“如今還真不是當物理學家的好時候。” Oscar Boykin如是說。Boykin在佐治亞理工的物理系完成了本科學業，之後於2002年在加州大學洛杉磯分校（UCLA）獲得了物理學博士學位。就在四年前，瑞士大型強子對撞機的物理學家發現了希格斯玻色子，這是20世紀60年代曾首次預測存在的亞原子粒子。

正如Boykin所提到的，每個人都在期盼它真正被發現。然而，希格斯的發現並沒有打破宇宙的理論模型，它沒有改變任何東西，或是給予物理學家任何新的研究方向。“每當與物理有關的事情出現差錯時，物理學家們都會非常興奮，然而我們卻正處於一個幾乎不太會出現差錯的時代。” Boykin說道，“在一個物理學家看來，這是一個令人沮喪的時代。

現在，Boykin已經不再是一位物理學家，他化身成了矽谷的軟體工程師。而現如今，正是這類職業的黃金時代。

Boykin在一家價值90億美元的創業公司Stripe工作，建立線上平臺，幫助企業接收線上付款。Boykin的職責是幫助構建和執行公司收集資料的軟體系統，他負責預測這些服務系統的未來走勢，包括欺詐性交易發生的可能性，以及具體可能發生的時間和途徑。一方面，作為一名物理學家，他非常適合這項工作，因為該職位需要極強的數學能力和抽象思維。然而，不像是純物理學家，他現在的工作領域能提供給他無限的挑戰和可能性。而且，薪水也很高。

如果物理和軟體工程是亞原子粒子，那麼，矽谷已經變成了粒子碰撞的地方。 Boykin在Stripe與其他三位物理學家一起工作。 去年12月，當通用電氣收購了機器學習創業公司Wise.io時，通用的CEO Jeff Immelt調侃道，他剛剛獲得了一家充滿物理學家的公司，其中最著名的就是加州大學伯克利大學（UCB）的天體物理學家Joshua Bloom。

開源機器學習軟體H20是由來自瑞士的物理學家Arno Candel（曾在SLAC國家加速器實驗室工作）的幫助下開發的，該軟體現在成為了全世界近7萬名資料科學家的研究工具。微軟的資料科學主管Vijay Narayanan也是一名天體物理學家，在他團隊工作的還有其他幾名物理學家。

這一切並不是經過精心策劃的。“我們並不是進入了物理世界的‘幼兒園’，並拐賣了一車兒童。” Stripe的總裁兼聯合創始人John Collison表示，“這樣的事情只是自然而然的發生了。”而且，它發生在矽谷的每一個角落。 因為在結構和技術的角度上看，每個網際網路公司需要做的事情，已經越來越與物理學家的技術和知識相對口。

一切都是順其自然

當然，物理學家在早些時候，就在計算機技術方面發揮了重要作用，就像他們在許多其他領域有著重要作用一樣。 參與設計世界上最早的計算機之一ENIAC的John Mauchly，就是一位物理學家。C語言之父Dennis Ritchie，最開始也是一位物理學家。

但是，對於進入計算機技術領域的物理學家來說，如今才算時機成熟。由於機器學習的興起，機器需要通過分析大量資料來學習任務，這種新型資料科學和人工智慧是最適合物理學家的東西。

除此之外，神經網路，以及在此基礎上開發的模仿人類大腦結構的軟體，都是當前行業內的熱點。但是，神經網路可以說是一個巨大的工程，涉及很多線性代數和概率論。電腦科學家不一定在這些領域內有過深入的研究，但物理學家有。“對於物理學家來說，神經網路中最陌生的，只有學習如何優化這些神經網路並訓練他們，但這也是相對直截了當的一個部分。”Boykin說道，“其中，有一種技術被稱為‘牛頓法’，以物理學家牛頓命名，而不是其他的什麼牛頓。”

微軟劍橋研究實驗室主管Chris Bishop，在三十年前就有了同樣的感受，當時深層神經網路才剛開始在學術界嶄露頭角。這也是導致他從物理學轉變到機器學習領域的主要原因。“一個物理學家進入了機器學習領域，這是非常自然的一件事。”他說，“甚至比電腦科學家這麼做更自然。”

更大的挑戰空間

Boykin感慨道，十年前，許多他的物理學家同僚都爭相轉入金融界。同樣的數學知識體系在華爾街非常受用，可以作為預測市場發展趨勢的一種準確方式。 其中最重要的工具就是Black-Scholes方程式，這是一種能確定金融衍生物價值的方法，但後來，Black-Scholes在一定程度上也幫助釀成了2008年的金融危機。現在，更多的物理學者會選擇轉向資料科學，以及其他型別的計算機科技領域。

約十年前，物理學家開始進入頂尖的科技公司，參與開發大資料軟體，即能在數百甚至數千臺機器上執行資料的系統。Boykin曾在Twitter參與開發了名為Summingbird的大資料軟體，來自MIT物理系的三位年輕人，也曾在一家名為Cloudant的初創公司研發出了類似的軟體。物理學家熟知該如何處理資料，並且利用他們強大的抽象思維，構建一些複雜的系統。

在Google剛成立不久的時候，公司負責構建大規模分散式系統的關鍵人物之一Yonatan Zunger，就擁有斯坦福大學弦理論學的博士學位。當Kevin Scott加入Google的廣告組時，他負責從各處獲取資料，並用這些資料來預測，哪幾類廣告最可能獲得最多的點選量。為此，他聘請了無數名物理學家進入他的小組工作。與很多電腦科學家不同，物理學家簡直就是為了機器學習的實驗本質而生。“這簡直就是一門實驗科學。” 如今的LinkedIn首席技術官Scott感嘆道。

當下，大資料軟體已經十分常見，它們幫助機器學習模型展開各類預測，這也為物理學家進入矽谷開闢了更廣闊的道路。在Stripe，Boykin的團隊還包括Roban Kramer（哥倫比亞大學物理學博士），Christian Anderson（哈佛大學物理學碩士）和Kelley Rivoire（MIT物理學學士）。他們來到這裡，是因為他們適合這樣的工作。他們來到這裡，也是為了得到更可觀的薪水。就像Boykin所說，“科技公司的薪資簡直離譜。”但同時，他們來到這裡，也是為了解決更多亟待解決的問題。

Anderson之所以放棄了物理學博士，離開哈佛，就是因為他對如今物理學界的看法和Boykin一樣——是一種回報遞減的純學術追求。但是，網際網路產業卻並非如此。Anderson表示：“網際網路的涵蓋面很廣，這讓網際網路產業能擁有更多的機會，同時也擴大了它的挑戰空間和問題空間。但是，在這之中，我總能看到上升空間。”

充滿變化的未來

今天，物理學家正前仆後繼地進入矽谷公司，但在今後的歲月裡，類似的現象會進一步蔓延。機器學習不僅會改變分析資料的方式，也會改變軟體的開發方式。神經網路已經從根本上改變了影象識別、語音識別、機器翻譯以及軟體介面的本質。正如微軟的Chris Bishop所說，軟體工程正在從基於邏輯的程式碼編寫，轉向基於概率和不確定性的機器學習模型。類似Google和Facebook這樣的大公司，已經開始以這種新的思維方式，重新訓練他們的工程師。最終，全世界都會跟隨他們的腳步前進。

換句話說，大量物理學家進入矽谷工程師的領域，意味著更大的變化即將到來。不久之後，所有的矽谷工程師也都將踏入物理學家的領域。

【CSDN_AI】熱衷分享 掃碼關注獲得更多業內領先案例