人工智能獲諾貝爾物理學(xué)獎？這合理嗎？
2024 年 10 月 8 日，瑞典皇家科學(xué)院宣布，將 2024 年諾貝爾物理學(xué)獎授予美國普林斯頓大學(xué)教授 約翰·J·霍普菲爾德（John J. Hopfield ）和加拿大多倫多大學(xué)教授杰弗里·E·辛頓（ Geoffrey E. Hinton），以表彰他們“在人工神經(jīng)網(wǎng)絡(luò )機器學(xué)習方面的基礎性發(fā)現和發(fā)明”。
這兩位科學(xué)家的工作為當今強大的機器學(xué)習技術(shù)奠定了基礎。Hopfield 創(chuàng )造了一種能夠存儲和重建信息的結構，而 Hinton 發(fā)明了一種可以獨立發(fā)現數據中規律的方法，這種方法對現在使用的大型人工智能系統至關(guān)重要。
兩位獲獎人肖像（圖片來(lái)源：諾貝爾獎委員會(huì )官網(wǎng)）
機器學(xué)習：
計算機的自主學(xué)習之旅
Hopfield 和 Hinton 的開(kāi)創(chuàng )性工作為一個(gè)更廣泛的領(lǐng)域“機器學(xué)習”奠定了基礎。
機器學(xué)習是人工智能的核心，它的目標是讓計算機能夠從數據中學(xué)習并完成任務(wù)，而不需要完成任何指令都需要首先進(jìn)行復雜而脆弱的編程，這種方法與傳統上基于編程的計算機工作模式有著(zhù)本質(zhì)的區別。
傳統的計算機程序就像一個(gè)精確的食譜：程序員需要詳細列出每一個(gè)步驟，計算機才能完成任務(wù)。而機器學(xué)習更像是教一個(gè)孩子烹飪：你給他們看許多例子，讓他們自己總結規律。這種方法使得計算機能夠處理那些難以用固定規則描述的復雜任務(wù)，如圖像識別或語(yǔ)音理解。
在機器學(xué)習的過(guò)程中，計算機首先接收大量的數據作為學(xué)習材料。例如，如果我們要訓練一個(gè)識別貓的系統，我們需要收集大量貓和非貓的圖片。然后，我們選擇一個(gè)適合的學(xué)習模型，比如后文中會(huì )介紹的 Hopfield 的聯(lián)想記憶網(wǎng)絡(luò )或 Hinton 的玻爾茲曼機。
接下來(lái)，模型會(huì )反復查看這些數據，不斷調整自己的參數，直到它能夠準確地完成任務(wù)。這一過(guò)程就像學(xué)生通過(guò)反復練習來(lái)提高自己的能力。
機器學(xué)習的強大之處在于，一旦訓練完成，它就能處理各種各樣的新情況。例如，一個(gè)經(jīng)過(guò)訓練的圖像識別系統不僅能識別訓練數據中的貓，還能識別它從未見(jiàn)過(guò)的貓的圖片。這種泛化能力使得機器學(xué)習在處理復雜、多變的現實(shí)世界問(wèn)題時(shí)特別有用。
Hopfield 和 Hinton 的工作為設計更有效的學(xué)習算法和模型結構提供了理論基礎，極大地推動(dòng)了機器學(xué)習的發(fā)展。他們的貢獻使得今天的人工智能系統能夠執行從語(yǔ)言翻譯到醫學(xué)診斷等各種復雜任務(wù)，讓強大而多樣的人工智能技術(shù)在從科學(xué)研究到日常生活的方方面面中發(fā)揮作用。
從大腦到計算機：
人工神經(jīng)網(wǎng)絡(luò )的誕生
剛才我們講解了機器學(xué)習的籠統思想，然而要理解這項發(fā)現的重要性，我們還需要再了解一下人工神經(jīng)網(wǎng)絡(luò )的基本概念。
想象一下，我們的大腦是由數十億個(gè)神經(jīng)細胞（又稱(chēng)神經(jīng)元）組成的復雜網(wǎng)絡(luò )。這些神經(jīng)元通過(guò)被稱(chēng)為突觸的連接相互通信。當我們學(xué)習新知識時(shí)，某些神經(jīng)元之間的連接會(huì )變強，而其他連接可能變弱。
科學(xué)家們受到這種結構的啟發(fā)，創(chuàng )造了人工神經(jīng)網(wǎng)絡(luò )。
