一、背景
迴歸 2024 年諾貝爾物理學獎被授予 John J.Hopfield（霍普菲爾德） 和 Geoffrey E.Hinton（辛頓），當時物理學界都震驚了，紛紛在打聽霍普菲爾德和辛頓，他們兩位到底是誰?
10 月 8 日，瑞典皇家科學院把諾貝爾物理學獎授予了 John J. Hopfield 和 Geoffrey E. Hinton。這訊息一出來，大家都特別驚訝，覺得不可思議。因為這兩位是計算機領域的專家，感覺他們和傳統的物理研究沒多大關聯。他們的工作確實很偉大，不過從表面看，對傳統物理領域沒有直接起到推動作用，而是藉助物理學理論間接促進了計算機學科的發展。
我知道自己知識面有限，對這兩位大佬的研究領域也不太熟悉。說不定他們在基礎物理和應用物理等方面有著驚世駭俗、劃時代的貢獻呢，就像楊振寧和李政道等物理學家的研究那樣，能影響人類物理史的發展。現在我就想抱著學習和探討的態度，去好好研究一下這次的物理學獎以及這兩位計算機專家。
二、生平和成就
John J. Hopfield，這位美國著名的生命科學家，他的一生充滿了對知識的不懈追求。1933年，他出生在伊利諾伊州的芝加哥，一個充滿活力的城市。霍普菲爾德在學術上的表現非常出色，1954年，他在斯沃斯莫爾學院獲得了學士學位，隨後在1958年，他又在康奈爾大學摘下了物理學博士學位的桂冠。
他的教學生涯同樣輝煌，曾在包括加州大學伯克利分校在內的多所頂尖學府擔任教職。現在，他擁有霍華德-普萊爾分子生物學名譽教授的頭銜，這是對他在學術界貢獻的一種肯定。不僅如此，霍普菲爾德在1986年還參與創立了加州理工學院的計算與神經系統博士專案，這顯示了他在推動科學教育方面的遠見和努力。
在1982年，John Hopfield發表了他那篇開創性的論文，題目是“神經網路和具有突發性集體計算能力的物理系統”。在這篇論文中，他巧妙地將物理學中的動力學概念融入到神經網路的設計裡。這一創新的方法不僅為解決模式識別問題提供了新的視角，還為一類複雜的組合最佳化問題找到了近似的解決方案。由於這項工作的巨大影響力，後來人們將這種網路親切地稱為“Hopfield網路”。
Hopfield網路，這個名字可能聽起來有點技術化，但其實它是一個非常酷的概念。想象一下，這是一種特殊的神經網路，它結合了儲存系統和二元系統，就像一個迴圈的迴圈神經網路。它的設計靈感來源於我們人類的記憶，試圖模擬我們大腦儲存和回憶資訊的方式。
這種網路還有一個特別的地方，它是一種遞迴神經網路，這意味著它的輸出會反饋到輸入，形成一個迴圈。在這個網路中，每個神經元都與其他所有神經元相連，就像一個巨大的互相連線的網路，有時也被稱為全網際網路絡。
霍普菲爾德的這項研究不僅僅是理論上的突破，它還為我們提供了一個全新的視角來理解大腦的工作原理。他的工作推動了神經網路領域的早期發展，讓我們對大腦的複雜性有了更深的認識。簡而言之，Hopfield網路就像是給我們的大腦工作原理提供了一個模型，幫助我們更好地理解自己。
他與貝爾實驗室的合作由來已久，這段合作歷史可以追溯到多年前。在1987年，貝爾實驗室取得了一項重大突破，他們基於Hopfield神經網路的原理，成功研發出了一種新型的神經網路晶片。這不僅僅是一項技術成就，更是現代人工智慧發展中不可或缺的基石。
