从明确科学发现的贡献度到训练人工智能思考，在科学界，如何奖励成功是一项重要却十分困难的任务。20世纪70年代末、80年代初是一个令人兴奋的时代。当时，包括我在内的众多物理学家都信心满满地认为，我们即将实现基本力的大统一理论。这个理论的一个惊人预言是：质子是不稳定的，它像许多放射性核一样，最终也会衰变。人们普遍期待着实验物理学家能够找到验证这个预言的办法。他们确实做到了。
可不幸的是，这些声称观察到质子衰变的实验被后来的工作证明是错的，尽管错误的性质一直没有完全澄清。这样的故事屡见不鲜。近年来，不断有研究宣称发现了某个奇特的物理现象——包括磁单极、宇宙暗物质、轴子和超对称粒子等等，可随后，这些结论都被灵敏度更高的实验否定了。假如将来的研究真的发现了质子衰变或其他效应，从而证明早期实验仓促得出的结论是对的，那这些工作就会荣获大奖。
想到可能出现的混乱场面，我有个异想天开的提议：设立一个反诺贝尔奖。这个奖项会授予这类研究工作，即如果这项工作是正确的，那么它值得一个诺贝尔奖。为了不让人难堪，颁奖会秘密进行。这个奖只有在获得者后来做出了其他值得获得诺奖的工作时才会发挥作用——两个奖将彼此抵消。这样的前景或许会让那些过于野心勃勃、轻率的科学家们变得稍微谨慎一些。在取得成功后，贡献大小的确认和奖励的分配是科学社会学中的一大难题。
一项工作的成功显然离不开很多人在方方面面的贡献，但是奖项、优厚的职位和丰厚的知识产权却只能授予少数个体。用物理学的术语来说，就是奖励是“量子化”的，要么有要么无。但是贡献的方式与大小却是多元化的。金钱是一项伟大的发明。相比于以物易物的方式，它能够更灵活和更具辨识度地实现利益的分配。但是，众所周知，金钱本身并不能解决所有关于公平和有效分配的问题。在学习中，如何分配贡献度也是一个关键问题。
神经网络，无论是生物的还是人工的，都希望“奖励”（即加强）那些有助于成功的联系，同时“惩罚”那些收效甚微或导致失败的联系。这种联系的强度可以连续变化，从而避免了奖励全有或全无的量子化现象。但在通常情况下，任何决策活动都涉及到很多的神经关联。因此，我们仍然需要解决如何论功行赏，或是在出错时如何分担责任的问题。
由此涌现出了一些非常聪明的工作，例如，深度学习神经网络在模式识别领域取得了让人惊叹的成功，它还在象棋、围棋、魔兽世界这些复杂的游戏中表现优异，甚至超越最顶级的人类玩家。总有一天，人工智能（AI）会成为——如果我们能教会它们智慧的话——能划分贡献度的有力工具。将来，当AI的研究获得诺贝尔奖时，势必会有一堆这样的棘手问题，而AI恰好可以帮助我们。