“机器学习”拿下诺贝尔物理学奖，对AI技术创业有什么启示？

10月8日，2024年诺贝尔奖获奖者名单开启公布。这一年的诺贝尔物理学奖被授予美国普林斯顿大学教授约翰·霍普菲尔德（John Hopfield）和加拿大多伦多大学教授杰弗里·辛顿 （Geoffrey Hinton），以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。

根据瑞典皇家科学院的官方公告，2024年诺贝尔奖得主利用物理学工具开发出来的方法，为如今强大的机器学习奠定了基础。

其中，霍普菲尔德创建了“霍普菲尔德网络”（Hopfield Network），一种能够有效存储和重建信息的结构，其设计灵感来源于生物神经系统的工作原理。

这种网络的核心在于利用了物理学中的自旋系统能量来描述数据特征，通过将数据特征映射到一个能量状态空间，使得网络能够在不同的状态之间进行有效的转换和优化。

杰弗里·E·辛顿则以霍普菲尔德网络为基础，发明了一种可以独立发现数据中的属性的方法，称为玻尔兹曼机。

玻尔兹曼机可以学习识别给定类型数据中的特征元素，可用于对图像进行分类或创建训练模式类型的新示例。这项工作使用了统计物理学的工具。

“辛顿以这项工作为基础，帮助启动了机器学习当前的爆炸式发展。”公告写道。这段被称为爆炸性发展的阶段，也就是以人工神经网络为核心的深度学习革命。

约翰·霍普菲尔德是一名物理学家，早年在普林斯顿大学获得博士学位，主要研究计算神经科学。他最著名的贡献就是提出“Hopfield网络”，将物理中的能量最小化概念应用到神经网络中。霍普菲尔德的研究跨越了物理学、神经科学和计算机科学，为人工神经网络的研究提供了交叉基础。

杰弗里·辛顿早年在爱丁堡大学获得博士学位，他更知名的身份标签是人工智能领域的领军人物，“人工智能之父”，以及2018年图灵奖得主。他的工作推动了现代机器学习的发展，特别是在语音和图像识别中的应用。

相比于物理学界，今年的诺贝尔物理学奖或许对人工智能领域产生了更宏大深远的影响。

诺贝尔物理学委员会**Ellen Moons在公告中直白地指出了这一点：“获奖者的工作已经带来了最大的好处。在物理学中，我们在广泛的领域使用人工神经网络，例如开发具有特定性能的新材料。”

从技术应用层面来讲，这正指向了当前AI领域一个等待厚积薄发的赛道，AI for Science（AI4S）。

具体而言，它是指利用AI技术进行基础科学研究，以找出相关领域未被发现的科学规律，或解决处于瓶颈的科学难题。这些新出现的答案有可能帮助机构或企业，实现研发创新方面的突破，最终落地为前所未见的产品。这套路径可能适用于医药、材料、能源等众多面临基础研究瓶颈的领域。

事实上，海内外已经有诸多企业在AI4S这条路上进行了大量探索。

例如谷歌旗下的DeepMind，曾发布多个针对基础科学研究的深度学习模型，包括专门设计用于从第一性原理计算原子和分子的能量的FermiNet（费米网），以及用于“电子密度映射到化学相互作用能量”这一量子化学模拟中关键组成部分的DM21等等。

另一家由微软孵化的量子技术公司Sandbox AQ，则是利用人工智能和量子技术解决一些世界上最具挑战性的问题，例如加速药物开发、催化新一代医疗诊断设备的发展、提高网络安全性等等。

在国内，深势科技、天鹜科技等公司已经驶入赛道。深势科技的核心技术为分子模拟技术，核心成员来自北京大学、普林斯顿大学、约翰霍普金斯大学等，目前已针对药企、材料商和科研机构实现了产品发布。

天鹜科技的目标领域为AI蛋白质设计，其核心团队主要来自于上海交通大学，技术方向为利用人工智能来设计和优化蛋白质，以推动生物制造和健康科技的突破。

AI4S这一方向已经受到了全球范围内的极大重视。今年4月底，PCAST（美国总统科技顾问委员会）撰写了一篇题为《加速研究：利用人工智能应对全球挑战》的报告，其中一份技术报告概述了AI技术对全球研究的潜在影响。

报告指出，AI将从根本上改变人类进行科学研究的方式。其阐述了AI在材料、半导体设计、气候、物理、生命科学等领域已经做出的改变，并高度总结AI如何通过提供研究人员工具来加速科学发现和技术进步，从而革命性地改变人类解决最紧迫问题的能力。

尽管此次诺贝尔物理学奖的本质意义，是嘉奖两位科学家在计算机科学与物理学结合之下的基础性发现和发明，但它的确对AI4S这一技术应用领域产生了强大的启示作用。

一名尤为关注AI领域技术发展的投资人对界面新闻记者表示，这个奖项背后的重要意义在于，以AI解决了基础科学研究进程中“计算”的问题。“以前大家觉得找不到基本原理，可能被问是不是算得不够好？现在维数灾难被AI解决，这个诺奖实至名归。”

接下来，AI4S或许是学界和业界对于AI发展重点关注的方向之一。