在霍普菲爾德的榮譽榜上，還有一項值得一提的獎項——2022年的玻爾茲曼獎。這個獎項是以著名的物理學家路德維希·玻爾茲曼的名字命名的，自1975年起每三年頒發一次，用以表彰那些尚未獲得諾貝爾獎的科學家，且每位科學家只能獲得一次。霍普菲爾德與另一位科學家共同分享了這一榮譽，這不僅是對他個人成就的認可，也是對他在神經網路領域所做貢獻的肯定。
Geoffrey Hinton，這位比John Hopfield年輕一些的科學家，他的出生背景頗為不凡。1947年，Hinton在英國的一個學術氛圍濃厚的家庭呱呱墜地。這個家族中湧現出了許多世界知名的學者，比如他的曾外祖父，就是那位在19世紀以布林代數奠定現代計算機數學基礎的著名數學家布林；他的姑父提出了經濟學中的“國民生產總值”概念；他的表姐是一位參與過曼哈頓計劃的核物理學家；而他的父親則是一位英國皇家學會的昆蟲學家。
Hinton的人生故事頗具幾分傳奇色彩。高中畢業後，他遵循家族的傳統，進入了劍橋大學國王學院。然而，在那裡的幾年裡，Hinton在數學、物理、化學、生物和哲學等多個學科間徘徊，尋找自己的學術方向，最終他選擇了實驗心理學作為本科畢業論文的主題。
大學畢業後，Hinton的迷茫並未消散。他一度成為了一名木匠，手工製作櫥櫃、貨架和木門，但這份工作並不足以維持生計。1972年，25歲的Hinton決定進入愛丁堡大學，開始了他的神經網路研究之旅。有趣的是，那時他甚至還未曾聽聞John Hopfield的名字。他的導師每週只與他見面一次，並且經常勸他放棄：“研究機器學習？你這是在浪費時間。”
到了1993年，Hinton遭遇了人生的低谷。他的妻子因病去世，他的兩個兒子中的一個被診斷出患有注意力缺陷多動症。同時，神經網路研究也面臨著瓶頸，當時科學界還沒有普遍認同神經網路是人工智慧發展的主流方向。Hinton曾自嘲地說：“我46歲時就感覺自己已經‘死’在了水裡。”他當時認為，或許只有在他去世100年後，他的研究才會被世人所認可並取得突破。這是人工智慧界一則耳熟能詳的故事：2009年，辛頓在實驗中發現英偉達的GPU晶片非常適合執行神經網路，但晶片太貴他買不起，就給英偉達發去郵件希望對方能免費送給他一塊晶片做研究之用，但沒有得到英偉達的任何回覆。外界並不確定黃仁勳是否知道此事，否則他或許會略感後悔。因為三年後，傑弗裡·E·辛頓的研究就取得了巨大的突破。
Geoffrey Hinton在2001年到2014年間，一直在多倫多大學的電腦科學系擔任教授。在2012年，他和他的兩位得意門生，Alex Krizhevsky和Ilya Sutskever，一起開發了一個具有8層的神經網路，名叫AlexNet，這個名字來源於亞歷克斯。這個網路在當年的ImageNet大規模視覺識別挑戰賽中一鳴驚人，奪得了冠軍。它的表現太好了，以至於主辦方一度懷疑他們是不是作弊了，因為AlexNet的影像識別準確率比第二名高出了一大截。
也就是在那一年，Hinton把他的初創公司賣給了谷歌，並且成為了谷歌的副總裁。他在2023年離開了這個職位。2018年，Hinton和他的學生Yann LeCun以及學者Yoshua Bengio一起，獲得了計算機領域的最高榮譽——圖靈獎。
