回归 2024 年诺贝尔物理学奖被授予 John J.Hopfield（霍普菲尔德） 和 Geoffrey E.Hinton（辛顿），当时物理学界都震惊了，纷纷在打听霍普菲尔德和辛顿，他们两位到底是谁?

10 月 8 日，瑞典皇家科学院把诺贝尔物理学奖授予了 John J. Hopfield 和 Geoffrey E. Hinton。这消息一出来，大家都特别惊讶，觉得不可思议。因为这两位是计算机领域的专家，感觉他们和传统的物理研究没多大关联。他们的工作确实很伟大，不过从表面看，对传统物理领域没有直接起到推动作用，而是借助物理学理论间接促进了计算机学科的发展。

我知道自己知识面有限，对这两位大佬的研究领域也不太熟悉。说不定他们在基础物理和应用物理等方面有着惊世骇俗、划时代的贡献呢，就像杨振宁和李政道等物理学家的研究那样，能影响人类物理史的发展。现在我就想抱着学习和探讨的态度，去好好研究一下这次的物理学奖以及这两位计算机专家。

John J. Hopfield，这位美国著名的生命科学家，他的一生充满了对知识的不懈追求。1933年，他出生在伊利诺伊州的芝加哥，一个充满活力的城市。霍普菲尔德在学术上的表现非常出色，1954年，他在斯沃斯莫尔学院获得了学士学位，随后在1958年，他又在康奈尔大学摘下了物理学博士学位的桂冠。

他的教学生涯同样辉煌，曾在包括加州大学伯克利分校在内的多所顶尖学府担任教职。现在，他拥有霍华德-普莱尔分子生物学名誉教授的头衔，这是对他在学术界贡献的一种肯定。不仅如此，霍普菲尔德在1986年还参与创立了加州理工学院的计算与神经系统博士项目，这显示了他在推动科学教育方面的远见和努力。

在1982年，John Hopfield发表了他那篇开创性的论文，题目是“神经网络和具有突发性集体计算能力的物理系统”。在这篇论文中，他巧妙地将物理学中的动力学概念融入到神经网络的设计里。这一创新的方法不仅为解决模式识别问题提供了新的视角，还为一类复杂的组合优化问题找到了近似的解决方案。由于这项工作的巨大影响力，后来人们将这种网络亲切地称为“Hopfield网络”。

Hopfield网络，这个名字可能听起来有点技术化，但其实它是一个非常酷的概念。想象一下，这是一种特殊的神经网络，它结合了存储系统和二元系统，就像一个循环的循环神经网络。它的设计灵感来源于我们人类的记忆，试图模拟我们大脑存储和回忆信息的方式。

这种网络还有一个特别的地方，它是一种递归神经网络，这意味着它的输出会反馈到输入，形成一个循环。在这个网络中，每个神经元都与其他所有神经元相连，就像一个巨大的互相连接的网络，有时也被称为全互联网络。

霍普菲尔德的这项研究不仅仅是理论上的突破，它还为我们提供了一个全新的视角来理解大脑的工作原理。他的工作推动了神经网络领域的早期发展，让我们对大脑的复杂性有了更深的认识。简而言之，Hopfield网络就像是给我们的大脑工作原理提供了一个模型，帮助我们更好地理解自己。

他与贝尔实验室的合作由来已久，这段合作历史可以追溯到多年前。在1987年，贝尔实验室取得了一项重大突破，他们基于Hopfield神经网络的原理，成功研发出了一种新型的神经网络芯片。这不仅仅是一项技术成就，更是现代人工智能发展中不可或缺的基石。

在霍普菲尔德的荣誉榜上，还有一项值得一提的奖项——2022年的玻尔兹曼奖。这个奖项是以著名的物理学家路德维希·玻尔兹曼的名字命名的，自1975年起每三年颁发一次，用以表彰那些尚未获得诺贝尔奖的科学家，且每位科学家只能获得一次。霍普菲尔德与另一位科学家共同分享了这一荣誉，这不仅是对他个人成就的认可，也是对他在神经网络领域所做贡献的肯定。

Geoffrey Hinton，这位比John Hopfield年轻一些的科学家，他的出生背景颇为不凡。1947年，Hinton在英国的一个学术氛围浓厚的家庭呱呱坠地。这个家族中涌现出了许多世界知名的学者，比如他的曾外祖父，就是那位在19世纪以布尔代数奠定现代计算机数学基础的著名数学家布尔；他的姑父提出了经济学中的“国民生产总值”概念；他的表姐是一位参与过曼哈顿计划的核物理学家；而他的父亲则是一位英国皇家学会的昆虫学家。

