諾貝爾物理學(xué)獎與人工智能：跨越學(xué)科的智慧交融

自1901年首次頒發(fā)以來，諾貝爾物理學(xué)獎一直被視為科學(xué)界的至高榮譽(yù)，它見證了物理學(xué)一個(gè)多世紀(jì)以來的每一次劃時(shí)代進(jìn)步。諾貝爾物理學(xué)獎授予的當(dāng)然應(yīng)該是對基礎(chǔ)物理學(xué)、實(shí)驗(yàn)物理學(xué)、應(yīng)用物理學(xué)等領(lǐng)域做出杰出貢獻(xiàn)的科學(xué)家，但值得特別關(guān)注的是，2024年度諾貝爾物理學(xué)獎的頒發(fā)開創(chuàng)了一個(gè)歷史性先例，該殊榮首次授予了在人工智能領(lǐng)域作出卓越貢獻(xiàn)的兩位科學(xué)家：美國普林斯頓大學(xué)的霍普菲爾德（J.J.Hopfield）與加拿大多倫多大學(xué)的辛頓（G.Hinton）。

這一決定迅速在學(xué)術(shù)界和公眾中引發(fā)了廣泛的討論以及質(zhì)疑，甚至有數(shù)位科學(xué)家在《自然》（Nature）雜志所刊登的訪談中公開表達(dá)了他們的不解：諾貝爾物理學(xué)獎，怎么會頒給了在計(jì)算機(jī)科學(xué)領(lǐng)域取得成就的學(xué)者[1]？這一看似“打破常規(guī)”的頒獎決策，是否預(yù)示著科學(xué)評價(jià)體系正醞釀著一場深刻的變革，抑或是對人工智能技術(shù)在當(dāng)代科學(xué)研究中所占據(jù)特殊地位的一種明確認(rèn)可？本文旨在深入剖析這一標(biāo)志性事件，挖掘其背后蘊(yùn)含的深遠(yuǎn)意義與廣泛影響，并進(jìn)一步探討人工智能如何與基礎(chǔ)學(xué)科相互融合，共同引領(lǐng)科學(xué)范式邁向一場全新的革命。

人工智能與諾貝爾獎的碰撞

人類對智能本質(zhì)的探求，猶如對浩瀚宇宙的無盡探索，是一場永無終點(diǎn)的知識之旅。在此過程中，科學(xué)家們不斷超越自我認(rèn)知的界限，在歷史的長河中留下了深刻的足跡?；赝?，圖靈（A.Turing）那場著名的演講——“數(shù)字計(jì)算機(jī)能思考嗎？”[2]——不僅激起了哲學(xué)領(lǐng)域的廣泛議論，更為人工智能的發(fā)展奠定了深邃的思考基礎(chǔ)。圖靈從計(jì)算的獨(dú)特視角出發(fā)，對智能進(jìn)行了深入的審視，并提出了以機(jī)器模擬人類智能這一宏大的設(shè)想，從而開啟了人工智能研究的先河。

對人工智能的理論探索可追溯至20世紀(jì)中葉，彼時(shí)，科學(xué)家們深受生物神經(jīng)系統(tǒng)運(yùn)作機(jī)理的啟迪，著手嘗試構(gòu)建能模擬人類大腦計(jì)算功能的數(shù)學(xué)模型。1943年，心理學(xué)家麥卡洛克（W.S.McCulloch）與數(shù)學(xué)家皮茨（W.Pitts）攜手提出了人工神經(jīng)元的開創(chuàng)性數(shù)學(xué)模型，此成果標(biāo)志著人工神經(jīng)網(wǎng)絡(luò)研究的正式啟航[3]。羅森布拉特（F.Rosenblatt）在此基礎(chǔ)上更進(jìn)一步，推出了感知機(jī)模型，作為首個(gè)人工神經(jīng)網(wǎng)絡(luò)的實(shí)例，它已經(jīng)可以勝任簡單的線性分類任務(wù)，但卻無法順利處理包含“異或”這類特殊邏輯的問題[4]。在隨后的數(shù)十年間，神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究遭遇了重大挑戰(zhàn)，其發(fā)展因計(jì)算能力的局限、算法的不成熟以及理論支撐的匱乏而陷入長期瓶頸，進(jìn)步遲緩乃至停滯不前。正是在這一背景下，霍普菲爾德與辛頓兩位科學(xué)家創(chuàng)新性地將物理學(xué)理論融入其中。鑒于物理學(xué)思想在處理復(fù)雜系統(tǒng)與優(yōu)化問題方面所展現(xiàn)出的獨(dú)特優(yōu)勢，這一融合最終為神經(jīng)網(wǎng)絡(luò)領(lǐng)域帶來了革命性的突破。