在這種網(wǎng)絡(luò )中，計算機程序模仿了大腦的結構。它由許多相互連接的“節點(diǎn)”（模仿神經(jīng)元）組成，這些節點(diǎn)之間的連接強度可以調整（模仿突觸）。這種結構允許計算機通過(guò)例子來(lái)學(xué)習，而不是按照預設的指令運行。
神經(jīng)網(wǎng)絡(luò )藝術(shù)插畫(huà)（圖片來(lái)源：諾貝爾獎委員會(huì )官網(wǎng)）
兩位科學(xué)家的關(guān)鍵貢獻
John Hopfield 在 1982 年提出了一種新型的人工神經(jīng)網(wǎng)絡(luò )，現在被稱(chēng)為“Hopfield 網(wǎng)絡(luò )”。該網(wǎng)絡(luò )的特別之處在于它能夠存儲和重建信息模式，類(lèi)似于人類(lèi)的聯(lián)想記憶。
想象你在試圖回憶一個(gè)不常用的單詞，你可能會(huì )先想到一些相似的詞，再最終找到正確的那個(gè)。Hopfield 網(wǎng)絡(luò )的工作方式與此類(lèi)似，當給予網(wǎng)絡(luò )一個(gè)不完整或輕微扭曲的信息時(shí)，它能夠找到最相似的存儲信息。這種能力使得 Hopfield 網(wǎng)絡(luò )可以用于修復損壞的數據，比如去除圖片中的噪點(diǎn)。
Geoffrey Hinton 則在 1985 年提出了一種稱(chēng)為“玻爾茲曼機”的新型網(wǎng)絡(luò )。這個(gè)網(wǎng)絡(luò )的獨特之處在于它能夠自主學(xué)習數據中的特征，而無(wú)需人為指定這些特征。這一點(diǎn)類(lèi)似于嬰兒學(xué)習識別貓和狗的過(guò)程——他們不需要詳細的解釋?zhuān)渲恍枰吹阶銐蚨嗟睦泳湍茏约嚎偨Y出區別。
玻爾茲曼機的這種能力使得機器能夠處理更復雜的任務(wù)。例如，它可以學(xué)習識別手寫(xiě)數字，即使每個(gè)人的書(shū)寫(xiě)風(fēng)格都千人千面。更重要的是，Hinton 的工作為后來(lái)深度學(xué)習技術(shù)的發(fā)展奠定了基礎。深度學(xué)習是當今許多人工智能依據的核心技術(shù)。
從理論到實(shí)踐：
人工智能的現在和未來(lái)
Hopfield 和 Hinton 的工作為后來(lái)的機器學(xué)習革命奠定了基礎。今天，基于他們理論所發(fā)展的技術(shù)已經(jīng)在我們的日常生活中無(wú)處不在。當你使用手機進(jìn)行人臉解鎖、向虛擬助手提問(wèn)或者使用在線(xiàn)翻譯工具時(shí)，都在間接使用這些技術(shù)。
在科學(xué)研究中，這些技術(shù)也發(fā)揮著(zhù)越來(lái)越重要的作用。例如，它們被用于分析天文數據以發(fā)現新的行星，預測蛋白質(zhì)的結構以幫助開(kāi)發(fā)新藥，甚至幫助物理學(xué)家處理大型強子對撞機產(chǎn)生的海量數據。
然而，隨著(zhù)人工智能技術(shù)的快速發(fā)展，我們也面臨著(zhù)新的挑戰。例如，如何確保這些技術(shù)被負責任地使用，如何保護個(gè)人隱私，以及如何應對可能的就業(yè)變化等。這些問(wèn)題需要科學(xué)家、政策制定者和整個(gè)社會(huì )共同思考和解決。
2024 年諾貝爾物理學(xué)獎揭曉以后，一些人認為這一獲獎成果“不夠物理”。其實(shí)，換個(gè)角度想，這不僅是對 Hopfield 和 Hinton 個(gè)人成就的肯定，更是對物理學(xué)在推動(dòng)人工智能發(fā)展中所起作用的認可。隨著(zhù)人工智能技術(shù)繼續發(fā)展，我們可以期待它在科學(xué)研究、工程應用和日常生活中帶來(lái)更多突破，同時(shí)也要不斷提醒自己，更加謹慎、合理地應用它去塑造未來(lái)。
轉載自：科普中國