Hinton的人生故事颇具几分传奇色彩。高中毕业后，他遵循家族的传统，进入了剑桥大学国王学院。然而，在那里的几年里，Hinton在数学、物理、化学、生物和哲学等多个学科间徘徊，寻找自己的学术方向，最终他选择了实验心理学作为本科毕业论文的主题。

大学毕业后，Hinton的迷茫并未消散。他一度成为了一名木匠，手工制作橱柜、货架和木门，但这份工作并不足以维持生计。1972年，25岁的Hinton决定进入爱丁堡大学，开始了他的神经网络研究之旅。有趣的是，那时他甚至还未曾听闻John Hopfield的名字。他的导师每周只与他见面一次，并且经常劝他放弃：“研究机器学习？你这是在浪费时间。”

到了1993年，Hinton遭遇了人生的低谷。他的妻子因病去世，他的两个儿子中的一个被诊断出患有注意力缺陷多动症。同时，神经网络研究也面临着瓶颈，当时科学界还没有普遍认同神经网络是人工智能发展的主流方向。Hinton曾自嘲地说：“我46岁时就感觉自己已经‘死’在了水里。”他当时认为，或许只有在他去世100年后，他的研究才会被世人所认可并取得突破。这是人工智能界一则耳熟能详的故事：2009年，辛顿在实验中发现英伟达的GPU芯片非常适合运行神经网络，但芯片太贵他买不起，就给英伟达发去邮件希望对方能免费送给他一块芯片做研究之用，但没有得到英伟达的任何回复。外界并不确定黄仁勋是否知道此事，否则他或许会略感后悔。因为三年后，杰弗里·E·辛顿的研究就取得了巨大的突破。

Geoffrey Hinton在2001年到2014年间，一直在多伦多大学的计算机科学系担任教授。在2012年，他和他的两位得意门生，Alex Krizhevsky和Ilya Sutskever，一起开发了一个具有8层的神经网络，名叫AlexNet，这个名字来源于亚历克斯。这个网络在当年的ImageNet大规模视觉识别挑战赛中一鸣惊人，夺得了冠军。它的表现太好了，以至于主办方一度怀疑他们是不是作弊了，因为AlexNet的图像识别准确率比第二名高出了一大截。

也就是在那一年，Hinton把他的初创公司卖给了谷歌，并且成为了谷歌的副总裁。他在2023年离开了这个职位。2018年，Hinton和他的学生Yann LeCun以及学者Yoshua Bengio一起，获得了计算机领域的最高荣誉——图灵奖。

当诺贝尔物理学奖的荣誉降临到Hinton身上时，这可是历史上头一遭，将他推向了全球的聚光灯下。据报道，这位被称为“AI教父”的科学家在接到获奖电话时，正身处加州的一家经济型旅馆，准备去做核磁共振扫描呢。这次获奖后，Hinton也希望，获得诺贝尔奖能让他的话更有分量，让人们更加重视他一直在强调的AI安全问题。他的声音，现在比以往任何时候都更需要被世界听到。

在人工智能的世界里，有两位科学家的名字如雷贯耳，他们不仅是该领域的大师，更是被广泛认为是人工智能的奠基人。其中，Geoffrey Hinton因其深远的影响，甚至被尊称为“AI教父”。值得一提的是，OpenAI的前首席科学家，Ilya Sutskever，也是Hinton的得意门生之一。

那么，这两位杰出的研究者究竟做了哪些开创性的工作呢？Hopfield 和 Hinton运用了统计物理学的工具，开发出了人工神经网络的新方法。他们的研究涉足了多个深奥的领域，包括玻尔兹曼分布、自旋玻璃模型、能量函数，以及最小作用量原理等。这些概念听起来可能有点抽象，但正是这些基础的研究，为人工智能的发展奠定了坚实的理论基础。

诺贝尔物理学委员会对John Hopfield和Geoffrey Hinton的赞誉，虽然简洁，却蕴含深意。他们利用物理学的工具，构建了现代机器学习的基础方法，这些方法正在彻底改变科学、工程乃至我们的日常生活。这里的“奠定性”意味着他们的贡献不仅是开创性的，更是影响深远的，没有这些物理学工具，就不可能有这些方法的诞生。因此，将诺贝尔物理学奖颁发给这两位AI领域的科研人员，可谓是实至名归。