物理學(xué)思想推動神經(jīng)網(wǎng)絡(luò)新紀(jì)元

霍普菲爾德早期的研究聚焦于凝聚態(tài)物理，并在激子和半導(dǎo)體理論方面作出了重要貢獻(xiàn)。他始終堅(jiān)信自己的研究實(shí)踐嚴(yán)格遵循著物理學(xué)的核心理念與范式，并且從未將物理局限于研究對象的界定之中，而是認(rèn)為物理學(xué)的核心精髓在于世界是可知的。他主張通過分解物體，深入探究其組成部分之間的相互聯(lián)系，并依托實(shí)驗(yàn)手段，逐步建立起對物體行為精準(zhǔn)而定量的理解框架?；羝辗茽柕录?xì)化了聯(lián)想記憶的概念，即根據(jù)部分信息——不管它是否包含誤差，利用相似性尋找正確的目標(biāo)。1982年，他提出了具備聯(lián)想記憶功能的霍普菲爾德網(wǎng)絡(luò)模型（Hopfieldnetwork），這是一種基于物理學(xué)能量函數(shù)的遞歸神經(jīng)網(wǎng)絡(luò)[5]，其理論框架直接借鑒了物理學(xué)中的自旋玻璃理論。該神經(jīng)網(wǎng)絡(luò)呈現(xiàn)出一種簡潔而高效的結(jié)構(gòu)特性，具體表現(xiàn)為一個(gè)單層且全連接的網(wǎng)絡(luò)架構(gòu)。在這一架構(gòu)中，所有神經(jīng)元均被部署在同一處理層上，并且網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元均通過權(quán)重與其他所有神經(jīng)元建立了緊密的連接關(guān)系。這種設(shè)計(jì)構(gòu)建了一個(gè)高度互動且信息流通無障礙的網(wǎng)絡(luò)環(huán)境，使得所有神經(jīng)元能夠協(xié)同參與信息的處理與存儲任務(wù)。神經(jīng)元的狀態(tài)也設(shè)計(jì)得極為簡潔，它們僅有兩種不同的存在形式。這種設(shè)計(jì)極大地簡化了網(wǎng)絡(luò)的處理邏輯，使得網(wǎng)絡(luò)的操作更加直觀易懂。

霍普菲爾德網(wǎng)絡(luò)的核心創(chuàng)新在于將物理學(xué)中的伊辛模型創(chuàng)造性地引入神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中。在伊辛模型中，磁針傾向于與其他磁針對齊或反對齊，推動系統(tǒng)趨向能量最低的穩(wěn)定狀態(tài)[6]?；羝辗茽柕虑擅罱梃b此原理，使神經(jīng)網(wǎng)絡(luò)在能量函數(shù)最小化時(shí)達(dá)到最穩(wěn)定狀態(tài)，從而能“記憶”特定模式或信息。此外，他深刻洞察到由簡單但相互作用的神經(jīng)元構(gòu)成的復(fù)雜系統(tǒng)能自發(fā)展現(xiàn)強(qiáng)大計(jì)算能力，這與物理學(xué)中的層展論和涌現(xiàn)現(xiàn)象相契合，為神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)帶來新視角。

