碼農靠邊站，物理學家很快將主導矽谷！

眼下不是當物理學家的好時候。

至少，這是奧斯卡·博伊金（Oscar Boykin）的說法。他畢業於喬治亞理工學院物理系，2002年取得了加州大學洛杉磯分校（UCLA）的物理學博士學位。不過四年前，瑞士從事大型強大對撞機的物理學家們才發現了希格斯玻色子（Higgs boson），這是早在上世紀60年代就曾預測的亞原子粒子。正如博伊金所指出，每個人認為早晚會發現這種粒子。希格斯玻色子沒有顛覆宇宙的理論模型，沒有改變任何東西，也沒有給物理學家帶來任何新的研究目標。他說：「當物理學方面出了什麼岔子，物理學家才會興奮；我們現處於許多方面沒有出岔子的情形。當物理學家讓人感覺很沒勁。」另外，薪資也不是很高。

如今，博伊金不再是物理學家，他成了矽谷的一名軟體工程師。而眼下正是改行當軟體工程師的大好時機。

博伊金就職於幫助商家在線收款的初創公司Stripe，這家公司估值高達90億美元。他幫助構建和運行從該公司的服務收集數據的軟體系統，還負責預測這些服務的未來狀況，包括詐騙交易何時發時、何地發時、如何發生。由於這項工作需要極強的數學思維和抽象思維，物理學家出身的博伊金成了不二人選。不過與其他物理學家不同，博伊金從事的領域現在帶來了無盡的挑戰和無限的前景。另外，薪資很誘人。

如果說物理學和軟體工程好比亞原子粒子，可以說矽谷已成了這兩個領域碰撞交匯的地帶。博伊金與Stripe公司的另外三名物理學家共事。去年12月，通用電氣公司收購機器學習初創公司Wise.io後，首席執行官傑夫·伊梅爾特（Jeff Immelt）曾宣稱，該公司的物理學家可謂濟濟一堂，最值得一提的是加州大學伯克利分校的天體物理學家喬舒亞·布魯姆（Joshua Bloom）。全球各地7萬名數據科學家使用的開源機器學習軟體H20就是在瑞士物理學家阿爾諾·坎德爾（Arno Candel）的幫助下開發而成的，坎德爾曾供職於斯坦福直線加速器中心（SLAC）國家加速器實驗室。微軟的數據科學負責人維賈伊·納拉亞南（Vijay Narayanan）是一名天體物理學家，他手下也有另外幾位物理學家。

這完全不是有意為之。Stripe總裁兼聯合創始人約翰·科利森（John Collison）說：「我們並沒有跑到物理班，找來一大批孩子培養成工程師。那是水到渠成的事。」而這一幕正出現在整個矽谷。因為從結構上和技術上來講，每一家互聯網公司想要做的幾乎每件事越來越適合物理學家具備的技能組合。

順理成章

當然，自計算機技術的發展初期起，物理學家就在扮演重要角色，就像他們在其他眾多領域扮演的角色那樣。約翰·莫齊利（John Mauchly）幫助設計了ENIAC（最早期的計算機之一），他就是一名物理學家。C語言之父丹尼斯·里奇（Dennis Ritchie）也是物理學家。

不過眼下對物理學家而言，投身計算機技術領域恰逢其時，這有賴於機器學習的興起：機器通過分析大量數據來學會處理諸多任務。這一股新的數據科學和人工智慧浪潮簡直就是為物理學家量身定製的。

除了其他方面外，計算機行業更欣然接受神經網路，這是旨在模擬人腦結構的軟體。但實際上，這類神經網路的核心就是超大規模的數學運算，主要用到線性代數和概率論。計算機科學家未必在這些領域訓練有素，可是物理學家訓練有素。博伊金說：「對物理學家而言，唯一真正陌生的是學習如何優化並訓練這類神經網路，不過這項任務相對簡單。一種方法就叫『牛頓方法』（Newton』s method）。是那個物理學家牛頓，而不是什麼其他牛頓。」