那么，他们具体的研究成果是什么呢？Hopfield和Hinton利用统计物理学的工具，开发出了人工神经网络方法。他们的工作涉及了玻尔兹曼分布、自旋玻璃模型、能量函数、最小作用量原理等领域。Hopfield教授的贡献在于创造了一种新型的信息存储与重构结构，即霍普菲尔德网络，这个网络能够存储和重构图像以及数据中的其他类型模式，其工作机制与大脑通过相关信息回忆词汇或概念的方式相类似。而Hinton教授则发明了能够自主发现数据属性的方法，如玻尔兹曼机，这一方法对现代大型人工神经网络的发展具有不可估量的价值。

John Hopfield的杰出贡献体现在他提出的Hopfield网络，这一创新成果的灵感来源于一种叫做伊辛模型的物理现象。伊辛模型这个名字，来源于物理学家恩斯特·伊辛，它是一个既数学又统计力学的模型，专门用来描述物质如何表现出铁磁性。

让我们来聊聊伊辛模型。这个模型最初由德国物理学家威廉·楞次在1920年提出，后来由他的学生恩斯特·伊辛进一步发展。伊辛模型用一种简化的数学形式，描绘了铁磁材料中的原子自旋（也就是磁矩）是如何相互影响的，以及这种影响如何随着温度的变化而变化。

在伊辛模型中，每个原子的自旋被视为一个可以取+1或-1值的变量，代表自旋向上或向下。相邻原子之间的相互作用能通过一个参数J来描述，如果J为正，相邻原子倾向于具有相同的自旋方向（铁磁性行为）；如果J为负，相邻原子倾向于具有相反的自旋方向（反铁磁性行为）。此外，模型还可以包含一个外部磁场H，影响原子自旋的排列。

伊辛模型的核心是其哈密顿量，它描述了系统的能量状态。对于给定的自旋配置，哈密顿量计算了系统总能量，这个能量取决于自旋之间的相互作用以及外部磁场的影响。模型的目标是找到在给定温度下，系统最可能的自旋配置，即那些具有最低能量或在热平衡状态下的配置。

伊辛模型的一个重要应用是研究相变，特别是在二维和三维晶格中，模型能够展现出在特定临界温度下的二级相变。在这个相变点，系统的磁性会突然消失，即从有序的铁磁状态转变为无序的顺磁状态。这种相变可以通过模型的临界指数和临界现象来描述，这些现象在许多复杂系统中都有普遍性，如气-液相变、湍流，甚至股票市场和经济系统等。

除了在物理学中的应用，伊辛模型还被广泛应用于其他领域，如社会科学、生物学和计算机科学。例如，在社会科学中，伊辛模型可以用来模拟社会观点的传播和演化；在生物学中，它可以模拟细胞内的信号传导网络；在计算机科学中，伊辛模型的原理被用于设计神经网络，如Hopfield网络，这是一种能够存储和回忆信息的人工神经网络。

伊辛模型的解析解在一维和二维情况下已经被找到，其中二维伊辛模型的解析解由拉斯·昂萨格在1944年给出。然而，在三维和更高维度的情况下，模型的解析解尚未被发现，通常需要通过数值模拟方法来研究。伊辛模型的模拟技术包括蒙特卡洛方法，这是一种统计抽样技术，用于模拟系统的热力学行为。

Geoffrey Hinton在John Hopfield的研究成果基础上，运用统计物理学的工具，开发出了著名的玻尔兹曼机。玻尔兹曼机，全称Boltzmann Machine，是一种随机神经网络，由Hinton和Terry Sejnowski在1985年共同发明。这种网络的设计灵感来源于统计力学，特别是以奥地利物理学家路德维希·玻尔兹曼命名，以纪念他在统计力学领域的重大贡献。玻尔兹曼机的工作原理正是基于这些物理学原理。

玻尔兹曼机由相互连接的单元组成，这些单元类似于神经元，它们随机决定是否激活，即开启或关闭。网络中的每个连接都有一个与之相关的权重，这个权重决定了连接的强度和符号。在玻尔兹曼机中，有两种类型的单元：可见单元（visible units）用于输入和输出数据，隐藏单元（hidden units）用于捕捉数据的结构特征。通过这种方式，玻尔兹曼机能够学习数据中的复杂模式，并生成新的数据实例，这些数据实例与训练数据具有相似的特征。