在訓(xùn)練階段，霍普菲爾德網(wǎng)絡(luò)憑借其獨(dú)特的工作原理，能夠有效地對一系列輸入模式進(jìn)行“記憶”。該網(wǎng)絡(luò)具備存儲多條信息載體的能力，并且其系統(tǒng)能量分布呈現(xiàn)出多個(gè)極小值點(diǎn)。當(dāng)網(wǎng)絡(luò)接收到外部信息時(shí)，它會依據(jù)能量函數(shù)動態(tài)地調(diào)整神經(jīng)元的狀態(tài)，促使網(wǎng)絡(luò)重新收斂至記憶庫中與輸入信息最為接近的極小值點(diǎn)，從而恢復(fù)出最為相似的存儲信息。這一過程好比在一個(gè)崎嶇復(fù)雜的地貌上滾動球體，受摩擦力影響，球體將緩慢滾動并最終停駐在附近的低洼處?；羝辗茽柕戮W(wǎng)絡(luò)的這一特性不僅使其具備數(shù)據(jù)恢復(fù)的能力，還為其提供了一種有效的糾錯機(jī)制：當(dāng)網(wǎng)絡(luò)狀態(tài)發(fā)生偏差時(shí)，通過調(diào)整可以使其回歸到能量極低的穩(wěn)定狀態(tài)，從而實(shí)現(xiàn)糾錯。然而，霍普菲爾德網(wǎng)絡(luò)也存在一定的局限性，即容易陷入局部最優(yōu)解。由于能量函數(shù)存在多個(gè)極小值點(diǎn)，網(wǎng)絡(luò)在尋找全局最小值的過程中可能會停駐在某個(gè)局部最小值處，導(dǎo)致無法恢復(fù)到最相似的存儲信息。

盡管如此，霍普菲爾德網(wǎng)絡(luò)的研究仍然具有深遠(yuǎn)的意義。它不僅成功地模擬了人類大腦中由片段至整體、由抽象至具體的聯(lián)想記憶機(jī)制，而且為神經(jīng)網(wǎng)絡(luò)的研究開辟了全新的路徑，深刻揭示了神經(jīng)網(wǎng)絡(luò)在解決復(fù)雜聯(lián)想記憶問題方面所蘊(yùn)含的巨大潛力。凝聚態(tài)物理的主要奠基人安德森（P.W.Anderson）對霍普菲爾德在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的工作給予了高度評價(jià)。他指出，盡管對于霍普菲爾德成就的每一個(gè)方面，都有神經(jīng)科學(xué)家和計(jì)算機(jī)科學(xué)家聲稱在此之前已有相關(guān)研究，但不可否認(rèn)的是，霍普菲爾德模型對神經(jīng)網(wǎng)絡(luò)后續(xù)的發(fā)展產(chǎn)生了深遠(yuǎn)影響。該模型建立在堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)之上，使得對其功能和準(zhǔn)確性的嚴(yán)格數(shù)學(xué)證明成為可能[7]?；羝辗茽柕碌难芯坎粌H為神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)與構(gòu)建提供了寶貴的思路與啟示，而且極大地推動了神經(jīng)網(wǎng)絡(luò)在模式識別、優(yōu)化計(jì)算等諸多領(lǐng)域的廣泛應(yīng)用。

