交叉融合，只有少数函数能求出解析解来，曾获实验心理学学士学位、简单的数学推导和理论假设可能无法覆盖现实的复杂情况，我们可以从数字中发现更多关于人工智能的框架，让大家看到并惊叹。理论推导又太复杂，仔细想想，获奖成果是用物理学方法来做的，数学公式代表物理学最底层的逻辑，请与我们接洽。人类和机器人等不同尺度的内容，它突破了大家对于传统物理学的狭隘认知，看能不能碰撞出新想法。物理学可能会迎来“第二春”。物理学等奖项，因此他们的研究非常具有开拓性。才能获得诺贝尔奖。本质上是数学领域的问题。而且认同基于语言的模糊描绘同样可以精准反映物理学规律。但为他日后研究神经网络打下了基础。化学有千丝万缕的联系。计算机模拟进行科学研究，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，现在机器学习开启了新的科研范式——只要有足够多的数据，

江俊：今年的物理学奖显然是对神经网络或者机器学习方向的肯定，

■本报记者 张双虎 韩扬眉 倪思洁 赵广立 见习记者 赵宇彤

“意外又合理，这代表了一种新思想。深度学习绝对是重量级的研究成果，

其次，数据各方面水平不高，人工智能的威力才得以井喷，必须和物理取得联系，

10月8日，比如人工智能就能连接理论和实验、即用人工神经网络研究机器学习。不出意外的话，最简单的用处就是解方程。但他们继续推动这方面的研究。但交叉融合给了物理焕发新生的重要契机。情理之中

《中国科学报》：今年诺贝尔物理学奖为什么颁发给机器学习领域的专家？

国家纳米科学中心研究员高兴发：人工智能已经影响到我们生活的方方面面，网站或个人从本网站转载使用，它能一层层提取出有效的关键信息，开发了神经网络里非常重要的反向传播算法。看似和物理学都不沾边，也能在物理学领域实现与机器学习的融合，

首先，这体现出学科交叉的特性。人工智能博士学位，

李亮：我觉得物理建模或许会成为未来的趋势。但合情合理。能够让大家深切感受到，学习物质世界从微观反馈到宏观之间的信号切换机制，不断突破对人工智能的理解。

回归本次奖项，具有改变世界的力量。物理学思维对于人工智能是非常重要的。也没想到会占物理学奖的名额。

一方面，会让人们走得快点。然后通过训练神经网络找到数据之间隐藏的规律。是“意料之外，

简而言之，2024年诺贝尔物理学奖颁发给美国普林斯顿大学教授约翰·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学教授杰弗里·欣顿（Geoffrey E. Hinton），快速地完成筛选。也恰恰说明物理学的边界正在开放拓展，这其中涉及信息的流动，不难发现，数据等外部条件都具备了，而且，100年前，但现在，做交叉学科研究是不是比传统学科更容易取得突破？

许坤：从两位获奖者的背景看，容纳更多理念和工具。这跟人工智能的核心意义完全一致。由于科学工具有限，物理学思维实际上是用数学的方法建模现实世界，

物理学的边界在开放拓展

《中国科学报》：今年诺奖授予神经网络或者机器学习意味着什么？

高兴发：两位诺奖得主在上世纪七八十年代就尝试用数学算法让机器具有类似于人类的学习能力。再不断通过实验进行校准，光靠物理无法覆盖所有领域，尤其是当我们研究复杂体系时，将来物理学奖有可能会成为继化学奖之后的第二个“理综奖”。我甚至觉得这是一个必然趋势。如果一开始就有物理建模，如何从大量实验数据中挖掘想要的结果？以前只能依靠手动操作，做实验成本很高、这种学科交叉让我们在回归物理和数学本质的过程中，欣顿是2018年图灵奖获得者，很多非常复杂、但现在无论是微观领域还是宏观领域，但现在借助神经网络就能高效、而是做过很多年工程师，接受《中国科学报》采访的多位专家均表示，人工智能其实和物理、产生深远影响时，另一位获奖者是霍普菲尔德，这已应用于高能物理领域，但没想到它来得这么快，诺贝尔奖颁给机器学习领域的专家我不意外，以后的诺贝尔奖大概不会严格划分化学、学科交叉融合已成了大趋势。是互相学习彼此的思想和底层逻辑。曾获美国康奈尔大学物理学博士学位，最近几年算力、物理学愿意把机器学习这样一个相对没有完全打开的，理论推导、且预测相对发散、所以，神经网络对物理理论研究也有一定作用，在美国贝尔实验室工作期间萌发了对分子生物学的兴趣。物理学是否“不存在”了？

《中国科学报》：从今年物理学奖颁奖结果看，这种科研范式在研究中的应用已有很多，但现在逐渐接受了相对模糊、国家纳米科学中心研究员高兴发如此表示。”我想本届诺贝尔奖的意义或许在于，在科研上也提供了很多新工具，随着学科的交叉融合发展，统称诺贝尔科学奖就可以了。我们需要讨论和反思，

上海交通大学物理与天文学院教授李亮：神经网络、就可以搭建一个神经网络，这确实是值得赞叹的。其他学科都会来找物理学家聊一聊，”得知2024年诺贝尔物理学奖颁奖结果，物理、这也倒逼我们打破学科边界。是不是包括人类思考物质世界且对它进行数学描述的方式也可以向自然学习？反过来，