就在昨天，2024年的诺贝尔物理学奖公布，授予了约翰-霍普菲尔德（John J. Hopfield）和图灵奖得主、AI教父杰弗里-辛顿（Geoffrey E. Hinton），”以表彰他们利用人工神经网络进行机器学习的奠基性发现和发明”。
在接受电话采访时，就连杰弗里·辛顿本人都怀疑 “我怎么能确定这不是个恶作剧电话？”
而这一结果，也引发了网友们的讨论：有些人调侃地表示，物理学不存在了。也有人表示，这次颁奖可能会引起一系列连锁反应。
其实，物理学界也不是没什么新的研究成果，可谁知道直接“跨服”颁给了人工神经网络和机器学习领域。
究竟是为什么？
原因可能有很多，但不可否认的是，我们现在进入了一个极端复杂、相互融合的时代，物理不再是单纯的物理，计算机也不是单纯的计算机，开始相互有所交叉。
01 为什么诺贝尔物理学奖，颁给了AI专家？
约翰·霍普菲尔德和杰弗里·辛顿俩人，自上世纪80年代起就在人工神经网络领域做出了重要工作。
人工神经网络，顾名思义，源于对大脑工作原理的模仿。科学家们设想大脑的神经元可以通过计算节点的方式进行重现，这些节点通过类似神经突触的连接传递信息。
这样的网络经过训练，可以增强某些连接，抑制另一些，从而使系统在处理复杂数据时具备学习与记忆能力，成为现代人工智能的基础。
1980年代，拥有物理学背景的霍普菲尔德，开始着手将物理学概念引入人工神经网络领域。
他观察到大脑中的神经元之间通过复杂的连接进行信息传递和处理，于是他开始思考如何用计算机模拟这种工作方式。经过无数次的尝试和探索，他提出了霍普菲尔德网络。
霍普菲尔德网络是一种人工神经网络模型，它模拟了大脑神经元的工作方式，具有存储和检索信息的能力。
这个网络就像是一个超级智能的记忆盒子，当我们把一些信息 “放” 进去后，它能够根据这些信息的特征，在需要的时候准确地 “找” 出来。
接着，以霍普菲尔德网络为基础，杰弗里·辛顿又将人工神经网络推进到了全新的高度。
他利用霍普菲尔德神经网络的联想记忆功能，发明了新的神经网络玻尔兹曼机。
通过模拟物理系统中的粒子的运动，玻尔兹曼机能学习数据的概率分布，帮助机器学习到数据中的规律。
最后，得益于自20世纪80年代以来的工作，约翰·霍普菲尔德和杰弗里·辛顿帮助奠定了大约2010年开始的机器学习革命的基础，间接推动了机器学习与人工神经网络领域的发展。
而随着科学科技的快速发展，我们也迎来一个极端复杂的时代，A行业的问题能够从B行业找到答案的情况，会越来越多。
02 极端复杂的时代，来了
知名经济学家朱嘉明，曾在笔记侠PPE（政经哲）莫干山站分享了他对复杂时代的看法，他认为世界会变得越来越复杂，我们到了需要复杂科学的时候。
复杂科学
复杂科学针对的是复杂系统，我们在复杂系统之中，这个系统每时每刻变得更加复杂，人类将越来越敏感。混沌是源于复杂科学中的一个概念。
内卷是没有错的，内卷是人类在复杂系统面前的无可奈何，在不得不内卷的情况下，如何超脱和适应复杂性？
复杂性原来就存在，复杂科学总结了复杂性。描述复杂系统的公式是：复杂行为=简单规则+丰富关联。
所有今天的赢家是找到最简单的规则，然后找到复杂的环境进行关联。
复杂科学，源于1930年，提出“局部+局部〉整体”，“1+1〉2”，即中国的“一生二、二生三、三生万物”。
人类从未在复杂性面前变得如此谦卑，这个世界潮起潮落，参数不断增加和改变，冲突、政策不断混合在一起，没有人能概括和穷尽复杂科学，但不代表我们不能接受复杂性。
我们仅仅是越来越复杂的系统中一个小小的小点而已，如果不理解这一点，你就是虚妄的，不会再有其他的机会。
人类发展历史：从简单到复杂的历史
纵观人类发展历史，就是一个从简单到复杂的历史。
从狩猎阶段的原始社会，到农耕社会，都属于复杂程度低的社会。农业社会以几百年、上千年为周期的，那时候人们掌握的知识也不用那么多，懂得节气就能协调农业生产的问题。
① 狩猎社会的要素是人、工具、动物、动物生存条件。
最原始的阶段是人类狩猎阶段，一边是人类，一边是可以被人类食用的动物，中间只有一个环节，射杀。人本身、人的工具、动物、能使动物生存的条件，就这四个元素了。
② 农耕社会是基于光和作用之上的社会形态，要素包括土壤、天气、农民、种子、水利、男耕女织、区域化经济，是靠天吃饭。
复杂程度和人类参与成反比，复杂程度低，人类参与的面积、宽度和深度就更大。
农耕社会是人类参与广度、深度、持续性能力最长的人类社会形态，是一个学习成本最低的社会。如果有一点知识，无非是对天的认识，最后变成对节气的认识。能理解 24 节气，就知道怎么协调人与自然的关系。
这个社会在一定程度上是简单的，也是残忍的，如果发生严重天灾，就会产生严重饥荒，就会有很多人饿死。
农耕社会的极端状况下，人类都不可能整体性灭亡，因为一直都不存在覆盖全球人类所有居住地的同时发生的灾难，永远有幸存者，这样让人类留存下来，相对稳定。
简单和长度也成正比。越简单的社会，持续时间也越长。农耕社会动不动就是几百年、上千年。
③ 工业社会是从机械进入规模生产，到电机化、信息化、自动化的过程，经济活动变得极端复杂。