當諾貝爾物理學獎的榮譽降臨到Hinton身上時，這可是歷史上頭一遭，將他推向了全球的聚光燈下。據報導，這位被稱為“AI教父”的科學家在接到獲獎電話時，正身處加州的一家經濟型旅館，準備去做核磁共振掃描呢。這次獲獎後，Hinton也希望，獲得諾貝爾獎能讓他的話更有分量，讓人們更加重視他一直在強調的AI安全問題。他的聲音，現在比以往任何時候都更需要被世界聽到。
在人工智慧的世界裡，有兩位科學家的名字如雷貫耳，他們不僅是該領域的大師，更是被廣泛認為是人工智慧的奠基人。其中，Geoffrey Hinton因其深遠的影響，甚至被尊稱為“AI教父”。值得一提的是，OpenAI的前首席科學家，Ilya Sutskever，也是Hinton的得意門生之一。
那麼，這兩位傑出的研究者究竟做了哪些開創性的工作呢？Hopfield 和 Hinton運用了統計物理學的工具，開發出了人工神經網路的新方法。他們的研究涉足了多個深奧的領域，包括玻爾茲曼分佈、自旋玻璃模型、能量函式，以及最小作用量原理等。這些概念聽起來可能有點抽象，但正是這些基礎的研究，為人工智慧的發展奠定了堅實的理論基礎。
三、獲獎成果與物理學的相關性
諾貝爾物理學委員會對John Hopfield和Geoffrey Hinton的讚譽，雖然簡潔，卻蘊含深意。他們利用物理學的工具，構建了現代機器學習的基礎方法，這些方法正在徹底改變科學、工程乃至我們的日常生活。這裡的“奠定性”意味著他們的貢獻不僅是開創性的，更是影響深遠的，沒有這些物理學工具，就不可能有這些方法的誕生。因此，將諾貝爾物理學獎頒發給這兩位AI領域的科研人員，可謂是實至名歸。
那麼，他們具體的研究成果是什麼呢？Hopfield和Hinton利用統計物理學的工具，開發出了人工神經網路方法。他們的工作涉及了玻爾茲曼分佈、自旋玻璃模型、能量函式、最小作用量原理等領域。Hopfield教授的貢獻在於創造了一種新型的資訊儲存與重構結構，即霍普菲爾德網路，這個網路能夠儲存和重構影像以及資料中的其他型別模式，其工作機制與大腦透過相關資訊回憶詞彙或概念的方式相類似。而Hinton教授則發明了能夠自主發現資料屬性的方法，如玻爾茲曼機，這一方法對現代大型人工神經網路的發展具有不可估量的價值。
John Hopfield的傑出貢獻體現在他提出的Hopfield網路，這一創新成果的靈感來源於一種叫做伊辛模型的物理現象。伊辛模型這個名字，來源於物理學家恩斯特·伊辛，它是一個既數學又統計力學的模型，專門用來描述物質如何表現出鐵磁性。
讓我們來聊聊伊辛模型。這個模型最初由德國物理學家威廉·楞次在1920年提出，後來由他的學生恩斯特·伊辛進一步發展。伊辛模型用一種簡化的數學形式，描繪了鐵磁材料中的原子自旋（也就是磁矩）是如何相互影響的，以及這種影響如何隨著溫度的變化而變化。
在伊辛模型中，每個原子的自旋被視為一個可以取+1或-1值的變數，代表自旋向上或向下。相鄰原子之間的相互作用能透過一個引數J來描述，如果J為正，相鄰原子傾向於具有相同的自旋方向（鐵磁性行為）；如果J為負，相鄰原子傾向於具有相反的自旋方向（反鐵磁性行為）。此外，模型還可以包含一個外部磁場H，影響原子自旋的排列。
伊辛模型的核心是其哈密頓量，它描述了系統的能量狀態。對於給定的自旋配置，哈密頓量計算了系統總能量，這個能量取決於自旋之間的相互作用以及外部磁場的影響。模型的目標是找到在給定溫度下，系統最可能的自旋配置，即那些具有最低能量或在熱平衡狀態下的配置。