玻尔兹曼机在理论上可以学习表示任何分布，只要有足够的隐藏单元，但由于其全连接结构，训练过程计算成本高，MCMC抽样过程也可能导致收敛速度慢。为了解决这些计算挑战，通常使用一种变体——受限玻尔兹曼机（Restricted Boltzmann Machine, RBM），它限制了网络中的连接，使得只有可见单元和隐藏单元之间有连接，没有可见-可见或隐藏-隐藏连接。这种限制使得网络更容易训练，因为它允许更高效的训练算法，并可能导致更快的收敛。

玻尔兹曼机在机器学习领域具有重要意义，尽管它们在实际应用中可能不如其他模型（如深度神经网络）流行，但它们在深度学习和生成模型的发展中起到了基础性作用。

玻尔兹曼机在深度学习领域可是个多面手，它的身影出现在各种各样的应用场景中：

图像识别与处理：想象一下，玻尔兹曼机就像一个艺术家，它不仅能识别和分类图片，还能探测图像中的物体，甚至识别人脸。在医学图像分析领域，它也大显身手，帮助检测疾病和分割组织。

自然语言处理：玻尔兹曼机与其他神经网络结构联手，处理文本分类、情感分析和机器翻译等任务。它理解和生成语言的能力，为处理复杂文本提供了强大的支持。

推荐系统：玻尔兹曼机的生成模型特性，使其在推荐系统中大放异彩。它通过学习用户和物品之间的潜在关系，能够生成个性化的推荐列表，提升推荐的准确性和用户的满意度。

语音识别：在语音识别领域，玻尔兹曼机能够提取声音信号的特征，并与其他模型如隐马尔可夫模型（HMM）结合，进行语音识别。它在复杂声音环境下的鲁棒性，使其在这一领域具有显著优势。

无监督学习与异常检测：玻尔兹曼机的无监督学习能力，使其在无监督聚类和异常检测等任务上表现出色。尤其在数据标签缺失或稀缺的情况下，它能提取有用信息，发现数据中的潜在结构或异常模式。

药物发现与生物信息学：在药物发现和生物信息学领域，玻尔兹曼机能够预测药物的生物活性、发现新的药物靶点等。它对高维数据的处理能力，为解析复杂生物系统提供了有效手段。

深度信念网络（DBN）：DBN是由多层受限玻尔兹曼机（RBMs）堆叠而成的生成模型，用于捕获数据中的高层次抽象特征。DBNs采用无监督预训练的方式逐层训练模型，这种逐层学习策略使DBNs在训练时更为稳定和高效，尤其适合处理高维数据和未标记数据。

深度玻尔兹曼机（DBM）：DBM是玻尔兹曼机的一种扩展，包含多个隐藏层，能够学习数据的复杂层次结构。DBM通过无监督学习来预训练每一层，然后通过监督学习进行微调，以优化特定任务的性能。

受限玻尔兹曼机（RBM）：RBM是一种生成随机神经网络，由两层完全连接的神经元组成：可见层和隐藏层。RBM中的连接是无向的，即连接是对称的。同一层中的神经元之间没有连接。RBM被广泛用于特征学习、降维、分类等任务。

诺贝尔奖委员会可能认为，将奖项颁给这两位科学家，正好展示了物理学的理念是如何激发深度学习的发展的。从他们的研究成果来看，获奖的理由在于他们运用物理学的理念推动了深度学习的兴趣和进步。这有点像乒乓球选手马龙在奥运会上取得胜利，然后奖牌却颁给了他的教练，因为教练的指导帮助他赢得了比赛。虽然听起来有点不可思议，但如果我们深思一下，就会发现这其中确实有道理。毕竟，一个运动员的成功确实离不开教练的培养和影响。但如果将奖牌颁给了足球运动员C罗，仅仅因为马龙经常看他的比赛并从中获得灵感，那就真的有点离谱了。

