2024年,，諾貝爾物理學和化學獎授予做人工智能相關(guān)研究的學者,，引起科學界熱議,。近日,，中國科協(xié)的學術(shù)會刊《科技導報》刊發(fā)了李國杰院士的《諾貝爾物理學和化學獎為何偏愛人工智能,？》，我們特此摘錄,，以饗讀者,。
李國杰,，計算機專家,，中國工程院院士、發(fā)展中國家科學院（TWAS）院士,，中國科學院計算技術(shù)研究所首席科學家,。研究方向為計算機體系結(jié)構(gòu)、并行算法,、人工智能,、計算機網(wǎng)絡(luò),、信息技術(shù)發(fā)展戰(zhàn)略等。
諾貝爾物理學和化學獎為何偏愛人工智能
李國杰
2024年10月8日,，諾貝爾物理學獎授予約翰·霍普菲爾德（John Hopfield）和杰弗里·辛頓（Geoffrey Hinton），表彰他們使用人工神經(jīng)網(wǎng)絡(luò)進行機器學習的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明,。次日,，2024年諾貝爾化學獎授予大衛(wèi)·貝克（David Baker）、戴米斯·哈薩比斯（Demis Hassabis）和約翰·江珀（John M. Jumper）,，表彰他們在計算蛋白質(zhì)設(shè)計和用機器學習方法預測蛋白質(zhì)結(jié)構(gòu)方面的貢獻,。這兩項基礎(chǔ)科學的大獎都頒給了做人工智能相關(guān)研究的學者，引起科學界的熱議和爭論,。
諾貝爾獎委員會解釋為什么將諾貝爾物理學獎授予研究人工神經(jīng)網(wǎng)絡(luò)的學者,，是因為人工神經(jīng)網(wǎng)絡(luò)是用物理學工具訓練的。也就是說,，目前紅遍全世界的人工智能的原始基礎(chǔ)是基于物理學的發(fā)現(xiàn)和知識,，機器學習模型是基于物理原理實現(xiàn)的，其實就是告訴世人：物理學是人工智能的源頭,。
霍普菲爾德1982年在《美國科學院院刊》（《PNAS》）發(fā)表的論文中,，提出了一種人工神經(jīng)網(wǎng)絡(luò)模型（Hopfield Network），終結(jié)了從1974年開始的AI寒冬,，標志著以人工神經(jīng)網(wǎng)絡(luò)為新方向的人工智能學科的復興,。如今機器學習領(lǐng)域的頂級會議NeurIPS，其起源可以追溯到1984年以Hopfield名字直接命名的Hopfests會議,，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,。Hopfield網(wǎng)絡(luò)是按物理學上能量函數(shù)最小化來構(gòu)建的，可以看作是物理學中“自旋玻璃模型”的擴展,。Hopfield以跨學科的視角解釋了人工神經(jīng)網(wǎng)絡(luò)與物理學之間的聯(lián)系,，Hopfield Network對統(tǒng)計物理學、人工智能和神經(jīng)科學三大學科都產(chǎn)生了巨大的影響,。Hopfield教授曾為中國智能計算機的發(fā)展做出過貢獻,。1990年5月，國家智能計算機研究開發(fā)中心在北京召開了一次高規(guī)格的戰(zhàn)略研討會,，Hopfield教授是被邀請的著名學者之一,，會后國務委員宋健在人民大會堂接見了參會嘉賓。