伊辛模型的一個重要應用是研究相變，特別是在二維和三維晶格中，模型能夠展現出在特定臨界溫度下的二級相變。在這個相變點，系統的磁性會突然消失，即從有序的鐵磁狀態轉變為無序的順磁狀態。這種相變可以透過模型的臨界指數和臨界現象來描述，這些現象在許多複雜系統中都有普遍性，如氣-液相變、湍流，甚至股票市場和經濟系統等。
除了在物理學中的應用，伊辛模型還被廣泛應用於其他領域，如社會科學、生物學和電腦科學。例如，在社會科學中，伊辛模型可以用來模擬社會觀點的傳播和演化；在生物學中，它可以模擬細胞內的訊號傳導網路；在電腦科學中，伊辛模型的原理被用於設計神經網路，如Hopfield網路，這是一種能夠儲存和回憶資訊的人工神經網路。
伊辛模型的解析解在一維和二維情況下已經被找到，其中二維伊辛模型的解析解由拉斯·昂薩格在1944年給出。然而，在三維和更高維度的情況下，模型的解析解尚未被發現，通常需要透過數值模擬方法來研究。伊辛模型的模擬技術包括蒙特卡洛方法，這是一種統計抽樣技術，用於模擬系統的熱力學行為。
Geoffrey Hinton在John Hopfield的研究成果基礎上，運用統計物理學的工具，開發出了著名的玻爾茲曼機。玻爾茲曼機，全稱Boltzmann Machine，是一種隨機神經網路，由Hinton和Terry Sejnowski在1985年共同發明。這種網路的設計靈感來源於統計力學，特別是以奧地利物理學家路德維希·玻爾茲曼命名，以紀念他在統計力學領域的重大貢獻。玻爾茲曼機的工作原理正是基於這些物理學原理。
玻爾茲曼機由相互連線的單元組成，這些單元類似於神經元，它們隨機決定是否啟用，即開啟或關閉。網路中的每個連線都有一個與之相關的權重，這個權重決定了連線的強度和符號。在玻爾茲曼機中，有兩種型別的單元：可見單元（visible units）用於輸入和輸出資料，隱藏單元（hidden units）用於捕捉資料的結構特徵。透過這種方式，玻爾茲曼機能夠學習資料中的複雜模式，並生成新的資料例項，這些資料例項與訓練資料具有相似的特徵。
玻爾茲曼機在理論上可以學習表示任何分佈，只要有足夠的隱藏單元，但由於其全連線結構，訓練過程計算成本高，MCMC抽樣過程也可能導致收斂速度慢。為了解決這些計算挑戰，通常使用一種變體——受限玻爾茲曼機（Restricted Boltzmann Machine, RBM），它限制了網路中的連線，使得只有可見單元和隱藏單元之間有連線，沒有可見-可見或隱藏-隱藏連線。這種限制使得網路更容易訓練，因為它允許更高效的訓練演算法，並可能導致更快的收斂。
玻爾茲曼機在機器學習領域具有重要意義，儘管它們在實際應用中可能不如其他模型（如深度神經網路）流行，但它們在深度學習和生成模型的發展中起到了基礎性作用。
玻爾茲曼機在深度學習領域可是個多面手，它的身影出現在各種各樣的應用場景中：
- 影像識別與處理：想象一下，玻爾茲曼機就像一個藝術家，它不僅能識別和分類圖片，還能探測影像中的物體，甚至識別人臉。在醫學影像分析領域，它也大顯身手，幫助檢測疾病和分割組織。
- 自然語言處理：玻爾茲曼機與其他神經網路結構聯手，處理文字分類、情感分析和機器翻譯等任務。它理解和生成語言的能力，為處理複雜文字提供了強大的支援。