对于2024年诺贝尔物理学奖颁给了看似与物理学无直接关系的人工智能领域，许多人表示了疑惑。他们认为这个奖项更应该颁给那些在传统物理领域做出直接贡献的老科学家们。这样的评奖标准可能会让那些在传统物理界辛勤工作的科研人员感到失望，毕竟诺贝尔奖是科研工作者的最高荣誉和梦想。机器学习和神经网络与传统物理学研究是两种完全不同的研究范式，这次颁奖确实让许多物理学家感到意外。

传统物理研究讲究稳健，获奖成果通常需要有坚实的理论基础、广泛的应用和有效的结果，这三者缺一不可。而机器学习往往在理论上不太能明确解释其近似方法，比如是进行了顶角截断还是选择了某个特定的通道，这使得分析其内在机制变得更加困难，研究结果往往像一个黑箱操作。如果能够在理论上对机器学习在物理中的应用有效性进行严格的推导和证明，那么这次获奖可能会更有说服力。

AI的本质是数学中的统计学和概率学，生成式AI输出的结果本质上是一种“猜测”。当你向AI提问时，大模型会在海量数据中匹配相关内容，也就是深度学习的过程，根据学习内容筛选出相关内容，并对这些内容进行概率匹配，选择匹配度高的词组进行再次组合，形成答案。但我们必须认识到，这种“猜测”并非无的放矢，而是基于合理的推测，这种推测依赖于背后的数学模型以及数据挖掘和分析。现在的AI都是基于概率统计，使用给定的大数据内容进行黑箱拟合。从根源上讲，AI更接近数学，而不是物理学。

人工智能（AI）的发展无疑是社会变革的强大推手，它的影响深远且显著。尤其是最近OpenAI推出的大型模型，更是让我们见证了AI的强大潜力。AI通过自动化和智能化手段，极大地提高了各行各业的工作效率，比如在制造业中替代人力完成重复性劳动，降低出错率；在服务业中，聊天机器人能够24小时不间断地提供客户服务；在医疗领域，AI辅助诊断系统能快速准确地识别疾病，缩短诊疗时间。

AI还能进行智能决策支持，它能够分析大量数据并进行预测，提供人类可能无法识别的洞察力，从而在金融、营销和医疗保健等领域做出更好的决策和解决问题。AI处理和分析大量数据的能力也是其一大优势，如医疗记录或客户信息，有助于识别人类可能无法立即察觉的模式和趋势。

在医疗保健和医学研究方面，AI也能大显身手，协助医生诊断疾病、制定个性化治疗方案并识别潜在的健康风险，还可以通过分析大量数据和识别新的联系来帮助医学研究。此外，AI还能执行高风险任务，如探索深空、处理危险材料、在灾区搜寻幸存者等，这些任务对人类来说可能过于危险或困难。

AI的发展也推动了科学研究，如在材料科学、天气预报、基因突变分类等领域的应用，展示了AI在解决复杂科学问题中的关键作用。

然而，AI的发展也带来了一些挑战和缺点。AI技术的进步可能导致部分传统工作岗位被机器取代，尤其是那些从事数据处理、标准化操作的职位，这可能加剧社会不平等。AI对个人隐私与信息安全也带来巨大的挑战，依赖于大量数据进行学习和优化的AI，如果数据收集、分析和使用不当，可能导致个人信息泄露，甚至危及国家安全和社会稳定。

AI也使人类陷入伦理道德困境，当AI开始拥有一定程度的自主决策能力时，我们不得不面对“机器道德”的问题，比如在无人驾驶车辆发生事故时的道德抉择。AI系统可能会延续甚至放大社会中现有的偏见，从而导致歧视性的结果，这在刑事司法、借贷和招聘等领域尤其令人担忧。

对人工智能技术的严重依赖会导致人类缺乏批判性思维能力和决策能力。AI导致问责制的缺乏和不透明度的提升，人工智能系统的复杂性和“黑箱”操作模式使得很难让个人或组织对其行为负责。

AI的发展在推动社会进步和经济增长的同时，也可能加剧社会不平等，影响就业结构变化。AI和自动化技术可能导致某些低技能工作的减少，从而影响那些依赖这些工作的群体。自动化、机器人和算法在取代人类工作任务方面发挥了作用，减缓了工资增长并加剧了不平等。

AI还可能导致收入和财富分配不均，技术的发展可能使得那些拥有和控制这些技术的少数人获得巨大利益，而大多数人则面临收入下降的风险。这种不平等的收入和财富分配可能导致社会分层更加固化，加剧贫富差距。

