2024年的诺贝尔物理学奖出现了一个重大的意外，居然将该奖颁发给了两位人工智能专家。而且给出的理由也非常图灵化：表彰他们在人工神经网络和机器学习的基础性贡献。乍一看，还以为是颁发图灵奖。获奖者辛顿也莫名惊诧，在接受电话采访时表示，我完全没有想到这也会发生（I have no idea that will happen），我感到极其惊讶（I was extremely surprised）。

诺奖颁发出现这么大的乌龙。只能有两种可能：1）当今物理学已无重大发现，不管是高能物理、还是量子物理都无重大发现，相信广大物理学家肯定不会同意；2）诺贝尔奖评选委员会已失去公信力，他们也在赶时髦，人工智能太热，他们就选人工智能专家。人工智能的拥护者表示AI能渗透和引领一切学科，包括物理学。照这个趋势，以后诺贝尔科学奖的各个奖项都可以颁发给人工智能学家，因为在每个学科在处理数据时候，或多或少会用点人工智能技术。

 基于数据驱动的神经网络到底能否取代物理学家，发现物理规律呢？我认为几乎是不可能的。幸好牛顿、爱因斯坦没有生活在我们时代，否则万有引力和相对论可能永远发现不了。太依赖AI技术，太相信数据驱动，太迷信神经网络，将会导致物理学家不太相信自己的观察力、洞察力和领悟力，反而会使得物理学等基础研究陷于停滞。

 我们就举一个简单的例子来说明这一点。牛顿在苹果树下被苹果砸中脑袋而顿悟出的伟大的万有引力公式，F=g*m1*m2/r^2。该公式简单，只有一个可调参数g，方便记忆。该公式可解释性强，从公式中，我们可以获取知识：质量越大引力越大，距离越远引力越小。该公式泛化能力强，适应各种情况，没有机器学习算法要求的参数范围这类的约束条件。

如果我们用神经网络来学习万有引力公式，那么我们将有3个输入：m1,m2和r。一个输出F。最简单的神经网络应该有2个隐层节点。这样我将有6个节点，8个权重参数，3个可调节神经元。

该神经网络模型共有11个参数需要学习，非常难以记忆。其次，该模型的每个参数没有明确的物理意义，可解释性很差。最后，该神经网络模型的参数与训练数据密切相关，不同的数据学习出的参数不同，让人各执一词。该神经网络模型对数据依赖性强，数据不好，性能很差，泛化性能也很弱。

 总之，把人类科研创新的希望寄托于大数据，寄托于神经网络这类技术，将会导致人类的思考能力变弱，也许会使得基础研究停滞。复杂的神经网络的参数太多、可解释性差，而且所耗费硬件成本很高，能耗很高，难以可持续发展。尤其，神经网络是个黑盒，即使从数据中学到一些规则，也知其然不知其所以然，让人茫然不知所措。尤其，可解释性差的神经网络在遇到异常输入时，很可能出现更异常的输出，系统的安全性也难以保证。