基于深厚物理學(xué)基礎(chǔ)構(gòu)建的生成模型

辛頓于1978年獲得了人工智能博士學(xué)位。當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)被視為一個(gè)“失敗”的研究方向，甚至被人工智能領(lǐng)域的權(quán)威明斯基（M.Minsky）用數(shù)學(xué)推理證明其“錯誤”。但辛頓卻始終堅(jiān)守在神經(jīng)網(wǎng)絡(luò)的研究前沿。1985年，辛頓等人提出了玻爾茲曼機(jī)模型（Boltzmannmachine），該模型在霍普菲爾德網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)一步發(fā)展，引入了隨機(jī)性和概率分布的概念，很大程度上解決了霍普菲爾德網(wǎng)絡(luò)易陷入局部最優(yōu)解的問題。辛頓曾在一次采訪中明確指出，玻爾茲曼機(jī)是霍普菲爾德網(wǎng)絡(luò)的延伸與拓展。兩者在理論和方法上具有緊密的傳承關(guān)系，共同促進(jìn)了神經(jīng)網(wǎng)絡(luò)領(lǐng)域的蓬勃發(fā)展。

玻爾茲曼機(jī)的工作原理深深植根于統(tǒng)計(jì)物理學(xué)中的玻爾茲曼分布理論，該理論揭示了物理系統(tǒng)中各狀態(tài)概率分布與其能量之間的內(nèi)在聯(lián)系：能量越低的狀態(tài)越穩(wěn)定，其出現(xiàn)的可能性也越大。辛頓將這一原理應(yīng)用于神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)之中。在該模型中，神經(jīng)元被組織為輸入層、隱藏層和輸出層這三大核心組件，各層協(xié)同工作，使玻爾茲曼機(jī)能夠?qū)W習(xí)到更為復(fù)雜且高度抽象的特征表示，顯著增強(qiáng)了網(wǎng)絡(luò)的處理能力和泛化性能[8]。具體而言，模型為每個(gè)神經(jīng)元的狀態(tài)以及它們之間的組合都分配了一個(gè)特定的“能量值”，這些能量值會隨著訓(xùn)練過程的推進(jìn)而發(fā)生變化。網(wǎng)絡(luò)則致力于尋找那些能量最低、最穩(wěn)定的狀態(tài)。需要注意的是，盡管玻爾茲曼機(jī)與霍普菲爾德模型均采納了能量函數(shù)的概念，并共同遵循了能量趨近最小化的基本原則，但兩者在能量最小值的處理上卻有著本質(zhì)的區(qū)別。伊辛模型所聚焦的能量最小值，是在給定系統(tǒng)參數(shù)下的確定值。相比之下，玻爾茲曼分布中的能量最小值則呈現(xiàn)為一種概率分布的形式，它描繪了在不同能量層級上粒子出現(xiàn)的可能性。這種隨機(jī)性使得神經(jīng)網(wǎng)絡(luò)有機(jī)會跳出當(dāng)前的局部最優(yōu)解，去探索其他可能的更優(yōu)解。

在模型啟動并投入運(yùn)行后，它將遵循圖示原理持續(xù)工作，直至網(wǎng)絡(luò)達(dá)成一個(gè)穩(wěn)態(tài)或完成預(yù)設(shè)的迭代輪次。在這個(gè)過程中，玻爾茲曼機(jī)首先通過正向傳播機(jī)制，計(jì)算出每個(gè)神經(jīng)元被激活的概率，并據(jù)此得出整個(gè)網(wǎng)絡(luò)的能量水平。然而，由于數(shù)據(jù)集中可能存在噪聲、異常值，或者數(shù)據(jù)的分布與模型預(yù)期不完全一致。為了解決這個(gè)問題，玻爾茲曼機(jī)還引入了反向傳播算法——這一算法也是由辛頓等人提出并推廣。在反向傳播階段，模型依據(jù)當(dāng)前狀態(tài)與期望狀態(tài)之間的偏差，借助梯度下降等優(yōu)化策略，以縮小這一差異。隨著訓(xùn)練過程的持續(xù)深入，模型將逐漸逼近數(shù)據(jù)的真實(shí)概率分布，其預(yù)測結(jié)果也將愈發(fā)準(zhǔn)確。值得一提的是，反向傳播算法的核心思想與物理學(xué)中的退火過程具有某種相似性。在退火過程中，系統(tǒng)隨著溫度的逐漸降低，其能量狀態(tài)不斷遞減，最終趨于一個(gè)穩(wěn)定且能量最低的狀態(tài)[9]。這一過程與反向傳播算法通過不斷調(diào)整參數(shù)，引導(dǎo)模型逐步穩(wěn)定，并最終完成任務(wù)的過程有著異曲同工之妙。兩者雖源自不同領(lǐng)域，但在追求穩(wěn)定狀態(tài)和優(yōu)化目標(biāo)的過程中，展現(xiàn)出了相似的思想。