AI技术和高薪工作往往集中在某些城市或地区，而其他地区则可能被边缘化。这种地域发展的不均衡可能导致资源分配不公，加剧地区间的经济和社会差距。

AI的发展要求劳动力具备更高的技能和教育水平，但不是所有人都能获得必要的教育和培训，这可能导致那些已经处于不利地位的人群更难获得新的就业机会，从而加剧社会不平等。AI系统可能会继承和放大社会中现有的偏见，因为它们是通过分析历史数据来学习和做出决策的，如果这些数据包含偏见，那么AI系统可能会在决策中再现这些偏见，导致某些群体受到不公平的待遇。

AI的贡献有目共睹，同样它的危害也显而易见。AI对未来的生活带来很大的改变，让人感觉有点很虚，有点像飘在半空中的泡沫，璀璨又夺目，但总让人感觉是一直飘着的，说不定哪天一触就破。

这次诺贝尔物理学奖的颁发，似乎让一些人感觉到了诺贝尔奖委员会对AI的某种偏爱和谄媚，甚至违背了诺贝尔设立奖项的初衷，影响了奖项的纯粹性和神圣感。这种感觉，就像是有一只无形的大手在背后操纵着一切。

让我们来聊聊诺贝尔的遗产是如何被管理和投资的。诺贝尔的遗产通过诺贝尔基金会的精心管理和投资，得以保值增值，使得诺贝尔奖能够持续发放至今。根据诺贝尔的遗嘱，他的遗产被用来成立诺贝尔基金会，这是一个私立机构，负责管理遗产并颁发诺贝尔奖。基金会的主要职责是保护诺贝尔奖的利益，对外代表诺贝尔机构，并组织宣传活动和颁奖仪式等。

诺贝尔基金会遵循“不动本金”的原则，即只使用投资所得的收益作为奖金，而不消耗原始资金。这样确保了奖金的可持续性，并能够抵御通货膨胀的影响。基金会在初期只投资于固定收益证券，但随着时间的推移，投资策略逐渐放宽，开始投资于股票、房地产、私募股权、对冲基金等多元化资产，以实现资产的增值。

诺贝尔基金会采用了被称为“532”的资产配置策略，即大约50%投资于股票，30%投资于另类资产，20%投资于固定收益资产。这种配置有助于在风险可控的情况下获取较高的投资回报。当然，诺贝尔基金会获得了瑞典政府的免税待遇，这减轻了基金会的财务压力，使得更多的资金可以用于投资和奖金发放。

诺贝尔基金会将每年投资收益的一部分作为奖金发放给获奖者，而剩余的收益则重新投入本金进行再投资，以保持基金的增长。通过这些方法，诺贝尔基金会成功地将诺贝尔的遗产从最初的3100万瑞典克朗增长到数十亿瑞典克朗，确保了诺贝尔奖的持续发放，并且奖金数额随着时间的推移而增加。

我们知道，资产的50%投资于股票，而最近几年最火的股票，基本上都和人工智能相关。这次的诺贝尔奖对人工智能股票的影响是巨大的。市场可能会对AI的未来潜力持乐观态度，尤其是涉及机器学习和神经网络技术的公司，比如谷歌和英伟达等。投资者可能会加大对这些领域的投资，期待长期的创新突破和商业应用。

诺贝尔基金会不仅仅是瑞典人在管理，还有挪威人，因为和平奖由挪威议会的诺贝尔委员会颁奖，诺贝尔基金会最大金主之一是挪威财富主权基金，后者重仓了英伟达和谷歌。这背景可能让人产生某种联想，即诺贝尔奖在某种程度上对AI有所偏爱，是“钱”有可原的。

如果诺贝尔奖委员会真的在“跪舔”AI，那么只要和AI相关的研究成果，似乎就能获得优先的获奖权和额外的照顾，这可能会促使各领域的科研工作者都去研究AI。如此偏高和传统学科不同的学科，让诺奖委员会陷入了一种困境，解决这个困境的方法可能是设置新的奖项，比如诺贝尔科技奖。计算机学科的发展和壮大，已经可以与传统的物理、化学和生物等学科分庭抗礼啦，为什么不能新设一个新的奖项呢？任何事物的发展都需要与时俱进，变化才能实现恒久不变。若是不能设置新的奖项，就不应该强行将AI纳入现有的奖项体系，这样看起来既别扭，又尴尬。