對物理學家來說, 現在可不是個好時代, 曾經的物理學家奧斯卡·博伊金 (Oscar Boykin) 這樣說道. 博伊金曾在喬治亞理工學院物理專業深造, 並在2002年於加州大學洛杉磯分校獲得物理學博士學位. 2013年, 運行瑞士大型強子對撞機的物理學家們發現了希格斯玻色子. 眾所周知, 希格斯玻色子是早在20世紀60年代就被物理學家預言過的亞原子粒子, 在那以後每個人都期待著發現這種粒子. 然而, 希格斯玻色子並沒有顛覆現有宇宙的理論模型, 它也沒有改變任何東西或帶給物理學家任何新的資訊. 博伊金坦言: '當物理學真正出現問題時, 才能讓物理學家們感到興奮, 令人沮喪的是現在我們恰恰處於一個物理學並沒有太多錯誤的時期. 對於一個物理學家來說, 這非常令人沮喪. ' 此外, 當物理學成為一種職業時, 其薪酬並不高.
於是博伊金轉行去了矽谷做軟體工程師, 對其他物理學家來說, 現在正是成為其中一員的好時機.
博伊金在Stripe工作, 後者是一家市值90億美元的創業公司, 其主營業務是幫助企業線上接受付款. 博伊金負責開發和運行用於收集整個公司服務數據的軟體系統, 他會預測這些服務數據, 分析何時會發生欺詐交易並加以防範. 作為一名物理學家, 他非常適合這項工作, 這既需要極端的數學思想, 又需要抽象思維. 然而與物理學家這個職業不同的是, 他正在一個能夠提供無窮無盡挑戰和無限可能性的領域工作, 更重要的是工資很高.
如果把物理學和軟體工程都當作是亞原子粒子, 那麼矽谷已經變成了強子對撞機. 博伊金和Stripe的另外三位物理學家合作進行相關工作. 去年12月, 通用電氣收購機器學習創業公司Wise.io時, 首席執行官傑夫·伊梅爾特 (Jeff Immelt) 誇口說, 他剛剛逮住了一家擠滿物理學家的公司, 其中最著名的莫過於加州大學伯克利分校的天體物理學家約書亞布魯姆 (Joshua Bloom) . 在世界各地, 有約7萬名數據科學家都使用的開源機器學習軟體H20, 是由曾在SLAC國家加速器實驗室工作的瑞士物理學家Arno Candel的幫助下開發的. 微軟數據科學主管維傑·納拉亞南 (Vijay Narayanan) 也是一名天體物理學家, 其部門還有其他幾位物理學家.
這一切正發生在矽谷, 而且並非巧合. 因為無論從結構還是技術上講, 幾乎每個互聯網公司的需求都越來越和物理學家掌握的技能契合.
自然因素
當然, 在計算機技術方面物理學家們早就扮演了重要角色, 正如他們在許多其他領域發揮的重要作用一樣. 幫助設計ENIAC (世界上最早的電腦之一) 的約翰毛克利 (John Mauchly) 是一位物理學家. C編程語言之父丹尼斯·裡奇(Dennis Ritchie)也是一名物理學家.
但對於計算機技術領域的物理學家來說, 現在是轉行去矽谷的黃金時期, 這要歸功於機器學習技術的興起, 計算機開始通過分析大量數據來學習任務. 數據科學和人工智慧新浪潮正是適合物理學家的東西.
除此之外, 業界已經接受了旨在模仿人腦結構的神經網路軟體. 但是這些神經網路實際上只是數學應用, 主要關聯的學科是線性代數和機率論. 計算機科學家不一定會接受這些學科的培訓, 但是物理學家一定了解相應學科. 博伊金說: '對物理學家來說, 神經網路技術中唯一真正的新東西就是學習如何優化這些神經網路以及如何進行訓練, 但這對於物理學家來說小菜一碟. 其中一種技術被稱為 '牛頓法' , 就是那個物理學家牛頓. '
微軟劍橋研究實驗室負責人克裡斯·畢曉普 (Chris Bishop) 在30年前就感同身受, 當時深度神經網路剛剛在學術界展現出前景. 這讓他從物理學領域跳到了機器學習領域從事相關工作. '物理學家進入機器學習領域是很自然的事, ' 他說, '甚至比計算機科學家更自然. '
挑戰空間
十年前, 博伊金說, 很多從事物理學研究的朋友們喜歡踏足金融世界. 在華爾街, 同樣的數學風格對於預測市場走向也是非常有用的. 一個關鍵的方法是布萊克-肖爾斯期權定價模型Black-Scholes, 它是確定金融衍生品價值的重要方法. 然而正是布萊克-肖爾斯期權定價模型推動了2008年的金融海嘯. 現在, 博伊金和其他物理學家紛紛表示, 更多的同事正在轉向數據科學和其他類型的計算機技術.
早些時候, 物理學家跳槽到一些頂級科技公司, 幫助開發所謂的 '大數據' 軟體, 從而在數百甚至數千台機器上進行數據處理. 在Twitter, 博伊金幫忙開發了一個名為Summingbird的系統, 而麻省理工學院物理系的三位物理學家為一家名為Cloudant的初創公司開發了類似的軟體. 物理學家清楚如何處理數據——Cloudant的創始人此前的工作就是處理大型強子對撞機的大量數據集——開發這些極其複雜的系統需要開發人員具備相當的抽象思維. 當這些系統建成之後, 很多物理學家都會利用自己所掌握的數據使用這些系統.
在穀歌成立早期, 為公司機房開發大規模分布式系統的關鍵人物之一是Yonatan Zunger, 其擁有斯坦福大學的弦理論博士學位. 當凱文·斯科特 (Kevin Scott) 加入穀歌廣告營銷團隊時, 主要負責收集來自穀歌各地的數據, 並用它來預測哪些廣告最有可能獲得更多的點擊次數. 為此斯科特招聘了大量的物理學家, 與許多計算機科學家不同, 他們掌握的技能非常適合機器學習. '這幾乎就像實驗室科學, ' Scott現任首席技術官表示.
現在大數據軟體已經司空見慣, Stripe就使用了博伊金所幫忙開發的開源系統, 這一開源系統也幫助很多公司的機器學習模型提高預測能力. 這為矽谷的物理學家提供了更廣闊的發展前景. 在Stripe, 博伊金與Roban Kramer (物理學博士, 哥倫比亞大學) , Christian Anderson (哈佛大學物理學碩士) 以及Kelley Rivoire (物理學學士, 麻省理工學院) 等諸多物理學家一起工作. 他們發現自己很適應矽谷的工作, 而且這裡的薪酬更高. 正如博伊金所說的那樣: '工資高的離譜. ' 但他們來這裡工作也是因為有這麼多的難題要解決.
未來
今天, 物理學家正在進入矽谷公司. 未來幾年, 他們將接管矽谷. 機器學習不僅會改變世界分析數據的方式, 還會改變軟體的構建方式. 神經網路已經在重塑映像識別, 語音識別, 機器翻譯以及軟體介面的基礎. 正如微軟的Chris Bishop所言, 軟體工程正在從基於邏輯的手工代碼轉向基於機率和不確定性的機器學習模型. 像穀歌和Facebook這樣的公司正開始以這種新的思維方式重新培養自己的工程師. 最終, 計算機世界的其他領域也將紛紛效仿.
換句話說, 越來越多的物理學家進入矽谷標誌著計算機行業的重大變化, 很快所有的矽谷工程師都會是物理學家.