2024 年诺贝尔物理学奖花落神经网络先驱

2024 年诺贝尔物理学奖已授予科学家约翰·霍普菲尔德和杰弗里·辛顿，“因其在使机器学习能够借助人工神经网络方面的基础性发现和发明。”

受物理学和生物学思想的启发，霍普菲尔德和辛顿开发出了能够从数据模式中进行记忆和学习的计算机系统。

我们今天使用的许多人工智能技术背后都有人工神经网络。

正如你的大脑存在通过突触相连的神经元细胞，人工神经网络也有着以各种配置相连接的数字神经元。

人工神经网络中的神经元被输入信号“激活”。这些激活以某种方式从一个神经元传递至下一个神经元，能够对输入信息进行转换和处理。因此，该网络可以执行分类、预测和决策等计算任务。

机器学习的大部分历史都在于寻找越来越复杂的方法来形成和更新人工神经元之间的这些连接。

虽然将节点系统连接在一起以存储和处理信息的基本思想来自生物学，但用于形成和更新这些连接的数学来自物理学。

约翰·霍普菲尔德（生于 1933 年）是一位美国理论物理学家，在其生物物理学领域的职业生涯中做出了重要贡献。然而，他获得诺贝尔物理学奖是因其在 1982 年开发霍普菲尔德网络的工作。

霍普菲尔德网络是最早的人工神经网络之一。受神经生物学和分子物理学原理的启发，这些系统首次展示了计算机是如何利用节点组成的“网络”来进行记忆和回忆信息的。

霍普菲尔德开发的网络能够记忆数据（例如一组黑白图像）。当网络接收到类似图像的提示时，能够通过联想“回忆”起这些图像。

尽管实际用途较为有限，不过霍普菲尔德网络证明了这种类型的人工神经网络能够以新的方式来存储和检索数据。它们为后来欣顿的工作奠定了基础。

杰夫·欣顿（出生于 1947 年），有时被称作“人工智能教父”之一，是一位英裔加拿大计算机科学家，他在该领域做出了许多重要贡献。2018 年，他和约书亚·本吉奥以及扬·勒昆一道，由于在推进机器学习方面所做出的努力，尤其是在被称为深度学习的这一分支上，获得了图灵奖（计算机科学的最高荣誉）。

然而，诺贝尔物理学奖专门是为他在 1984 年与特伦斯·塞诺夫斯基及其他同事合作开发玻尔兹曼机而颁发的。

这些是 Hopfield 网络的拓展，展现了机器学习的理念——即一种让计算机并非从程序员处学习，而是从数据实例中学习的系统。

借鉴统计物理学中能量动力学方面的思想，Hinton 阐释了这个早期的生成式计算机模型是如何通过展示需记住的事物的示例从而随着时间的推移学会存储数据的。

和之前的 Hopfield 网络相同，玻尔兹曼机没有即刻的实际应用。

不过，一种改良形式（被称作受限玻尔兹曼机）在某些应用问题中是有用的。

更为重要的是，人工神经网络能够从数据中学习这一概念上的突破。Hinton 继续发展了这个想法。他后来发表了关于反向传播（现代机器学习系统中使用的学习过程）和卷积神经网络（当今用于处理图像和视频数据的 AI 系统的主要神经网络类型）的有影响力的论文。

Hopfield 的网络仅包含 30 个神经元（他曾尝试制作一个拥有 100 个节点的网络，但对于当时的计算资源而言太多了），然而像 ChatGPT 这类现代系统或许有数百万个。然而，今天的诺贝尔奖强调了这些早期贡献对该领域有多么重要。

虽然人工智能最近的快速进步——我们大多数人从 ChatGPT 等生成式人工智能系统中熟悉了这一点——似乎证明了神经网络早期支持者的观点，但至少辛顿表达了担忧。2023 年，在结束了在谷歌人工智能部门长达十年的工作后，他表示自己对发展速度感到恐惧，并加入了越来越多呼吁更积极的人工智能监管的声音之中。

在获得诺贝尔奖之后，辛顿说，人工智能将“像工业革命，但不是我们的身体能力，而是会超越我们的智力水平。”他还表示，他仍然担心自己工作的后果可能是“比我们更智能的系统，最终可能掌控一切。”