10月8日，2024年物理学奖花落两位“冷门学者”：91岁高龄的约翰·霍普菲尔德（John Hopfield）和77岁的杰弗里·辛顿（Geoffrey Hinton）。

这是令人意外的一次颁奖。毕竟，数个诺奖预测都相信，物理奖应该是天体物理、粒子物理、应用物理、量子物理、凝聚态物理、经典物理、原子分子和光物理七大类中的一个。诺贝尔物理学奖不应是两个研究机器学习（Machine Learning）、掀开当前人工智能（AI）革命的大师与教父。

被称为“AI教父”的辛顿自己没有想到，一个身体不好，坐不了飞机，三任妻子都死于癌症的男人，会收到诺贝尔物理学奖获奖的通知电话。

10月8日，在瑞典斯德哥尔摩举行的2024年诺贝尔物理学奖公布现场/新华社记者 彭子洋 摄

而仔细查看他们的研究会发现，在终其一生的思索里，他们都在试图用数学系统发明计算机神经网络，模拟人类大脑工作。人脑有100万亿个神经元连接，随时随地在互动与发射信号，像深海般充满奥秘。要想实现神经网络的野心，他们不可避免地运用物理、生物、心理学等领域的知识与灵感。

于是，1980年代，两个跨学科的天才都提出了令21世纪惊叹的发现：约翰·霍普菲尔德运用物理学原子自旋原理，发明了一种得以保存记忆的神经网络。后人以他的名字命名，Hopfield神经网络。

至于教父辛顿，他以Hopfield网络为基础，开发了一种新的神经网络：玻尔兹曼机（Boltzmann machine）。这个晦涩的新词，灵感同样来源于物理学——奥地利物理学家路德维希·玻尔兹曼百年前提出的理论，涉及一个与AI完全无关的现象（加热气体中粒子的平衡）。

科学的突破与发现并非一蹴而就。人工智能在过往30多年发展起起伏伏，充满嘈杂声响，信念不断被推倒又重建。以辛顿为代表的AI学者，用他们的人生证明：有时候，成功来源于走在前方无人小径时，最大程度地坚持自我。

处处碰壁的天才

77岁的杰弗里·辛顿，随着ChatGPT等大模型的火爆，在近年越来越名声大噪。他早已是图灵奖得主，密集地接受各方采访。

不过，说的内容并非所有人都爱听。就像那位不苟言笑的核物理专家奥本海默，他张口闭口说AI可能对人类的威胁，强大的超级人工智能会让人类进入末世，仿佛这个工具是别人发明的一样。

杰弗里·辛顿

除了这种看似知识分子的反思与忏悔，真正接触过辛顿的记者，都在回头书写时记录下了对他的印象：身体不好。从2005年开始，辛顿的腰背部出现问题。他开始很难坐立，不敢搭乘飞机出行，平时办公也是站着的。遇上商务宴席，他也不能坐在椅子上，而是选择双腿跪在地上，经常换来服务员奇怪的眼光。

他曾形容自己破烂的身体：“我每天都很煎熬，情况发展到了可能会瘫痪的地步，所以我很认真地对待这件事。如果我能完全控制自己的生活，它就不会带来任何问题。”

失去控制总是让人心生绝望，但在辛顿的人生里，他从来都是与缺乏确定性、无法受控的事情相伴。1947年，辛顿出生在英国一个科学家和教授世家，父亲是研究甲虫的剑桥生物学家。他的亲戚们还包括《牛虻》的作者艾捷尔·伏尼契；“中国人的好朋友”、写中国土地革命《翻身》的作者韩丁；参加曼哈顿计划的女核物理学家寒春……

而在十几岁时，早慧的辛顿已经遇上了促使他思考一生的命题。他回忆，那是高中时期，一位朋友问他，“你知道吗？大脑的记忆并不是储存在某个特定的地方，而是分布在整个大脑，在整个神经网络里传播，就像全息图一样工作。”他从此开始对人脑机制产生了浓厚兴趣。

大学期间，因为这个问题，辛顿曾学过5个专业，先是数、理、化，大二时又学了哲学、建筑学，后来又攻读了心理学。四年大学让他发现，所有的这些学科都无法解答人脑神经元如何连接并工作的奥秘。最终，毕业后的辛顿选择当一名木匠。

