是需要做长期艰苦的努力。2006年，辛顿团队先后在《Neural Computation》期刊和《Science》杂志上发表了两篇关于深度神经互联网的奠基性论文，目前被觉得是深度学习范围的里程碑之作，但发表后几年内关注者寥寥无几。辛顿团队在2012年的ImageNet竞赛中一鸣惊人，之前一直坐冷板凳，但他们对人工神经互联网的信仰一直没动摇。不管AI和物理学达成深度融合还要经过多少年努力，但大伙已经看到，“人工智能 for Physics （Science）” 和“Physics （Science） for 人工智能”的道路都会越走越宽广。AI和物理等基础科学能走到一块，还有其次是什么原因。英国哲学家波普尔1964年出版的《客观常识》一书中，不同两种常识：“钟”和“云”。牛顿方程、拉普拉斯方程是精准、干净、光滑的，是“钟”的常识；“云”的常识写不出任何的方程来，是关于复杂性的常识。长期以来，大家习惯的数学语言，大多都是刻画“钟”的。大家常常用“钟”的语言讲述“云”的故事。量子力学的奠基人之一玻尔曾用“抹布”比喻科学语言和科学办法的局限性和相对性。他说：“你没办法需要存在一块绝对干净的抹布。”干净的问题用干净的办法可以解决，但“脏”（不规则）的问题要用“脏”的办法才能解决。AI像不太干净的抹布，合适处置类似“云”的很难精准描述的问题。华裔数学家陶哲轩将AI比喻为“猜测机器”，可以飞速提供很多候选答案。传统科学就像能产生适量清洗饮用水的水龙头，而人工智能则是一个大消防水管，可以输出超越100倍的不可直接饮用的水。假如用一个过滤装置帮助大家过滤掉那些杂质，就能得到干净的水（科学）了。假如物理学一直坚持只研究类似“钟”的常识，就和以深度学习为代表的AI是两股道上的车，走不到一块。但，简单的物理学问题都已经解决了，目前留下的物理学问题，都是复杂性非常高的问题，包括随机性和不确定性，也是不太“干净”的问题，需要用到类似“云”的常识，就和AI走到一块了。以前只有一种“合法的”科学，即确定论的、还原论的科学观，目前可以有第2种科学观，即非确定的、进化的、基于数据和概率统计的科学观，这两种科学观不是相互对立，而是相互补充，应彼此尊重他们。复杂性不是对传统科学范式的“扩容”，不是愈加复杂的还原论，而是对还原论假设系统的解构和挑战，挑战了还原论的“信仰”。**从这个意义上讲，是复杂性挑战逼迫AI和所有些传统科学形成了“统一战线”。**冯·诺依曼早在60年前就提出：“20世纪应该着力解决的焦点问题是复杂性问题，就像19世纪的核心是对熵、对能量的理解一样。”1956年的达特茅斯会议上，西蒙（Simon）建议用“复杂信息处置”这一术语取代“AI”，这说明AI除去模仿人的目的外，从诞生之初就还有一个目的：认识和驾驭“复杂系统”。1998年，斯蒂芬·霍金发表了题为“信息与变革：下一个千年的科学”的演讲。他觉得下一个千年（从21世纪开始）是“复杂性的千年”，或者说是复杂性主导的千年。根据前辈大科学家的引导，现在大家找到应对复杂性的一条出路是机器学习。**近几年科研范式正在发生重大的变化，我把这种新的范式称为自动化科研（人工智能 for Research，人工智能4R），其主要的动力来自驾驭复杂性。**物理、化学、生物学研究都要靠AI来应对指数爆炸。现在应对维数灾难只有两条出路，一是机器学习，二是复杂性科学。复杂性科学使用粗粒度的理解范式，关注大规模宏观模式和趋势。机器学习使用细粒度的预测范式，通过学习很多数据中的细微模式来进行预测。圣塔菲研究所所长大卫·克拉考尔近期撰文，尝试从理论层面达成复杂性科学与机器学习的统一。中国这两个范围的学者联系不多，以后应加大交流合作。2009年，中国科学院组织一批学者做《至2050年科技进步路线图》策略研究，我牵头做的信息科技进步路线图觉得：“信息技术不会变成以增量改进为主的传统产业技术，而是面临一次新的信息科学革命。信息技术的基础理论大多数是在1960年代以前完成的，近40年信息科学没获得重大突破。上一次基本革新（即基于科学突破的重大创造）的高峰期是在20世纪40年代，目前已有很多的常识积累，根据长波规律的推断，21世纪20—30年代可能出现基本革新的高峰。2020年将来什么技术将成为新的主流技术就会逐步明朗；2020—2035年将是信息技术改天换地的大变革期。预计21世纪上半叶将兴起一场以高性能计算和仿真、互联网科学、智能科学、计算思维为特点的信息科学革命。在互联网科学和智能科学获得重大突破将来，21世纪下半叶基于信息科学的新的信息技术将获得比20世纪下半叶更大的进步。”近几年AI的大进步好像检验了15年前的策略预见，AI就是当时期盼的21世纪20—30年代或许会出现的基本革新。20世纪40—60年代，创造计算机和集成电路将来，人类就进入了信息年代。近几年AI突飞猛进，既有重大的技术创造，如transformer深度学习框架，也是辛顿等科学家关于神经互联网模型的基础研究理论突破。深度学习的黑盒模型为AI科学研究提出了急切需要解决的科学问题，需要的牵引势必引发科学的突破。**AI技术的大进步，预示人类已经处在进入智能年代的前夜。**现在的技术离达成真的的通用AI还有一段距离，再经过10—20年的努力，大概率会出现基于重大科学突破的基础创造，为人类进入智能年代打下坚实的基础。诺贝尔物理学奖、化学奖颁给AI学者本身不是一件大事，但这次颁奖或许会在科技进步史留下痕迹，大家的后代会记住这类为人类迈进智能年代做出重大贡献的伟大科学家。参考文献：《科技导报》2024年第19期发表，标题为《诺贝尔物理学和化学奖为什么偏爱AI》，有删节。来源：科技导报社

Tags：人工智能