台海网2024年10月12日发布:走近2024诺贝尔奖（一）：曾被“冷落”的成果和跨界授予的“诺奖”

瑞典皇家科学院当地时间10月7日，瑞典斯德哥尔摩卡罗林斯卡学院（Karolinska Institute）的诺贝尔大会宣布，将2024年诺贝尔生理学或医学奖授予美国马萨诸塞大学医学院的维克多·安布罗斯和美国哈佛医学院的加里·鲁夫昆，以表彰他们发现了 微小RNA （microRNA）及其在转录后基因调控中的作用。

微小RNA是一类在基因调控中发挥关键作用的小型RNA分子，微小RNA的异常调节可能导致重大疾病，如癌症。编码微小RNA的基因的突变会导致先天性听力丧失、眼部和骨骼疾病等情况。微小RNA生产所需的一种蛋白质的突变会导致DICER1综合征，这是一种罕见但严重的综合征，与各种器官和组织的癌症息息相关。

诺贝尔奖官网发布的新闻稿称，安布罗斯和鲁夫昆的开创性发现揭示了一个全新的基因调控原理，这一发现为理解生物体功能及其如何发育开辟了新的维度，该原理对于包括人类在内的多细胞生物至关重要。

上世纪80年代，这两位科学家在秀丽隐杆线虫（C.elegans）体内共同发现了第一个微小RNA（lin-4）及其调控靶标（lin-14），揭示了一种全新的基因表达调控机制，为理解基因调控和疾病发生机制开辟了新的研究方向，对现代分子生物学和医学研究产生了深远影响。

然而，据诺贝尔奖官网，1993年的两篇论文发表后，在科学界几乎引起了“震耳欲聋的沉默”——尽管这些结果很有趣，但基因调控的异常机制被认为只是秀丽隐杆线虫的特例，可能对人类和其他更复杂的动物无关紧要。

经过40余年的研究和积累，二人终于在2024年获得诺奖。中科院分子与细胞卓越创新中心（原中科院生化与细胞研究所）研究员吴立刚曾在接受媒体采访中表示，“从两位科学家的经历来看，有时科学发现太超前，就要忍耐寂寞许多年，这也正是科学家需要坚持的原因所在。”

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美国普林斯顿大学的约翰·J·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学的杰弗里·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。

当我们谈论人工智能时，通常指的是基于人工神经网络的机器学习。这项技术最初受大脑结构的启发。在人工神经网络中，可将具有不同数值的节点类比为大脑的神经元，这些节点通过连接相互影响。正如大脑中的突触（神经元之间的连接）在学习或记忆过程中会增强或减弱一样——通过训练，人工神经网络可以增强高数值节点之间的连接，优化节点之间的信息传递，使得模型能够更好地完成任务，比如识别图像或做出预测。

约翰·霍普菲尔德和杰弗里·辛顿从20世纪80年代起就在人工神经网络方面展开重要研究，为2010年左右开始的机器学习革命奠定了基础。他们利用物理学中的工具，开发了奠定当今强大机器学习基础的方法。

约翰·J·霍普菲尔德发明了一种用于存储和重建模式的网络。Hopfield 网络利用了物理学中关于原子自旋的特性——每个原子都像一个微小的磁铁，相邻原子的自旋会相互影响。霍普菲尔德运用描述自旋相互影响时材料如何发展的物理学，构建出具有节点和连接的模型网络。霍普菲尔德网络通过将图像输入到节点中进行初始操作，节点被赋值成黑色（0）或白色（1）。然后使用计算能量的公式调整网络的连接强度，以使得最终的图像满足能量最低原理。

当它接收到一张有缺陷或模糊的图像时，它会一步步调整每个节点的值，直到找到最接近它记住的完整图像。如图所示，如果网络被赋予一个接近最优状态的模式，它同样也会向前“滚动”，直到它最终到达能量最低的一个“山谷”，从而找到存储中与之最接近的模式。因此，霍普菲尔德网络可以用来重现包含噪声或已被部分擦除的数据。

（图源 中科院物理所公众号）

杰弗里·辛顿与同事特伦斯·塞金诺斯基（Terrence Sejnowski）一起， 以霍普菲尔德网络为基础，借鉴统计物理学的观点构建了一种新的方法。玻尔兹曼方程式是统计物理学中的重要工具，描述了气体分子在空间中的分布和演化过程，揭示了系统如何逐渐趋向平衡状态。这个方程式的核心思想是基于大量微观粒子的统计行为来预测宏观现象。这一思想也影响了辛顿创造的网络算法，其方法在1985年以“玻尔兹曼机”（Boltzmann machine）这一著名的名称发表。

玻尔兹曼机可以通过提供的训练样本进行学习，而不是通过指令，训练机器的方法是给它喂食机器运转时很可能出现的例子。波尔兹曼机可以用来对图像进行分类，或者创建与其训练模式类型相似的新样本。辛顿在此基础上继续深耕，推动了当前机器学习的爆炸式发展。

诺贝尔物理委员会主席埃伦·蒙斯表示，“获奖者的工作已经产生了巨大的效益。在物理学领域，我们将人工神经网络应用于广泛的领域，例如开发具有特定属性的新材料。”