在被算法取代前，程序员或将因为物理学家而更早消失

这不是成为物理学家的好时机。

上面这句话是 Oscar Boykin 说的。他曾在乔治亚理工学院学习物理学，2002年在加州大学洛杉矶分校完成物理学博士学位。四年前，瑞士大型强子对撞机(LHC)的物理学家们探测到希格斯玻色子(Higgs boson)，这是20世纪60年代首次提出的亚原子粒子。正如 Boykin 所指出的，每个物理学家都渴望发现它。但是，希格斯玻色子的发现并没有扰乱宇宙的理论模型。它没有改变任何东西，也没有给物理学家带来任何新的努力方向。“当物理学中出现了什么问题时，物理学家们会很兴奋;但现在的情况是，物理学中没有太多问题了。”Boykin 说，“对物理学家来说，这是个令人泄气的领域。”再加上，物理学家的薪资也不高。

Boykin 不再当物理学家了。他现在是硅谷的一名软件工程师。这是成为软件工程师的好时机。

Boykin 在 Stripe 公司工作，这是一家估值超过90亿美元的创业公司，主要业务是帮助企业接受在线支付。Boykin 帮助构建了公司的软件系统，该系统从公司提供的服务中收集数据。Boykin 的工作任务是对这些服务未来可能发生的状况进行预测，包括预测何时、何地、以何种方式将可能发生欺诈性交易。作为一名物理学家，Boykin 非常适合这项工作，它需要非常多的数学知识和很好的抽象思维能力。不像物理学家，Boykin 现在工作的领域是一个能提供无限挑战和可能性的领域。而且，薪资也非常可观。

如果物理学和软件工程是亚原子粒子，那么硅谷就是它们发生碰撞的地方。除了 Boykin 之外，Stripe 的其他三位工程师也是物理学家出身。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 Jeff Immelt 自豪地说他得到了一家全是物理学家的公司，其中最著名的是加州大学天体物理学家 Joshua Bloom。开源机器学习平台 H20，其用户有来自世界各地的70000名数据科学家，是在曾在 SLAC 国家加速器实验室工作的瑞士物理学家 Arno Candel 的帮助下建立的。微软的数据科学主管 Vijay Narayanan 是一名天体物理学家，他手下的几名研究员也都是物理学家。

这不是偶发事件。Stripe 总裁兼联合创始人 John Collison 说：“我们并不是特意跑到大学，然后找来一群物理学家。事情只是自然而然地变成这样了。”而且，这是发生在硅谷的变化。因为不管在结构上还是技术上，互联网公司所做的事情越来越适合物理学家所拥有的技能。

物理学家进入计算机领域是非常自然的

当然了，物理学家从很早以来就在计算机技术方面发挥了重要的作用，就像他们在其他许多领域也有着重要作用一样。帮助设计了最早的计算机之一的 ENIAC 的 John Mauchly 是物理学家。发明 C 语言的 Dennis Ritchie 也是物理学家。

但是对打算进入计算机科学领域的物理学家来说，现在是一个特别成熟的时机。这是由于机器学习的兴起，机器需要通过分析大量数据来学习任务，这种新兴的数据科学和 AI 正是最适合物理学家的方向。

此外，业界已经开始广泛采纳神经网络技术，这是模仿人类大脑结构的数学模型或计算模型。但这些神经网络其实是大规模的数学，主要是线性代数和概率论。计算机科学家不一定擅长这些数学领域，但物理学家相反。“对物理学家来说唯一需要从头开始的是学习如何优化这些神经网络，以及训练它们，但这是相对简单的。”Boykin 说。方法之一是“牛顿法”(Newton’s method)，此牛顿是指物理学家的牛顿。

微软剑桥研究实验室主管 Chris Bishop 早在30年前就感受到了同样的风气，当时神经网络刚刚开始在学术界显示出效果。这也是他从物理学转到机器学习的原因，他说：“物理学家进入机器学习领域是非常自然的，比计算机科学家更加自然。”

挑战的空间

Boykin 说，十年前，他的许多物理学家朋友纷纷投身金融界。同样，物理学家的数学才能在华尔街也非常吃香，数学是预测市场价值的方式之一。一种关键的方法是 Black-Scholes 模型，这是一种判断金融衍生物价值的方法。但 Black-Scholes 模型也是助长了2008年的金融危机的因素之一。Boykin 以及其他物理学家说，现在，他们的物理学家同事们更多地进入了数据科学以及其他类型的计算机技术领域。

大约十年前，许多物理学家进入顶尖的科技公司，协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处理数据。在 Twitter 公司，Boykin 主导设计了一个名为 Summingbird 的这样的系统;在另一家名为 Cloudant 的创业公司，三名认识于 MIT 物理系的研究者也创建了类似的软件。物理学家们知道如何处理数据。在 MIT，Cloudant 的创始人就在处理来自大型强子对撞机的大量数据集，而构建这些非常复杂的系统需要有很强的抽象思维。然后，一旦这些系统建立起来，许多物理学家就能直接利用这些数据。

在 Google 的早期，在机房中为公司构建大规模分布式系统的关键人物之一是 Yonatan Zunger，他拥有斯坦福大学弦理论(string theory)博士学位。Kevin Scott 加入 Google 的广告团队时，他的职责是从 Google 的各业务中获取数据，并利用这些数据预测投放哪些广告能获得最多的点击量。为此，他聘请了无数的物理学家。不像许多计算机科学家，物理学家们非常适合机器学习的实验性质。现任 LinkedIn 首席技术官的 Scott 说，“这(机器学习)简直就像一门实验科学。”

现在大数据软件已经很常见了——Stripe 使用的是 Boykin 在 Twitter 时设计的 Summingbird 的开源版本，该框架也帮助机器学习模型驱动了许多其他公司的预测。这为物理学家们提供了进入硅谷的更广阔的道路。在 Stripe，Boykin 的团队还包括 Roban Kramer(物理学博士，哥伦比亚大学)，Christian Anderson(物理学硕士，哈佛大学)和 Kelley Rivoire(物理学学士，麻省理工学院)。他们来科技公司，因为他们适合这样的工作。当然，也因为钱。正如 Boykin 说的：“科技公司的工资高得荒谬!”但他们来，还因为有很多困难的问题亟待他们解决。

Anderson 在获得博士学位之前就离开了哈佛，因为他对物理学这个领域的看法和 Boykin 如出一辙——是一种回报率递减的知识追求。但互联网不是这样。互联网的机会更多，有待解决的问题更多，挑战的空间也更大。

未来

今天，物理学家正在侵入硅谷的公司。但在往后几年，类似的现象会进一步蔓延。机器学习不仅将在世界范围里改变分析数据的方式，而且将改变构建软件的方式。神经网络已经重塑了图像识别、语音识别、机器翻译以及软件接口的本质。正如微软的 Chris Bishop 所说，软件工程正在从基于逻辑的人工编码转向基于概率和不确定性的机器学习模型。Google、Facebook 这样的公司纷纷开始用这种新的思维方式培训他们的工程师。最终，计算行业的其他公司也将跟上。

换句话说，物理学家们涌入硅谷当工程师是一个更大的变化的迹象。不久，硅谷的工程师们又将涌回当物理学家。