当木匠可以让人收获平静，这是他高中时期最高兴的活。只是，这位天真的知识分子也发现，没有内耗的活往往匹配较低的薪水，他不适合用此谋生。这段日子里，一到周末，他就到图书馆自学大脑工作原理。

1972年，他再度“转行”。凭借发表论文，他到爱丁堡大学就读人工智能学的博士——又是一个全新的领域。

尽管他不熟悉计算机科学，辛顿却有着自己的直觉和信念。不巧的是，此时正值人工智能的寒冬，人们从过往对AI的极度乐观，到被冰冷的现实鞭打至谷底。1971年，英国政府进行了一项人工智能进展的研究，结果显示，“大多数人工智能研究和相关工作人员承认，他们对过去25年取得的成就感到非常失望”。

报告称：“迄今为止，AI在任何地方取得的成果，都没有实现它当初承诺的重大影响。”

令人沮丧的结果并非致命的，更大的问题是，在当时人工智能界，人们开始广泛地怀疑从前的信念，即运用模拟人脑的神经网络，进行机器学习（神经网络只是众多机器学习算法和模型的一种）。

最著名的论断来自于当时的“人工智能之父”马文·明斯基。他对模拟人脑的“联结主义”派表示公开怀疑，认为计算机如果要拥有人类智能，必须用属于计算机的方式来实现。1969年，他为此专门写了一本书，写道，“多层感知机（1960年代的一种神经网络）不会有发展前景，因为世界上没人可以将多层感知机训练得足够好，哪怕是令它可以学会最简单的函数方法。”

明斯基的论断解释了AI为何过去失败了，也让人们重新拥抱了新的愿景——符号人工智能。1972年，连辛顿的博士导师朗吉特·希金斯都被明斯基的理论说服了。他开始劝说自己的学生，换一个有前途的方向吧，别做神经网络了。

辛顿回忆：“我们每周见一次面，有时会以一场大喊大叫的争论结束。”

博士期间，他的研究方向始终与导师期望的背道而驰。辛顿说，他认可明斯基指出的神经网络的缺陷，但与多数人的选择不同，他想继续往“有缺陷的方向”前进，完善前人指出的漏洞。

至于他能这么做的原因，辛顿回忆，这可能是源于他从小在宗教学校上学，却是全班唯一不信仰宗教的人。“这对科学家是一种很好的训练，让你对自己的观点充满信心。每个人都可能是错的，你需要坚持自己的主张，直到实现它或者（彻底）否定它。做科学就需要这样的精神。”

交叉学科的力量

固执的辛顿在1978年顺利博士毕业。当时的学者也没预料到，他的坚持从此掀开了人工智能深度学习革命，并让21世纪的各大巨头争相进行科技军备竞赛。

那时博士毕业后，孤独的辛顿漂至了美国，总算在加州大学圣迭戈分校找到了一些志同道合的人士。他们有的来自神经生物学，有的像辛顿一样来自认知科学系，重要的是，他们分享着对联结主义的信仰，相信用计算机多层神经网络可以模拟人类大脑的演算方式。最终，机器也可以像蹒跚学步的孩子一样自我学习和进步，拥有推理能力。

看上去像天方夜谭的野心，却在当时被一群人真情实意地相信着。1982年，加州理工学院教授霍普菲尔德率先开发了一种神经网络，用于模拟大脑如何相互作用并产生稳定记忆。

这个神经网络的构建，也汲取了人类大脑的工作智慧。霍普菲尔德曾回忆，促使他走向这条道路的是一次受邀参加神经科学的会议。会议内容令他着迷，并让他开始思考神经网络的动力学特性。

人脑的运作好比需要集体演奏的交响曲，只有当神经元共同作用时，它们才能产生新的、强大的特性。“如果你只关注网络中的每一个独立神经元，是很难察觉这些特性的。”他说。

拥有物理学背景的霍普菲尔德，开始想到原子自旋而产生的特性。这一特性使每个原子都成为了一个微小的磁铁。相邻原子的自旋会相互影响，自旋方向一致的区域得以形成。

运用自旋特性，霍普菲尔德成功构建了有节点和连接的神经网络，并以能量函数作为表达。大致实现原理类似于人类的联想记忆。比如，如果神经网络接收到不完整或稍有失真的模式时，该方法能够通过能量的原理，找到与之最相近的已存储模式。