- 推薦系統：玻爾茲曼機的生成模型特性，使其在推薦系統中大放異彩。它透過學習使用者和物品之間的潛在關係，能夠生成個性化的推薦列表，提升推薦的準確性和使用者的滿意度。
- 語音識別：在語音識別領域，玻爾茲曼機能夠提取聲音訊號的特徵，並與其他模型如隱馬爾可夫模型（HMM）結合，進行語音識別。它在複雜聲音環境下的魯棒性，使其在這一領域具有顯著優勢。
- 無監督學習與異常檢測：玻爾茲曼機的無監督學習能力，使其在無監督聚類和異常檢測等任務上表現出色。尤其在資料標籤缺失或稀缺的情況下，它能提取有用資訊，發現資料中的潛在結構或異常模式。
- 藥物發現與生物資訊學：在藥物發現和生物資訊學領域，玻爾茲曼機能夠預測藥物的生物活性、發現新的藥物靶點等。它對高維資料的處理能力，為解析複雜生物系統提供了有效手段。
- 深度信念網路（DBN）：DBN是由多層受限玻爾茲曼機（RBMs）堆疊而成的生成模型，用於捕獲資料中的高層次抽象特徵。DBNs採用無監督預訓練的方式逐層訓練模型，這種逐層學習策略使DBNs在訓練時更為穩定和高效，尤其適合處理高維資料和未標記資料。
- 深度玻爾茲曼機（DBM）：DBM是玻爾茲曼機的一種擴充套件，包含多個隱藏層，能夠學習資料的複雜層次結構。DBM透過無監督學習來預訓練每一層，然後透過監督學習進行微調，以最佳化特定任務的效能。
- 受限玻爾茲曼機（RBM）：RBM是一種生成隨機神經網路，由兩層完全連線的神經元組成：可見層和隱藏層。RBM中的連線是無向的，即連線是對稱的。同一層中的神經元之間沒有連線。RBM被廣泛用於特徵學習、降維、分類等任務。
諾貝爾獎委員會可能認為，將獎項頒給這兩位科學家，正好展示了物理學的理念是如何激發深度學習的發展的。從他們的研究成果來看，獲獎的理由在於他們運用物理學的理念推動了深度學習的興趣和進步。這有點像乒乓球選手馬龍在奧運會上取得勝利，然後獎牌卻頒給了他的教練，因為教練的指導幫助他贏得了比賽。雖然聽起來有點不可思議，但如果我們深思一下，就會發現這其中確實有道理。畢竟，一個運動員的成功確實離不開教練的培養和影響。但如果將獎牌頒給了足球運動員C羅，僅僅因為馬龍經常看他的比賽並從中獲得靈感，那就真的有點離譜了。
對於2024年諾貝爾物理學獎頒給了看似與物理學無直接關係的人工智慧領域，許多人表示了疑惑。他們認為這個獎項更應該頒給那些在傳統物理領域做出直接貢獻的老科學家們。這樣的評獎標準可能會讓那些在傳統物理界辛勤工作的科研人員感到失望，畢竟諾貝爾獎是科研工作者的最高榮譽和夢想。機器學習和神經網路與傳統物理學研究是兩種完全不同的研究正規化，這次頒獎確實讓許多物理學家感到意外。
傳統物理研究講究穩健，獲獎成果通常需要有堅實的理論基礎、廣泛的應用和有效的結果，這三者缺一不可。而機器學習往往在理論上不太能明確解釋其近似方法，比如是進行了頂角截斷還是選擇了某個特定的通道，這使得分析其內在機制變得更加困難，研究結果往往像一個黑箱操作。如果能夠在理論上對機器學習在物理中的應用有效性進行嚴格的推導和證明，那麼這次獲獎可能會更有說服力。