辛頓的研究曾以Hopfield網(wǎng)絡(luò)為基礎(chǔ),，創(chuàng)建了一個使用不同方法的新網(wǎng)絡(luò)：玻爾茲曼機,。辛頓使用的是統(tǒng)計物理學的工具，用來學習和識別數(shù)據(jù)中的模式。Hopfield Network和玻爾茲曼機都是基于能量的模型,，統(tǒng)計力學原理是這兩者的核心,。它們都使用源自統(tǒng)計力學的能量函數(shù)，解決與模式識別和數(shù)據(jù)分類等應用相關(guān)的人工智能問題,。
諾貝爾獎只是一個獎項,，諾貝爾獎委員會也只吸納了部分科學家，也許我們不必過于在意諾貝爾獎授予誰,。但是這次諾貝爾獎某種意義的“跨界”,，不但說明了諾貝爾獎委員會在與時俱進，更重要的是,，喚醒了人們對人工智能超預期發(fā)展和廣泛滲透性的重視?，F(xiàn)在人工智能，特別是機器學習,，已成為物理,、化學、生物等基礎(chǔ)研究的重要工具,，“AI for Science”正在引起一場科研范式的大變革。這次諾貝爾獎的“出圈”不是物理學界和化學界的“悲哀”,，也許在科學史上會翻開新一頁,。人工智能確實是當今最活躍的領(lǐng)域，諾貝爾物理學獎,、化學獎頒給人工智能學者,，寄托了廣大科技工作者對人工智能推動人類社會跨越式發(fā)展的期望。
近百年來,，學科越分越細,。1900年只有約500門學科，2000年發(fā)展到5000門以上,，100年增加10倍,。按照這個趨勢，2100年可能要擴展到50000門,。中國教育部門設(shè)置的學科也是越來越多,，有些學者在為新增某個一級學科而上下奔波，這與學科融合發(fā)展的趨勢背道而馳,。辛頓教授獲得諾貝爾獎后接受采訪時說：“我覺得我是一個不知道自己在哪個研究領(lǐng)域的人,，但想弄清楚大腦工作原理，然后在研究中協(xié)助發(fā)明了一項效果驚人的技術(shù),?！?strong>不經(jīng)意的回答透露了獲得重大科學突破的奧秘：不要在自己頭上戴上哪個學科的“帽子”，做不知道屬于哪個領(lǐng)域的交叉科學研究,。這次“諾獎風波”后,，許多學者對長期以來禁錮我們思維的學科和專業(yè)繭房,，可能會有全新的思考，會更加重視跨學科的研究,。
非物理專業(yè)的科研人員理解這次諾貝爾獎?chuàng)肀斯ぶ悄?，不是關(guān)注物理是人工智能的源頭，而是更重視人工智能對物理等基礎(chǔ)研究的推動,。人工智能為什么能推動物理,、化學、生物等基礎(chǔ)研究,，涉及深層次的哲學問題,。物理與計算都致力于描述自然界如何運作，都試圖建立通用的世界模型,。有些樂觀的學者認為,，現(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)模型逐步演化，相互融合,，最終會形成通用的世界模型,。信息論與物理學中的熱力學也有著深層次的聯(lián)系，信息論中的熵與物理學中的熵具有類似的概念,，均涉及系統(tǒng)的無序性和不確定性,。一些激進的物理學家和哲學家提出，信息是物理世界的基礎(chǔ),，宇宙的基本構(gòu)成單元是信息（bit）,，而物理實體（如粒子和能量）只是信息的表現(xiàn)形式，物理過程在某種意義上就是計算過程,。當然,，更多的學者認為，雖然計算可以模擬和理解物理過程,，但并不意味著物理過程本身就是計算,。物理過程本質(zhì)上可能不是離散的，而是連續(xù)的,，用離散的圖靈機計算模型不能解釋全部客觀世界,，需要發(fā)明和構(gòu)建更通用的計算模型和物理模型。這種深層次的理論絕不是靠某個科學家靈機一動的思想火花就可以建立起來,，而是需要做長期艱苦的努力,。2006年，辛頓團隊先后在《Neural Computation》期刊和《Science》雜志上發(fā)表了兩篇關(guān)于深度神經(jīng)網(wǎng)絡(luò)的奠基性論文,，現(xiàn)在被認為是深度學習領(lǐng)域的里程碑之作,，但發(fā)表后幾年內(nèi)關(guān)注者寥寥無幾。