與霍普菲爾德不同，辛頓在踏入人工智能研究領(lǐng)域之前，并沒有系統(tǒng)性地深入學(xué)習(xí)過物理學(xué)專業(yè)。但他出身于一個(gè)物理學(xué)底蘊(yùn)深厚的家庭，其家族中不乏物理學(xué)界的佼佼者。辛頓的祖母與流體力學(xué)權(quán)威泰勒（G.I.Taylor）之母乃嫡親姐妹。此外，辛頓的姑姑寒春（JoanHinton）是一位杰出的核物理學(xué)家，她曾參與曼哈頓計(jì)劃，曾與費(fèi)米（E.Fermi）、泰勒（E.Teller）、張伯倫（O.Chamberlain）以及楊振寧等眾多物理學(xué)巨匠共事。她于1948年來到中國，為中國的機(jī)械化養(yǎng)殖事業(yè)做出了重要貢獻(xiàn)，并成為中國綠卡第一人。而寒春的外祖父布爾（G.Boole）則是布爾代數(shù)和布爾邏輯的創(chuàng)始者，他的這一貢獻(xiàn)為現(xiàn)代計(jì)算機(jī)科學(xué)奠定了基礎(chǔ)。

1986年，為了進(jìn)一步提升模型的訓(xùn)練效率與實(shí)用性，受限玻爾茲曼機(jī)（restrictedBoltzmannmachine）應(yīng)運(yùn)而生。它通過限制同一層內(nèi)神經(jīng)元之間的連接，提升了模型的訓(xùn)練速度。這一創(chuàng)新極大地促進(jìn)了玻爾茲曼機(jī)在圖像識別、語音識別等多個(gè)領(lǐng)域的廣泛應(yīng)用，但直到2000年才變得知名。隨著時(shí)間的推移，辛頓和他的學(xué)生及同事們又開發(fā)與優(yōu)化了一系列深度學(xué)習(xí)模型和算法，如深度信念網(wǎng)絡(luò)的提出以及卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)等。其背后蘊(yùn)含的物理思想，則為神經(jīng)網(wǎng)絡(luò)的研究開辟了全新的視角，極大地增強(qiáng)了神經(jīng)網(wǎng)絡(luò)在解決復(fù)雜非線性問題上的能力，更為后續(xù)的深度學(xué)習(xí)技術(shù)發(fā)展奠定了堅(jiān)實(shí)的理論基石。

