（供图：Olena Shmahalo）

编者按

　　由许多相互作用的简单单元所形成的庞大复杂体系，常常会有令人惊艳的整体运动行为（比如由多原子体系所产生的的铁磁、超导、超流行为等等）。而这一整体运动行为所满足的规律，和形成体系的简单单元所满足的规律会非常不同。这种由单元的简单规律所导致的整体行为的完全不同的新规律，就是物理学中有名的演生现象。由相同单元所组成的不同的复杂系统，其整体运动行为，甚至可以满足完全不同的规律。这种不同的演生能力，是我们世界丰富多彩的起源。（我们世界的一切都是由三种粒子组成，电子、质子、和中子。）如何从单元的简单规律推导出整体运动的完全不同的新规律，在物理中有一个很重要的方法，这就是重整化方法。这一重整化方法是现代物理一块重要的基石。

　　一个由众多简单神经元所形成的神经网络，也是一个复杂系统，它可以有惊人的图像识别能力。给一个神经网络输入一堆像素，它可以输出（识别）这是狗，还是猫，还是其他什么东西。从一堆简单的像素得出猫狗这种整体信息，这很像物理中的演生现象。从这个角度看问题，我们很自然地会想到，重整化方法也应该在设计构造图像识别的神经网络中发挥重要作用。这篇文章介绍了近年来这方面的一些发展。那一贯穿宇宙的通用逻辑，就是重整化的方法和观念。

——文小刚

　　物理学家、电脑和大脑都能从一堆不相关的数据中梳理出重要特征，这其中可能存在一种通用的逻辑。

　　作者Natalie Wolchover

　　翻译沈庞

　　校对Lineker

　　早在2012年，电脑就已经学会识别YouTube视频中的猫；到了2014年11月，电脑甚至可以将一张照片正确地命名为“一群正在玩飞盘的年轻人”，于是人工智能研究者们欢呼着期盼“深度学习”还会带来更多成就，这套成功的算法效仿了大脑的思维方式，即仅仅通过接触发展出对于真实世界特征的敏感性。

　　通过运用最新的深度学习设计，科学家们已经越来越熟练地将人工神经元网络架构的计算机模型应用在图像、语音和模式识别等领域——它们都是与机器个人助理、复杂的数据分析和自动驾驶汽车相关的核心技术。可是，除了训练计算机从其他无关的数据里提取出一些显著特征外，研究人员还从未完全理解这种算法或称之为生物学习的方法为何会行得通。

　　有两位物理学家研究发现，某种形式的深度学习，其作用机理就如同物理学中最重要和最普遍的一种数学方法，即一种大尺度物理系统行为的计算方法，它常用于基本粒子、流体和宇宙学的计算。

　　这一发现由波士顿大学的潘卡吉·梅塔（Pankaj Mehta）和西北大学的大卫·施瓦布（David Schwab）共同完成。他们证明了一种叫做“重整化”（renormalization）的统计技术能够让人工神经网络实现数据分类，譬如在一个给定的视频里识别“一只猫”，无论其颜色、大小或姿势。这种统计方法原本用于物理学领域，它使得物理学家无需知道所有组分的精确状态，就可以准确地描述大尺度系统。

　　潘卡吉·梅塔，波士顿大学物理系助理教授（供图：潘卡吉·梅塔）

　　“这些原本只是梦里的事，他们居然用确凿的证据写成了论文，”埃默里大学（Emory University）的生物物理学家伊利亚·内蒙曼（Ilya Nemenman）如是说，“统计物理学领域里的提取相关特征，与深度学习领域里的提取相关特征，不止是说法一样，它们在本质上就是一回事。”