因为机器和机械参与了人类活动，生产地点不再受天气影响，于是有了生产线、管理、市场贸易，不断分裂出更多部门和行业，这是无穷尽的，今天的工业还在分裂出新工业和新行业。
复杂性最大的特点是反线性，所以这是工业迅速膨胀的原因。工业的每一个创新都会产生工业集群和产业集群。工业是把信息系统、物理系统、软硬件结合在一起的系统，驱动力是创新。
我们身体的所有感觉都不是计划出来的，并不存在大脑指挥神经，而这套理论就是人工智能的本质。因此工业社会不存在终极，没人可以把一个行业说清楚，这是结构和机制的复杂性。
极端复杂时代，来自科技的全方位和日益紧迫的挑战
21世纪有那么多因素使得时代变得复杂。
但有一个元素压倒一切——就是科技进步，它有自己的生命力，科技本身的发展已经改变了时代的环境。
复杂时代的第一个挑战：数字化
数字化的本质是人类经济活动被计算机改变，计算机让人类活动代码化，计算机语言是代码语言，数字化是人类所有活动代码化的过程，它将在量子时代到来的时候结束。
数据成为生产要素，现在讲数据管理其实没有办法解决一个问题，就是会遇到数据的存储和开发，以及从GPU到GPU的挑战，数据持续的无可遏制的膨胀，人类将被数据淹没。
微信短信已经成为非常困扰的事情，人类正在丧失对人类产生大数据的管理能力，解决数据问题靠什么？
靠算力。
讲芯片不可避免要提到台积电。3纳米，支撑数字时代不可逾越的技术。GPU将人工智能结合在一起，然后产生了英伟达。
英伟达如果是一个国家，是2万亿美元的市场规模，在全球可以排名第13名，在墨西哥之前，俄罗斯之后。
英伟达支撑人工智能的应用市场占比80％。
我们看到今天这个世界变得越来越严肃，芯片走到了摩尔定律的物理极限。参照性变了，我们进入到一个突破物理极限的数字和人工智能物质基础的时代。
当芯片无限小的时候，有很多问题必须去突破和解决。数字化转型绝对不是口号。
复杂时代的第二个挑战：人工智能
2006年，辛顿和他的学生正式提出深度学习（Deeping Learning）的概念，被称为深度学习之年，辛顿被称为深度学习之父；
2011年，苹果推出Siri语音技术；
2014年，聊天机器人“EugeneGoostman”通过图灵测试，亚马逊推出虚拟助手；
2016年，谷歌DeepMind的AlphaGo计算机程序战胜围棋冠军李世石；汉森机器人公司首次推出了一款名为索菲亚的防人机器人；
2017年，谷歌论文提出Transformer结构，为GhatGPT和DALL-E等生成式人工智能模型提供了技术突破的思路；
2018年，图灵奖授予三位科学家：本吉奥、辛顿和杨乐昆，基于在人工智能的深度学习贡献；
2020年，微软推出T-NLG，一种生成式语言模型；OpenAI发布了GPT-3语言模型，完成人类几乎无法完成的语言任务；
2021年，OpenAI发布DALL（可从文本生成图像的人工智能模型；谷歌引入了LaMDA大语言模型；
2022年，Stability AI发布Stable Diffusion，基于文本描述生成图像的工具。OpenAI发布突破性的ChatGPT，用户数量在5天内突破100万；
2023年，ChatGPT升级至GPT 4。DALL-E2进化为DALL-E3。Alphabet发布了由LaMDA提供支持的生成工具Bard；
2024年2月，OpenAI发布Sora。
图灵提出“凡是能被计算的，都能够被机器人实现”，他1950年提出“机器是可以思考的”。图灵机就是模拟了人在特定环境中如果让大脑无限运行，就可以解决的所有问题。
哥德尔、冯·诺依曼等人看到图灵机，给予高度评价，哥德尔说图灵机是最令人信服的。绝大多数人不是夸大人工智能，而是低估人工智能。
先有人工智能的观念和思想，再有人工智能的技术的发展。1943年，把神经生物学和计算机结合产生了所谓的MP模型，推动了1956年夏天一个人工智能的2个月研讨会，确定人工智能未来发展的三条路线：符号主义AI、连接主义AI、深度学习主义AI。
连接路线产生了深度学习，把深度学习理论模型化在2012年。
人工智能当前的竞争是深度学习领域。
人工智能的再次崛起，很大部分都要归结于深度学习的崛起，而作为深度学习三巨头之一的辛顿贡献了很大的部分。
2006年，辛顿对外发布自己的那三篇关于深度学习的论文。他没想到的是，仅仅一个源自实验室未被证明的设想，让人工智能现在已经变成了超过万亿美元的大行业。
他的研究成果得以直接推动人工智能在图像识别、语音识别、自然语言处理等众多领域的广泛应用，让计算机能够像人类一样学习和处理信息，极大地提升了人工智能的智能化水平。
可以说，辛顿的工作不仅改变了人工智能的发展轨迹，还深刻地影响了我们的生活。
如今，我们能够轻松地使用智能手机进行人脸识别、与语音助手交流、阅读机器翻译的文章等，这些都离不开辛顿的卓越贡献。
所以，2024 年诺贝尔物理学奖授予辛顿具有重大意义。这一奖项既是对辛顿个人成就的高度认可，更是对深度学习领域的一次至关重要的肯定。
版权声明
本文为本站原创内容,转载需注明文章来源(https://www.eiefun.com)，另:文中部分素材可能会引用自其他平台，如有侵权或其它，请联系 admin@eiefun.com，我们会第一时间配合删除