物理學(xué)賦能人工智能

如前所述，物理學(xué)作為自然科學(xué)的基石，在人工智能的發(fā)展歷程中發(fā)揮了極其重要的作用。如今，人工智能與物理學(xué)的融合趨勢日益顯著，物理學(xué)不僅為神經(jīng)網(wǎng)絡(luò)的構(gòu)筑奠定了堅(jiān)實(shí)的理論基礎(chǔ)，更成為推動人工智能技術(shù)不斷突破邊界、實(shí)現(xiàn)創(chuàng)新的核心驅(qū)動力。除了前文提到的玻爾茲曼分布、伊辛模型和退火算法之外，哈密頓神經(jīng)網(wǎng)絡(luò)和混沌神經(jīng)網(wǎng)絡(luò)等實(shí)例，亦是物理學(xué)思想在神經(jīng)網(wǎng)絡(luò)優(yōu)化過程中的具體運(yùn)用?；煦缟窠?jīng)網(wǎng)絡(luò)借鑒了混沌理論，通過引入混沌動態(tài)特性，提高神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜、非線性問題時(shí)的學(xué)習(xí)能力和泛化能力。哈密頓神經(jīng)網(wǎng)絡(luò)則是從哈密頓力學(xué)中汲取靈感，通過模擬系統(tǒng)的能量守恒定律來優(yōu)化神經(jīng)網(wǎng)絡(luò)的性能。哈密頓力學(xué)作為經(jīng)典力學(xué)的一個(gè)重要分支，利用哈密頓量來精確描述系統(tǒng)狀態(tài)與能量之間的內(nèi)在聯(lián)系。哈密頓神經(jīng)網(wǎng)絡(luò)將這一物理原理應(yīng)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，通過從數(shù)據(jù)中學(xué)習(xí)描述系統(tǒng)的哈密頓量，進(jìn)而精準(zhǔn)預(yù)測系統(tǒng)的動態(tài)演變。這種方法使得神經(jīng)網(wǎng)絡(luò)在理解潛在動力學(xué)和進(jìn)行準(zhǔn)確預(yù)測方面表現(xiàn)出色[10]。這些物理學(xué)思想的應(yīng)用，不僅豐富了神經(jīng)網(wǎng)絡(luò)的研究手段，也推動了神經(jīng)網(wǎng)絡(luò)性能的顯著提升。同時(shí)，物理學(xué)中的數(shù)值模擬技術(shù)，如蒙特卡羅模擬、分子動力學(xué)模擬等，也被廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與優(yōu)化過程[11]。

此外，量子計(jì)算作為量子力學(xué)的一項(xiàng)重要應(yīng)用，也逐漸嶄露頭角，成為驅(qū)動神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)制、算法設(shè)計(jì)以及優(yōu)化策略革新的核心動力。量子力學(xué)中的疊加態(tài)、糾纏態(tài)等核心概念為神經(jīng)網(wǎng)絡(luò)研究注入了全新活力。新興的量子機(jī)器學(xué)習(xí)技術(shù)，融合了量子計(jì)算的速度與機(jī)器學(xué)習(xí)的強(qiáng)大學(xué)習(xí)與適應(yīng)能力。通過模擬微觀粒子所具有的疊加、糾纏、一致性和平行性特性，將傳統(tǒng)的機(jī)器學(xué)習(xí)算法量子化，以增強(qiáng)其表示、推理、學(xué)習(xí)和數(shù)據(jù)關(guān)聯(lián)的能力。例如劍橋量子（CambridgeQuantum）公司發(fā)布了lambeq軟件工具包，該工具包可以將文字轉(zhuǎn)換為量子電路，為自然語言處理提供了新的計(jì)算范式[12]。同時(shí)，量子計(jì)算領(lǐng)域中的一系列量子算法，如量子近似優(yōu)化算法與變分量子優(yōu)化算法，在解決復(fù)雜優(yōu)化問題方面展現(xiàn)出了顯著的優(yōu)越性與高效性。這些算法能夠充分利用量子比特的獨(dú)特性質(zhì)，同時(shí)探索多個(gè)潛在的解決方案路徑，從而迅速鎖定全局最優(yōu)解。鑒于神經(jīng)網(wǎng)絡(luò)中優(yōu)化問題的普遍存在，量子算法的應(yīng)用無疑將極大地加速這些優(yōu)化進(jìn)程，全面提升神經(jīng)網(wǎng)絡(luò)的性能表現(xiàn)與運(yùn)行效率。

