近日，2024年诺贝尔物理学奖揭晓!
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(John J. Hopfield)和杰弗里·E·辛顿(Geoffrey E. Hinton)，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。
这两位科学家的获奖，不仅是对他们个人成就的认可，也是对整个人工智能领域发展的肯定。他们的工作为机器学习的进步和人工智能的未来开辟了新的道路。
物理学奖颁给人工智能，这并非跨界
事实上，学界几乎没人预料到，今年的诺贝尔物理学奖会花落机器学习领域，颁给了两位人工智能(AI)先驱。此前，他俩几乎从未出现在该奖项的预测名单中，而Hinton更为人所知的身份是“人工智能之父”。
诺奖官方是这样解释的：
今年物理学奖得主的突破建立在物理科学的基础上。他们为我们展示了一种全新的方式来使用计算机来帮助和指导我们解决许多问题。
我们的社会面临的挑战。
感谢他们的工作，人类的工具箱中现在有了一个新项目，我们可以选择将其用于良好的目的。基于人工神经网络的机器学习目前正在彻底改变科学、工程和日常生活。
该领域已经在建设可持续社会方面取得突破，例如识别新的功能材料。未来如何使用人工神经网络的深度学习取决于我们人类如何选择使用这些已经存在于我们生活的许多方面的极其强大的工具。
在无人问津的领域持续耕耘
其实，人工神经网络并非最新的研究方向，从上世纪60年代起，科学家们就开始研究，且研究过程几经起伏。不论是Hopfield还是Hinton，他们的研究都经历了从热到冷、再到热的过程。尤其是Hinton，更为业内人士熟知的是他30年坐“冷板凳”的故事。
“早在上世纪80年代，人工神经网络曾是热门研究方向，但由于当时计算机算力等问题，这个领域一度被认为难有突破，很快就不再为人们所关注。但是，这两位学者却能持续地在神经网络方向耕耘。神经网络深度学习可说在他们的研究基础上得到了爆发式发展。”复旦大学类脑科学与智能研究院院长冯建峰教授上世纪80年代时读博士期间的研究以及博士论文，就与Hopfield网络相关，他与Hinton也有研究交集。
1986年，Hinton就和两位学生发表了一篇关于“反向传播算法”的论文，这一算法是训练神经网络的核心。但当时并未改变神经网络研究持续走低的趋势，直到2012年，Hinton和两位学生提出Alexnet模型，大幅提升了视觉识别的正确率后，引起了全球科学界震动，才开启了深度学习的热潮。
在冯建峰看来，出生于学术世家的Hinton是那种典型的为了学问而学问的人。也正是因此，他在神经网络研究的“寒冬”季节，一度在爱丁堡大学申请不到研究经费，但即便如此，他仍然没有放弃，而是“辗转”美国、加拿大继续他的研究方向。
“难以想象Hinton当年会在神经网络这个‘不受学界待见’的研究方向持续耕耘，直到在深度学习领域实现了巨大的突破。”上海交通大学人工智能学院特聘研究院张娅告诉记者，包括Hinton的导师在内，当时不少人都认为Hinton不该在这个方向浪费时间，甚至还劝说他转换方向。但也正是他在这个冷门的领域耕耘，使得他获得了2018年的图灵奖和今年的诺贝尔物理学奖，并且为后来人工智能的发展带来了革命性的突破。
诺奖垂青交叉领域
随着今年诺贝尔物理学奖的颁出，不少学者也开始讨论一个延伸话题：近年来，这一奖项越来越垂青交叉研究。
“这无异于凸显了前沿学科的交叉与互通性。”严峻驰在接受记者采访时列举到，2020年的诺贝尔物理学奖颁给了数学家彭罗斯，2021年的诺贝尔物理学奖则颁给了研究复杂系统的气象学家真锅淑郎、克劳斯·阿塞尔曼。再看今年，Hopfield和Hinton两人也同样是“跨界高人”。Hopfield是一位横跨多个学科领域的物理学博士，在物理、化学和生物学的交叉处开发了神经网络。Hinton就读剑桥大学时，同时学习物理学和生理学，后来获得实验心理学学士学位，他通过物理、数学和计算机、神经心理学多领域的交叉，推动机器学习的发展。
复旦大学物理学系教授施郁表示，机器学习的重要研究和发展，都与物理学有着千丝万缕的关系。一方面，物理学早已突破传统领域，研究的范围更广;另一方面，随着AI工具被广泛使用，越来越多的科研人员也正使用机器学习，继续拓展着物理、化学、生物等研究边界。
在这样的教育大环境下，我们也紧跟时代步伐，推出了一系列高质量的课题。这些课题由世界顶尖名校的教授领衔，旨在为学生提供最前沿的学术研讨和实践机会。通过这些课题，学生不仅能够接触到最新的人工智能知识，还能在物理、数学等基础学科领域获得深入的理解和应用。
通过这些课题的学习，学生将能够在人工智能和物理等基础科学领域打下坚实的基础，为未来的学术研究或职业生涯做好准备。同时，这些课程也将帮助学生培养批判性思维、分析和创造性思维、复杂沟通能力以及全球视野，这些都是未来社会所需的关键技能。