辛頓團隊在2012年的ImageNet競賽中一鳴驚人，之前一直坐冷板凳,，但他們對人工神經(jīng)網(wǎng)絡(luò)的信仰一直沒有動搖,。不管人工智能和物理學實現(xiàn)深度融合還要經(jīng)過多少年努力，但大家已經(jīng)看到,，“AI for Physics （Science）” 和“Physics （Science） for AI”的道路都會越走越寬廣,。
人工智能和物理等基礎(chǔ)科學能走到一起，還有另一方面的原因,。英國哲學家波普爾1964年出版的《客觀知識》一書中,，區(qū)別兩種知識：“鐘”和“云”。牛頓方程,、拉普拉斯方程是精確,、干凈、光滑的,，屬于“鐘”的知識,；“云”的知識寫不出任何的方程來，是關(guān)于復雜性的知識,。長期以來,，人們習慣的數(shù)學語言，大多都是刻畫“鐘”的,。人們經(jīng)常使用“鐘”的語言講述“云”的故事,。量子力學的奠基人之一玻爾曾用“抹布”比喻科學語言和科學方法的局限性和相對性。他說：“你無法要求存在一塊絕對干凈的抹布,。”干凈的問題用干凈的方法可以解決,，但“臟”（不規(guī)則）的問題要用“臟”的方法才能解決,。人工智能類似于不太干凈的抹布，適合處理類似“云”的難以精確描述的問題,。華裔數(shù)學家陶哲軒將人工智能比喻為“猜測機器”,，可以迅速提供大量候選答案。傳統(tǒng)科學就像能產(chǎn)生一定量清潔飲用水的水龍頭,，而AI則是一個大消防水管,，可以輸出超過100倍的不可直接飲用的水。如果用一個過濾裝置幫助我們過濾掉那些雜質(zhì),，就可以得到干凈的水（科學）了,。如果物理學一直堅持只研究類似“鐘”的知識，就和以深度學習為代表的人工智能是兩股道上的車,，走不到一起,。但是，簡單的物理學問題都已經(jīng)解決了，現(xiàn)在留下的物理學問題,，都是復雜性很高的問題,，包含隨機性和不確定性，也屬于不太“干凈”的問題,，需要用到類似“云”的知識,，就和人工智能走到一起了。以前只有一種“合法的”科學,，即確定論的,、還原論的科學觀，現(xiàn)在可以有第2種科學觀,，即非確定的,、進化的、基于數(shù)據(jù)和概率統(tǒng)計的科學觀,，這兩種科學觀不是相互對立,，而是相互補充，應彼此尊重對方,。
復雜性不是對傳統(tǒng)科學范式的“擴容”,，不是更加復雜的還原論，而是對還原論假設(shè)系統(tǒng)的解構(gòu)和挑戰(zhàn),，挑戰(zhàn)了還原論的“信仰”,。從這個意義上講，是復雜性挑戰(zhàn)逼迫人工智能和所有的傳統(tǒng)科學形成了“統(tǒng)一戰(zhàn)線”,。馮·諾依曼早在60年前就提出：“20世紀應該著力解決的焦點問題是復雜性問題,，就像19世紀的核心是對熵、對能量的理解一樣,?！?956年的達特茅斯會議上，西蒙（Simon）建議用“復雜信息處理”這一術(shù)語取代“人工智能”,，這說明人工智能除了模仿人的目標外,，從誕生之初就還有一個目標：認識和駕馭“復雜系統(tǒng)”。1998年,，斯蒂芬·霍金發(fā)表了題為“信息與變革：下一個千年的科學”的演講,。他認為下一個千年（從21世紀開始）是“復雜性的千年”，或者說是復雜性主導的千年,。按照前輩大科學家的指引,，目前我們找到對付復雜性的一條出路是機器學習。