AI+Science=？

人工智能在發(fā)展過程中，持續(xù)不斷地從其他基礎(chǔ)科學(xué)中汲取靈感與養(yǎng)分?；羝辗茽柕戮W(wǎng)絡(luò)、玻爾茲曼機(jī)以及新興的量子算法等實(shí)例，便是極有力的佐證，彰顯了人工智能背后的科學(xué)原理是其持續(xù)發(fā)展的核心動力和堅(jiān)實(shí)基石。這些原理往往源自多個(gè)學(xué)科的深度交融，它們共同為人工智能的發(fā)展奠定了堅(jiān)實(shí)的理論基礎(chǔ)。在此理念框架下，以物理學(xué)為代表的基礎(chǔ)科學(xué)不僅為人工智能技術(shù)的創(chuàng)新指明了方向，更為其提供了源源不斷的動力和支持，助力AI技術(shù)突破現(xiàn)有發(fā)展瓶頸，向更為成熟的階段不斷邁進(jìn)。

基礎(chǔ)科學(xué)賦能了人工智能的發(fā)展，而如今，人工智能也在反過來為基礎(chǔ)科學(xué)的持續(xù)推進(jìn)賦能。2024年度諾貝爾化學(xué)獎授予了貝克（D.Baker）、哈薩比斯（D.Hassabis）及江珀（J.Jumper）三位科學(xué)家，以表彰他們在蛋白質(zhì)設(shè)計(jì)和蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域作出的貢獻(xiàn)，其中，哈薩比斯與江珀因共同研發(fā)名為“AlphaFold”的人工智能模型而獲獎。諾貝爾獎聚焦于人工智能領(lǐng)域，無疑是對人工智能在科學(xué)界所獲得廣泛認(rèn)可與高度重視的有力佐證。近年來，“AI4S”（ArtificialIntelligenceforScience）這一新興理念正逐漸引領(lǐng)科學(xué)研究邁入人工智能驅(qū)動的新紀(jì)元。在當(dāng)今信息爆炸的時(shí)代洪流中，物理、化學(xué)與生物等基礎(chǔ)科學(xué)領(lǐng)域正面臨著前所未有的復(fù)雜挑戰(zhàn)。正是在這一背景下，人工智能技術(shù)憑借其卓越的學(xué)習(xí)與推理能力，為應(yīng)對這些嚴(yán)峻挑戰(zhàn)開辟了全新的解決路徑。2024年度諾貝爾物理學(xué)獎委員會主席穆恩斯（E.Moons）也對此次物理學(xué)獎獲獎?wù)邆兏叨仍u價(jià)道：“獲獎?wù)叩墓ぷ饕旬a(chǎn)生巨大效益，當(dāng)今物理學(xué)諸多領(lǐng)域正廣泛應(yīng)用人工神經(jīng)網(wǎng)絡(luò)。”因此，在此框架下，人工智能早已不是科學(xué)研究的輔助工具，而是成為探索新科學(xué)現(xiàn)象與規(guī)律的重要驅(qū)動力[13]。

基礎(chǔ)科學(xué)與人工智能之間形成的強(qiáng)互動關(guān)系正逐步成為科學(xué)研究的新范式。研究者們開始深入探討一個(gè)核心議題：人工智能是否已超越輔助工具的范疇，逐漸發(fā)展為一門獨(dú)立且成熟的科學(xué)學(xué)科？如今的人工智能，已遠(yuǎn)非“僅僅是一種技術(shù)手段或工具”所能概括，在長期的探索與實(shí)踐中，它逐漸構(gòu)建起了一套完備且系統(tǒng)的理論體系，并形成了獨(dú)具特色的方法論體系。展望未來，這一全新范式有望展現(xiàn)出更為廣闊而深遠(yuǎn)的潛力與價(jià)值。它不僅會驅(qū)動AI技術(shù)的不斷創(chuàng)新與突破性發(fā)展，更將促成科學(xué)研究方法的根本性變革，加速跨學(xué)科融合的進(jìn)程，為探索宇宙的深邃奧秘，推動人類社會的全面進(jìn)步開辟出一條嶄新的道路。