AI的本質是數學中的統計學和機率學，生成式AI輸出的結果本質上是一種“猜測”。當你向AI提問時，大模型會在海量資料中匹配相關內容，也就是深度學習的過程，根據學習內容篩選出相關內容，並對這些內容進行機率匹配，選擇匹配度高的片語進行再次組合，形成答案。但我們必須認識到，這種“猜測”並非無的放矢，而是基於合理的推測，這種推測依賴於背後的數學模型以及資料探勘和分析。現在的AI都是基於機率統計，使用給定的大資料內容進行黑箱擬合。從根源上講，AI更接近數學，而不是物理學。
四、AI 的得與失
人工智慧（AI）的發展無疑是社會變革的強大推手，它的影響深遠且顯著。尤其是最近OpenAI推出的大型模型，更是讓我們見證了AI的強大潛力。AI透過自動化和智慧化手段，極大地提高了各行各業的工作效率，比如在製造業中替代人力完成重複性勞動，降低出錯率；在服務業中，聊天機器人能夠24小時不間斷地提供客戶服務；在醫療領域，AI輔助診斷系統能快速準確地識別疾病，縮短診療時間。
AI還能進行智慧決策支援，它能夠分析大量資料並進行預測，提供人類可能無法識別的洞察力，從而在金融、營銷和醫療保健等領域做出更好的決策和解決問題。AI處理和分析大量資料的能力也是其一大優勢，如醫療記錄或客戶資訊，有助於識別人類可能無法立即察覺的模式和趨勢。
在醫療保健和醫學研究方面，AI也能大顯身手，協助醫生診斷疾病、制定個性化治療方案並識別潛在的健康風險，還可以透過分析大量資料和識別新的聯絡來幫助醫學研究。此外，AI還能執行高風險任務，如探索深空、處理危險材料、在災區搜尋倖存者等，這些任務對人類來說可能過於危險或困難。
AI的發展也推動了科學研究，如在材料科學、天氣預報、基因突變分類等領域的應用，展示了AI在解決複雜科學問題中的關鍵作用。
然而，AI的發展也帶來了一些挑戰和缺點。AI技術的進步可能導致部分傳統工作崗位被機器取代，尤其是那些從事資料處理、標準化操作的職位，這可能加劇社會不平等。AI對個人隱私與資訊保安也帶來巨大的挑戰，依賴於大量資料進行學習和最佳化的AI，如果資料收集、分析和使用不當，可能導致個人資訊洩露，甚至危及國家安全和社會穩定。
AI也使人類陷入倫理道德困境，當AI開始擁有一定程度的自主決策能力時，我們不得不面對“機器道德”的問題，比如在無人駕駛車輛發生事故時的道德抉擇。AI系統可能會延續甚至放大社會中現有的偏見，從而導致歧視性的結果，這在刑事司法、借貸和招聘等領域尤其令人擔憂。
對人工智慧技術的嚴重依賴會導致人類缺乏批判性思維能力和決策能力。AI導致問責制的缺乏和不透明度的提升，人工智慧系統的複雜性和“黑箱”操作模式使得很難讓個人或組織對其行為負責。
AI的發展在推動社會進步和經濟增長的同時，也可能加劇社會不平等，影響就業結構變化。AI和自動化技術可能導致某些低技能工作的減少，從而影響那些依賴這些工作的群體。自動化、機器人和演算法在取代人類工作任務方面發揮了作用，減緩了工資增長並加劇了不平等。
AI還可能導致收入和財富分配不均，技術的發展可能使得那些擁有和控制這些技術的少數人獲得巨大利益，而大多數人則面臨收入下降的風險。這種不平等的收入和財富分配可能導致社會分層更加固化，加劇貧富差距。
AI技術和高薪工作往往集中在某些城市或地區，而其他地區則可能被邊緣化。這種地域發展的不均衡可能導致資源分配不公，加劇地區間的經濟和社會差距。