近幾年科研范式正在發(fā)生重大的變化,，我把這種新的范式稱為智能化科研（AI for Research,，AI4R）,，其主要的動力來自駕馭復雜性。物理,、化學,、生物學研究都要靠人工智能來對付指數(shù)爆炸。目前對付維數(shù)災難只有兩條出路,，一是機器學習,，二是復雜性科學。復雜性科學采用粗粒度的理解范式,，關(guān)注大規(guī)模宏觀模式和趨勢,。機器學習采用細粒度的預測范式，通過學習大量數(shù)據(jù)中的細微模式來進行預測,。圣塔菲研究所所長大衛(wèi)·克拉考爾最近撰文,，嘗試從理論層面實現(xiàn)復雜性科學與機器學習的統(tǒng)一。中國這兩個領(lǐng)域的學者聯(lián)系不多,，今后應加強溝通合作,。
2009年，中國科學院組織一批學者做《至2050年科學技術(shù)發(fā)展路線圖》戰(zhàn)略研究,，我牽頭做的信息科技發(fā)展路線圖認為：“信息技術(shù)不會變成以增量改進為主的傳統(tǒng)產(chǎn)業(yè)技術(shù),，而是面臨一次新的信息科學革命。信息技術(shù)的基礎(chǔ)理論大部分是在1960年代以前完成的,，近40年信息科學沒有取得重大突破,。上一次基本創(chuàng)新（即基于科學突破的重大發(fā)明）的高峰期是在20世紀40年代，現(xiàn)在已有大量的知識積累,，按照長波規(guī)律的推測,，21世紀20—30年代可能出現(xiàn)基本創(chuàng)新的高峰。2020年以后什么技術(shù)將成為新的主流技術(shù)就會逐步明朗,；2020—2035年將是信息技術(shù)改天換地的大變革期,。預計21世紀上半葉將興起一場以高性能計算和仿真、網(wǎng)絡(luò)科學,、智能科學、計算思維為特征的信息科學革命,。在網(wǎng)絡(luò)科學和智能科學取得重大突破以后,，21世紀下半葉基于信息科學的新的信息技術(shù)將取得比20世紀下半葉更大的發(fā)展?！?strong>近幾年人工智能的大發(fā)展似乎檢驗了15年前的戰(zhàn)略預見,，人工智能就是當時期盼的21世紀20—30年代可能會出現(xiàn)的基本創(chuàng)新。
20世紀40—60年代,，發(fā)明計算機和集成電路以后,，人類就進入了信息時代,。近幾年人工智能突飛猛進，既有重大的技術(shù)發(fā)明,，如transformer深度學習框架,，也是辛頓等科學家關(guān)于神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)研究理論突破。深度學習的黑盒模型為人工智能科學研究提出了急需解決的科學問題,，需求的牽引必將引發(fā)科學的突破,。人工智能技術(shù)的大發(fā)展，預示人類已經(jīng)處在進入智能時代的前夜,。目前的技術(shù)離實現(xiàn)真正的通用人工智能還有一定的距離,，再經(jīng)過10—20年的努力，大概率會出現(xiàn)基于重大科學突破的基礎(chǔ)發(fā)明,，為人類進入智能時代打下堅實的基礎(chǔ),。諾貝爾物理學獎、化學獎頒給人工智能學者本身不是一件大事,，但這次頒獎可能會在科技發(fā)展史留下痕跡,，我們的后代會記住這些為人類邁進智能時代做出重大貢獻的偉大科學家。
《科技導報》2024年第19期發(fā)表,，標題為《諾貝爾物理學和化學獎為何偏愛人工智能》,，有刪節(jié)。
免責聲明：本文來自網(wǎng)絡(luò)收錄或投稿,，觀點僅代表作者本人，不代表芒果財經(jīng)贊同其觀點或證實其描述,，版權(quán)歸原作者所有,。轉(zhuǎn)載請注明出處：http://lequren.com/1124263.html
溫馨提示：投資有風險，入市須謹慎,。本資訊不作為投資理財建議,。