霍普菲爾德網(wǎng)絡(luò)與玻爾茲曼機(jī)的突破性成就，彰顯了作為基礎(chǔ)學(xué)科的物理學(xué)對其他學(xué)科領(lǐng)域的深刻影響?；羝辗茽柕戮W(wǎng)絡(luò)憑借其獨(dú)特的能量函數(shù)和動態(tài)特性，為探索大腦的信息處理機(jī)制提供了新的視角，而玻爾茲曼機(jī)則通過引入概率分布和溫度參數(shù)，為模擬大腦學(xué)習(xí)這一復(fù)雜過程構(gòu)建了一個(gè)更為靈活的框架。另一方面，人工智能的持續(xù)快速發(fā)展，正驅(qū)動著科學(xué)研究范式的深刻轉(zhuǎn)變，這為其他基礎(chǔ)學(xué)科領(lǐng)域的發(fā)展帶來了新的契機(jī)。因此，人工智能技術(shù)與以物理學(xué)為代表的基礎(chǔ)學(xué)科之間，正逐漸形成一種雙向促進(jìn)的新發(fā)展范式。諾貝爾物理學(xué)獎頒發(fā)給在人工智能領(lǐng)域取得卓越成就的兩位研究者，不僅是對人工智能技術(shù)的認(rèn)可，更是肯定了物理學(xué)理論和思想在推動人工智能科技進(jìn)步中所扮演的重要角色。此榮譽(yù)之授予，實(shí)乃名至實(shí)歸。

[本文相關(guān)研究受國家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（11904217）、國家社會科學(xué)基金重大項(xiàng)目（16ZDA113）、中國科協(xié)創(chuàng)新戰(zhàn)略研究院科研項(xiàng)目“人工智能發(fā)展現(xiàn)狀及未來趨勢研究”、國家社會科學(xué)基金一般項(xiàng)目（24BZX075）資助。]

[1]CastelvecchiD，CallawayE，KwonD.AIcomestotheNobels：doublewinsparksdebateaboutscientificfields.Nature，2024.DOI：10.1038/d41586-024-03310-8.

[2]TuringA，BraithwaiteR，JeffersonG，etal.Canautomaticcalculatingmachinesbesaidtothink？（1952）//.CopelandBJ，ed.Theessentialturing.Oxford：ClarendonPress，2004：487.

[3]McCullochWS，PittsW.Alogicalcalculusoftheideasimmanentinnervousactivity.BulletinofMathematicalBiophysics，1943，5：115-133.

[4]RosenblattF.Theperceptron：aprobabilisticmodelforinformationstorageandorganizationinthebrain.PsychologicalReview，1958，65（6）：386.

[5]HopfieldJJ.Hopfieldnetwork.Scholarpedia，2007，2（5）：1977.

[6]CipraBA.AnintroductiontotheIsingmodel.TheAmericanMathematicalMonthly，1987，94（10）：937-959.

[7]HopfieldJJ.Nowwhat？.2018.https：//pni.princeton.edu/sites/g/files/toruqf321/files/documents/John%20Hopfield%20Now%20What%203_0.pdf.

[8]HintonGE.Boltzmannmachine.Scholarpedia，2007，2（5）：1668.

[9]RutenbarRA.Simulatedannealingalgorithms：Anoverview.IEEECircuitsandDevicesMagazine，1989，5（1）：19-26.

[10]GreydanusS，DzambaM，YosinskiJ.Hamiltonianneuralnetworks.AdvancesinNeuralInformationProcessingSystems，2019，32.

[11]HarrisonRL.Introductiontomontecarlosimulation//AIPconferenceproceedings.NIHPublicAccess，2010，1204：17.

[12]KartsaklisD，F(xiàn)anI，YeungR，etal.lambeq：Anefficienthigh-levelpythonlibraryforquantumNLP.arXivpreprintarXiv：2110.04236，2021.

[13]楊小康，許巖巖，陳露，等.AIforScience：智能化科學(xué)設(shè)施變革基礎(chǔ)研究.中國科學(xué)院院刊，2024，39（01）：59-69.

關(guān)鍵詞：物理學(xué)人工智能諾貝爾獎AI+Science范式變革■