克里斯·比肖普（Chris Bishop）主管微軟位於英國劍橋的研究實驗室，三十年前他有同樣的感受，當時深度神經網路在學術界剛開始嶄露頭角。於是，他從物理學轉行進入到機器學習。他說：「物理學家進入機器學習領域非常順理成章，比計算機科學家進入機器學習領域還要順理成章。」

挑戰不斷的領域

博伊金表示，十年前，同為物理學家的老同事們紛紛投身金融界。同樣這種數學才能在華爾街大有用處，有助於預測市場走向。一種關鍵的方法就是布萊克－斯科爾斯期權定價模型（Black-Scholes Equation），這種方法用來確定金融衍生品的價值。不過布萊克－斯科爾斯期權定價模型也幫助引發了2008年的金融大崩潰。如今，博伊金及其他物理學家表示，更多的同行進入到數據科學以及其他類別的計算機技術領域。

2010年以後，物理學家們紛紛進入各大科技公司，幫助構建所謂的大數據軟體，這種系統可以跨成百上千台機器來處理數據。在Twitter，博伊金幫助構建了一款名為Summingbird的軟體；在麻省理工學院（MIT）物理繫結識的三名物理學家在一家名為Cloudant的初創公司構建了類似的軟體。物理學家知道如何處理數據；在麻省理工學院，Cloudant的三位創始人曾處理來自大型強子對撞機的龐大數據集。隨後，一旦這類系統構建起來，眾多的物理學家幫助使用這些系統充分利用的數據。

在谷歌的早期時代，幾名關鍵人員在該公司的引擎機房構建了大規模分布式系統，其中一人就是斯坦福大學弦理論博士尤納坦·臧格（Yonatan Zunger）。當初凱文·斯科特（Kevin Scott）加入谷歌的廣告團隊（他負責從谷歌全網抓取數據，用來預測哪些廣告最有可能獲得最多的點擊）時，聘請了好多物理學家。不像許多計算機科學家，物理學家非常適合機器學習極強的實驗性質。現在擔任LinkedIn首席技術官的斯科特說：「這幾乎就像實驗室科學。」

鑒於大數據軟體司空見慣――Stripe使用博伊金當初在Twitter幫助構建的那套系統的開源版本，它們在幫助機器學習模型做好其他眾多公司裡面的預測工作。

這讓物理學家們在矽谷的道路越走越寬。在Stripe，博伊金的同事包括哥倫比亞大學的物理學博士羅班·克雷默（Roban Kramer）、哈佛大學的物理學碩士克里斯琴·安德森（Christian Anderson），以及麻省理工學院的物理學學士、團隊領導人凱利·里瓦爾（Kelley Rivoire）。他們加入進來，一是由於技能對口，二是薪酬優厚。正如博伊金所說：「科技領域的薪水可以說高得離譜。」不過還有一個原因是，這個領域頗具挑戰性，有無數難題有待解決。

安德森之所以在取得博士學位之前離開哈佛大學，是由於他與博伊金一樣，逐漸覺得物理研究領域的價值越來越小。但是互聯網領域方面則不然。安德森說：「互聯網的範圍和覆蓋面本來就很大。這大大增加了機會，同時極具挑戰性，激發人們攻克問題的熱情。這有助於提高我們的水平。」

未來展望

如今，物理學家們在湧入矽谷企業。不過未來幾年，類似的現象會進一步蔓延開來。機器學習不僅會改變我們分析數據的方式，還會改變構建軟體的方式。神經網路已經在重塑圖像識別、語音識別、機器翻譯和軟體界面的本質。正如微軟的克里斯·比肖普所說，軟體工程正在從基於邏輯的人工編程，變成基於概率和不確定性的機器學習模型。谷歌和Facebook等公司正開始以這種新的思路，重新培訓各自的工程師。最終，計算機行業的其他公司則會紛紛效仿。

換句話說，大批物理學家進軍矽谷工程師領域，這表明一場更大的變革即將到來。很快，矽谷的所有工程師將闖入到物理學家的領域。

雲頭條編譯、未經授權謝絕轉載

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！