AI的發展要求勞動力具備更高的技能和教育水平，但不是所有人都能獲得必要的教育和培訓，這可能導致那些已經處於不利地位的人群更難獲得新的就業機會，從而加劇社會不平等。AI系統可能會繼承和放大社會中現有的偏見，因為它們是透過分析歷史資料來學習和做出決策的，如果這些資料包含偏見，那麼AI系統可能會在決策中再現這些偏見，導致某些群體受到不公平的待遇。
AI的貢獻有目共睹，同樣它的危害也顯而易見。AI對未來的生活帶來很大的改變，讓人感覺有點很虛，有點像飄在半空中的泡沫，璀璨又奪目，但總讓人感覺是一直飄著的，說不定哪天一觸就破。
五、一隻無形的手
這次諾貝爾物理學獎的頒發，似乎讓一些人感覺到了諾貝爾獎委員會對AI的某種偏愛和諂媚，甚至違背了諾貝爾設立獎項的初衷，影響了獎項的純粹性和神聖感。這種感覺，就像是有一隻無形的大手在背後操縱著一切。
讓我們來聊聊諾貝爾的遺產是如何被管理和投資的。諾貝爾的遺產透過諾貝爾基金會的精心管理和投資，得以保值增值，使得諾貝爾獎能夠持續發放至今。根據諾貝爾的遺囑，他的遺產被用來成立諾貝爾基金會，這是一個私立機構，負責管理遺產並頒發諾貝爾獎。基金會的主要職責是保護諾貝爾獎的利益，對外代表諾貝爾機構，並組織宣傳活動和頒獎儀式等。
諾貝爾基金會遵循“不動本金”的原則，即只使用投資所得的收益作為獎金，而不消耗原始資金。這樣確保了獎金的可持續性，並能夠抵禦通貨膨脹的影響。基金會在初期只投資於固定收益證券，但隨著時間的推移，投資策略逐漸放寬，開始投資於股票、房地產、私募股權、對沖基金等多元化資產，以實現資產的增值。
諾貝爾基金會採用了被稱為“532”的資產配置策略，即大約50%投資於股票，30%投資於另類資產，20%投資於固定收益資產。這種配置有助於在風險可控的情況下獲取較高的投資回報。當然，諾貝爾基金會獲得了瑞典政府的免稅待遇，這減輕了基金會的財務壓力，使得更多的資金可以用於投資和獎金髮放。
諾貝爾基金會將每年投資收益的一部分作為獎金髮放給獲獎者，而剩餘的收益則重新投入本金進行再投資，以保持基金的增長。透過這些方法，諾貝爾基金會成功地將諾貝爾的遺產從最初的3100萬瑞典克朗增長到數十億瑞典克朗，確保了諾貝爾獎的持續發放，並且獎金數額隨著時間的推移而增加。
我們知道，資產的50%投資於股票，而最近幾年最火的股票，基本上都和人工智慧相關。這次的諾貝爾獎對人工智慧股票的影響是巨大的。市場可能會對AI的未來潛力持樂觀態度，尤其是涉及機器學習和神經網路技術的公司，比如谷歌和英偉達等。投資者可能會加大對這些領域的投資，期待長期的創新突破和商業應用。
諾貝爾基金會不僅僅是瑞典人在管理，還有挪威人，因為和平獎由挪威議會的諾貝爾委員會頒獎，諾貝爾基金會最大金主之一是挪威財富主權基金，後者重倉了英偉達和谷歌。這背景可能讓人產生某種聯想，即諾貝爾獎在某種程度上對AI有所偏愛，是“錢”有可原的。
如果諾貝爾獎委員會真的在“跪舔”AI，那麼只要和AI相關的研究成果，似乎就能獲得優先的獲獎權和額外的照顧，這可能會促使各領域的科研工作者都去研究AI。如此偏高和傳統學科不同的學科，讓諾獎委員會陷入了一種困境，解決這個困境的方法可能是設定新的獎項，比如諾貝爾科技獎。計算機學科的發展和壯大，已經可以與傳統的物理、化學和生物等學科分庭抗禮啦，為什麼不能新設一個新的獎項呢？任何事物的發展都需要與時俱進，變化才能實現恆久不變。若是不能設定新的獎項，就不應該強行將AI納入現有的獎項體系，這樣看起來既彆扭，又尷尬。