对物理学家来说, 现在可不是个好时代, 曾经的物理学家奥斯卡·博伊金 (Oscar Boykin) 这样说道. 博伊金曾在佐治亚理工学院物理专业深造, 并在2002年于加州大学洛杉矶分校获得物理学博士学位. 2013年, 运行瑞士大型强子对撞机的物理学家们发现了希格斯玻色子. 众所周知, 希格斯玻色子是早在20世纪60年代就被物理学家预言过的亚原子粒子, 在那以后每个人都期待着发现这种粒子. 然而, 希格斯玻色子并没有颠覆现有宇宙的理论模型, 它也没有改变任何东西或带给物理学家任何新的信息. 博伊金坦言: '当物理学真正出现问题时, 才能让物理学家们感到兴奋, 令人沮丧的是现在我们恰恰处于一个物理学并没有太多错误的时期. 对于一个物理学家来说, 这非常令人沮丧. ' 此外, 当物理学成为一种职业时, 其薪酬并不高.
于是博伊金转行去了硅谷做软件工程师, 对其他物理学家来说, 现在正是成为其中一员的好时机.
博伊金在Stripe工作, 后者是一家市值90亿美元的创业公司, 其主营业务是帮助企业在线接受付款. 博伊金负责开发和运行用于收集整个公司服务数据的软件系统, 他会预测这些服务数据, 分析何时会发生欺诈交易并加以防范. 作为一名物理学家, 他非常适合这项工作, 这既需要极端的数学思想, 又需要抽象思维. 然而与物理学家这个职业不同的是, 他正在一个能够提供无穷无尽挑战和无限可能性的领域工作, 更重要的是工资很高.
如果把物理学和软件工程都当作是亚原子粒子, 那么硅谷已经变成了强子对撞机. 博伊金和Stripe的另外三位物理学家合作进行相关工作. 去年12月, 通用电气收购机器学习创业公司Wise.io时, 首席执行官杰夫·伊梅尔特 (Jeff Immelt) 夸口说, 他刚刚逮住了一家挤满物理学家的公司, 其中最著名的莫过于加州大学伯克利分校的天体物理学家约书亚布鲁姆 (Joshua Bloom) . 在世界各地, 有约7万名数据科学家都使用的开源机器学习软件H20, 是由曾在SLAC国家加速器实验室工作的瑞士物理学家Arno Candel的帮助下开发的. 微软数据科学主管维杰·纳拉亚南 (Vijay Narayanan) 也是一名天体物理学家, 其部门还有其他几位物理学家.
这一切正发生在硅谷, 而且并非巧合. 因为无论从结构还是技术上讲, 几乎每个互联网公司的需求都越来越和物理学家掌握的技能契合.
自然因素
当然, 在计算机技术方面物理学家们早就扮演了重要角色, 正如他们在许多其他领域发挥的重要作用一样. 帮助设计ENIAC (世界上最早的电脑之一) 的约翰毛克利 (John Mauchly) 是一位物理学家. C编程语言之父丹尼斯·里奇(Dennis Ritchie)也是一名物理学家.
但对于计算机技术领域的物理学家来说, 现在是转行去硅谷的黄金时期, 这要归功于机器学习技术的兴起, 计算机开始通过分析大量数据来学习任务. 数据科学和人工智能新浪潮正是适合物理学家的东西.
除此之外, 业界已经接受了旨在模仿人脑结构的神经网络软件. 但是这些神经网络实际上只是数学应用, 主要关联的学科是线性代数和概率论. 计算机科学家不一定会接受这些学科的培训, 但是物理学家一定了解相应学科. 博伊金说: '对物理学家来说, 神经网络技术中唯一真正的新东西就是学习如何优化这些神经网络以及如何进行训练, 但这对于物理学家来说小菜一碟. 其中一种技术被称为 '牛顿法' , 就是那个物理学家牛顿. '
微软剑桥研究实验室负责人克里斯·毕晓普 (Chris Bishop) 在30年前就感同身受, 当时深度神经网络刚刚在学术界展现出前景. 这让他从物理学领域跳到了机器学习领域从事相关工作. '物理学家进入机器学习领域是很自然的事, ' 他说, '甚至比计算机科学家更自然. '
挑战空间
十年前, 博伊金说, 很多从事物理学研究的朋友们喜欢踏足金融世界. 在华尔街, 同样的数学风格对于预测市场走向也是非常有用的. 一个关键的方法是布莱克-肖尔斯期权定价模型Black-Scholes, 它是确定金融衍生品价值的重要方法. 然而正是布莱克-肖尔斯期权定价模型推动了2008年的金融海啸. 现在, 博伊金和其他物理学家纷纷表示, 更多的同事正在转向数据科学和其他类型的计算机技术.
早些时候, 物理学家跳槽到一些顶级科技公司, 帮助开发所谓的 '大数据' 软件, 从而在数百甚至数千台机器上进行数据处理. 在Twitter, 博伊金帮忙开发了一个名为Summingbird的系统, 而麻省理工学院物理系的三位物理学家为一家名为Cloudant的初创公司开发了类似的软件. 物理学家清楚如何处理数据——Cloudant的创始人此前的工作就是处理大型强子对撞机的大量数据集——开发这些极其复杂的系统需要开发人员具备相当的抽象思维. 当这些系统建成之后, 很多物理学家都会利用自己所掌握的数据使用这些系统.
在谷歌成立早期, 为公司机房开发大规模分布式系统的关键人物之一是Yonatan Zunger, 其拥有斯坦福大学的弦理论博士学位. 当凯文·斯科特 (Kevin Scott) 加入谷歌广告营销团队时, 主要负责收集来自谷歌各地的数据, 并用它来预测哪些广告最有可能获得更多的点击次数. 为此斯科特招聘了大量的物理学家, 与许多计算机科学家不同, 他们掌握的技能非常适合机器学习. '这几乎就像实验室科学, ' Scott现任首席技术官表示.
现在大数据软件已经司空见惯, Stripe就使用了博伊金所帮忙开发的开源系统, 这一开源系统也帮助很多公司的机器学习模型提高预测能力. 这为硅谷的物理学家提供了更广阔的发展前景. 在Stripe, 博伊金与Roban Kramer (物理学博士, 哥伦比亚大学) , Christian Anderson (哈佛大学物理学硕士) 以及Kelley Rivoire (物理学学士, 麻省理工学院) 等诸多物理学家一起工作. 他们发现自己很适应硅谷的工作, 而且这里的薪酬更高. 正如博伊金所说的那样: '工资高的离谱. ' 但他们来这里工作也是因为有这么多的难题要解决.
未来
今天, 物理学家正在进入硅谷公司. 未来几年, 他们将接管硅谷. 机器学习不仅会改变世界分析数据的方式, 还会改变软件的构建方式. 神经网络已经在重塑图像识别, 语音识别, 机器翻译以及软件接口的基础. 正如微软的Chris Bishop所言, 软件工程正在从基于逻辑的手工代码转向基于概率和不确定性的机器学习模型. 像谷歌和Facebook这样的公司正开始以这种新的思维方式重新培养自己的工程师. 最终, 计算机世界的其他领域也将纷纷效仿.
换句话说, 越来越多的物理学家进入硅谷标志着计算机行业的重大变化, 很快所有的硅谷工程师都会是物理学家.