同样，来自微软的剑桥研究实验室主管克里斯·毕绍普早在三十年前感受到了这种趋势，那时深层神经网络技术刚刚开始在学术界崭露头角，他便从物理学转行投身于机器学习的研究。他说：“物理学家进入机器学习领域是一件非常自然的事情，这甚至比计算机科学家来研究它更自然。

　　挑战空间

　　博伊金说，十年前，他的许多物理学界朋友纷纷涌入金融行业。并用其数学能力作为预测市场走向的一种方式，在华尔街赚的盆满钵满。这其中一个非常关键的方法就是布莱克-舒尔斯方程，这是一种确定金融衍生物价值的方法。但同样，也正是布莱克-舒尔斯方程帮助酿造了2008年的金融危机。现在，博伊金和其他物理学家说，更多的同事正在进入数据科学和计算机技术等领域。

金融界经典的布莱克-舒尔斯方程

　　在这十年初，物理学家纷纷来到顶尖的科技公司，帮助建立所谓的大数据软件，这些系统在数百甚至数千台机器上拼接数据并对其进行分析。在社交网站公司Twitter，博伊金帮助他们搭建了一个名为Summingbird的大数据分析软件。同样，在麻省理工学院物理系的三名物理学家在一家名为Cloudant的初创公司也建立了类似的软件。在麻省理工学院，这些物理学家就经常处理来自大型强子对撞机产生的海量数据。确实，物理学家更擅长处理数据，因为构建这些非常复杂的系统需要极为强大的抽象思维。

　　在早期的Google里，负责构建大规模分布式系统的关键人物之一约纳坦·曾格，他拥有斯坦福大学的弦理论博士学位。谷歌前搜索和广告工程部经理凯文·斯科特刚加入Google的广告业务部门时，他负责从Google各处获取数据，并使用这些数据来预测哪些广告最有可能获得最多的点击次数，他曾聘请了大量物理学家。“与计算机科学家不同的是，开奖，机器学习技术的需要大量实验的这一特征更加适合物理学家，这几乎就是一门实验室科学”现任LinkedIn首席技术官的斯科特说。

　　如今，大数据已经成为科学界常谈的话题，其处理软件也是遍地开花。Stripe使用的是博伊金在Twitter帮助其构建的开源版本，它的机器学习模型帮助并推动许多其他公司发展。而这也为物理学家进入硅谷提供了更广阔的道路。在Stripe，博伊金与罗本·克雷默（物理学博士，哥伦比亚大学），克里斯汀·安德森（物理硕士，哈佛）和团队领导凯利·里瓦尔（物理学学士，麻省理工学院）一起工作。他们之所以来到这里，一方面是因为这里有合适的工作。但也同样是为了钱。正如博伊金所说：“也许对于科学家来说，谈钱并不是一件光彩的事情，但是他们还是来了，因为有很多困难的问题需要解决。”

　　安德森在获得博士学位之前就离开了哈佛，因为他像博伊金有着同样的眼光，那就是意识到在自己专业领域正在做一种回报递减的知识追求。“这是一个可以无限延伸的领域，这里的机会更多，同样也有着更大的挑战空间，问题空间和智力上升空间。”安德森说。

　　关于未来

　　如今，越来越多的物理学家来到硅谷。未来几年，这一现象也许会进一步蔓延。机器学习不仅改变世界如何分析数据，也改变着软件的构建方式。神经网络已经重塑了图像识别，语音识别，atv，机器翻译以及软件接口的本质。正如微软的克里斯·毕绍普所说，软件工程正在从基于逻辑的手工编码转向基于概率和不确定性的机器学习模型。像Google和Facebook这样的公司，也开始用这种新的思维方式重新训练他们的工程师。毫无疑问，最终整个计算机世界将紧跟这一潮流发展。