霍普菲尔德的模型示意图。首先让分子体系记住右下角的图像（字母“J”）。此时，如果将分子体系的状态改成右上角的图，那么每个分子会按照既定的规则更改自身的能量，最终使得整体重新回到右下角的图像

记忆、存储、重现信息，这是霍普菲尔德神经网络的进步，也被后人视为联结主义复兴的标志。更年轻的辛顿也深受影响和鼓舞。

1986年，辛顿与两名学者共同发表了一篇题为“通过反向传播误差来学习”的论文，成为了当代机器深度学习的奠基之作。

所谓的反向传播，实际是一个基于微分的算法。需要指出的是，1980年代的研究重点与上世纪60年代已经截然不同：1960年代的神经网络是一个单层网络，而吸取了明斯基教训的科学家们在20年后，希望建立的是有多层结构的神经网络。

他们相信，只要研究人员能够建立一个多层的网络，每一层都向下一层提供信息，这个系统就可以学习过去无法理解的复杂图形。换句话说，一个更像大脑的系统就会出现。

这个过程变成了解出嵌套函数的数学问题。如果要训练一个符合现实的神经网络，科学家们发现，他们的工作重点需要考量神经网络的输出和真实结果之间的误差；接着选择恰当的损失函数来表示误差，再根据梯度下降等优化算法，一步步修正权值参数，最后得到能拟合的神经网络模型。

在输入层和隐藏层之间具有两层隐藏节点的馈送网络输出层

但新的难题出现了：多层神经网络内含多个隐藏层，当误差出现时，研究者们很快发现，他们极难找到误差是在哪发生的。

擅长叛逆的辛顿与同事们同时也擅长逆向思维。1986年，他们提出反向传播算法，精髓是将误差从输出层开始倒推，反过来逐层把误差传播至每一个隐层上，直到输入层为止。每一层都依赖后面已经计算好的信息去完成求导，故称作“反向传播”。

反向传播成功解决了多层神经网络的训练问题，证明了神经网络绝非停留在想象里的空中楼阁。

同一时期，辛顿与同事们发明了玻尔兹曼机。

玻尔兹曼机和霍普菲尔德模型的不同在于，内部增加了隐藏节点，使得节点之间可以通过概率调节整个网络的功能

这个新神经网络汲取了统计物理学的原理，希望分析各个组件能够共同存在的各种状态，并计算它们出现的概率。这也是当今短视频等平台算法令人无法自拔的基本原理：算法可以分析和找到大数据之间的联系，接着计算不同类别的人最大概率会喜欢和讨厌的内容，并根据每次的点击情况，实时进行概率计算和内容推送。

1986年，经过训练的玻尔兹曼机能够识别出它未曾见过的信息中的熟悉特征。这也就意味着，计算机拥有了自我学习的能力，这正是神经网络的拥趸多年来所期许的。

辛顿和同事谢诺夫斯基都为此激动不已。“这是我一生之中最激动人心的时刻，”谢诺夫斯基说，“我们确信，已经弄清楚了大脑是如何工作的。”

冷门二十年

约30年后，诺贝尔物理学奖认可了玻尔兹曼机的发明。

“他们都是真正的先驱者，寻找到了解决问题的新方法。”诺贝尔物理学委员会成员Anders Irbäck教授在2024年盛赞。

只是，对80年代的辛顿来说，萦绕在前方的仍是时而大喜、时而大悲的情绪，以及与科学有关的迷雾之中。

他和同事都以为将改变世界进程的玻尔兹曼机，只在80年代末期人工智能的又一波热潮时得到了关注。

1990年代，人工智能发展再度进入瓶颈期。各种基于统计的机器学习方法兴起，研究神经网络的人越来越少了。辛顿成为了少数几个仍在其中坚持的人。

杰弗里·辛顿曾在社交媒体上写道：毛毛虫提取营养物质，然后转化为蝴蝶。GPT-4也像人类社会的蝴蝶般，提取了人类数十亿的知识

后来人们才发现，当时的停滞并不代表辛顿提出的理论和设想是错误的。想法受限于当时计算机技术处理计算的能力。

辛顿在一次采访中感慨：“追溯到1986年，我们首次开发出反向传播算法，我们因其能学习到多层的特征探测而感到兴奋，我们认为已经解决了这个问题。但在解决实际问题中却没有出现大的突破，这非常令人失望，我们完全猜错了需要的计算资源和标记案例数量。”

这样的停滞伴随着辛顿接下来的20余年科研历程，神经网络始终不受学界主流认可。为了拿到教研经费，他曾在伦敦大学学院、多伦多大学等地工作，最后终于在2004年从加拿大高等研究院申请到了每年50万美元的经费支持。

直到2006年以前，辛顿即使已经在英国、加拿大是院士级别的人物，但他的发现只在学界里有名气，从未得到现实的广泛应用。但他始终坚信神经网络将引起人工智能革命。据称，为了给自己打气，辛顿还养成了一种自我激励的方法，每周发泄般大吼一次：“我发现大脑是怎样工作的啦！”

天然神经系统和人工神经网络的相似性。关于人工神经网络的理论在几十年前就已形成，但当时人们并没有找到实现它的方法

2006年，深度学习革命终于在全球打响。这个新时代的序幕依然是由辛顿和学生拉开的。他们在两篇论文里论证道，深度神经网络具有自主学习的能力。比起人类，深度学习的自编码器对数据有更本质的刻画，从而有利于可视化和分类。

这一全新的概念经历了此后6年的储备，终于在2012年点燃全世界。2012年，在华裔科学家李飞飞举办的ImageNet图像识别竞赛中，辛顿和学生伊利亚（Ilya Sutskever，前OpenAI首席科学家）和亚历克斯（Alex Krizhevsky）组成团队，设计了名为“AlexNet”的卷积深度网络程序，一举夺冠。

这次夺冠并非只是拿到冠军那么简单。辛顿和学生以全场都没有用过的方式，取得了颠覆性的胜利。

“快乐和悲伤交织”

后来的故事更为人所知。2012年一举成名后，辛顿收到了来自百度、谷歌、微软以及DeepMind等巨头的千万美元年薪橄榄枝。他于是听从律师建议，在美国华达州的哈拉斯赌场，对着争相而来的科技巨头，举行了一场邮件竞拍。

最终，他在身价被提高到了4400万美元时，叫停了拍卖，选择加入谷歌。

失败的百度从此决心向深度学习上储备人才，先后建立了深度学习研究院和自动驾驶研究院。主导百度参与辛顿竞拍的负责人、现地平线创始人余凯回忆：“尽管竞拍失败，但我还是很开心的。我想我的目的也达到了，因为李彦宏亲眼见证了国际巨头不惜花费巨资来投资深度学习研发，这让他下定决心自己把深度学习做起来。”

进入21世纪的第二个十年，大模型、AI视觉、AIGC等多个应用，终于迎来大爆发。辛顿等到了盼望已久深度神经网络引发的人工智能浪潮。

这是属于他引领的时代。

他却自述过往，认为他的人生与AI浪潮一样，徘徊在反反复复的起伏里。“我经常会告诉大家，我弄清大脑的工作机制了，可过段时间，我又失望地发现之前的结论是错误的。”

“但事情就应该是这样发展的。正如（英国）诗人威廉·布莱克的两句诗，‘将快乐和忧伤编织，披在我神圣的心上’。”

2023年，离开谷歌的辛顿越来越活跃于媒体之中。他近年因为大模型的热潮早已荣誉加身，人们喊他教父，对他进行膜拜。连他的很多早期追随者，如今也成为了科技巨头。例如学生伊利亚，与奥特曼一起创立OpenAI，是AI浪潮的引领者之一。

看上去，辛顿没有什么烦恼可言了。

但他却表现得越来越忧心忡忡，担心AI有一天会掌控人类社会。2024年，他在诺贝尔奖颁布的现场连线时说：“我感到愧疚和后悔。”

“后悔有两种。一种是因为你做了一些明知不该做的事情而感到内疚；另一种是你做了一些在同样情况下会再次做的事情，但最终结果可能并不好。我的遗憾是第二种。我担心这种做法的后果是，比我们更聪明的系统最终会掌控一切。”