2024 年 10 月 8 日，瑞典皇家科學院宣布，將 2024 年諾貝爾物理學獎授予美國普林斯頓大學教授 約翰·J·霍普菲爾德（John J. Hopfield ）和加拿大多倫多大學教授杰弗里·E·辛頓（ Geoffrey E. Hinton），以表彰他們“在人工神經(jīng)網(wǎng)絡機器學習方面的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”。
這兩位科學家的工作為當今強大的機器學習技術(shù)奠定了基礎(chǔ)。Hopfield 創(chuàng)造了一種能夠存儲和重建信息的結(jié)構(gòu)，而 Hinton 發(fā)明了一種可以獨立發(fā)現(xiàn)數(shù)據(jù)中規(guī)律的方法，這種方法對現(xiàn)在使用的大型人工智能系統(tǒng)至關(guān)重要。
兩位獲獎人肖像（圖片來源：諾貝爾獎委員會官網(wǎng)）
機器學習：計算機的自主學習之旅
Hopfield 和 Hinton 的開創(chuàng)性工作為一個更廣泛的領(lǐng)域“機器學習”奠定了基礎(chǔ)。機器學習是人工智能的核心，它的目標是讓計算機能夠從數(shù)據(jù)中學習并完成任務，而不需要完成任何指令都需要首先進行復雜而脆弱的編程，這種方法與傳統(tǒng)上基于編程的計算機工作模式有著本質(zhì)的區(qū)別。
傳統(tǒng)的計算機程序就像一個精確的食譜：程序員需要詳細列出每一個步驟，計算機才能完成任務。而機器學習更像是教一個孩子烹飪：你給他們看許多例子，讓他們自己總結(jié)規(guī)律。這種方法使得計算機能夠處理那些難以用固定規(guī)則描述的復雜任務，如圖像識別或語音理解。
在機器學習的過程中，計算機首先接收大量的數(shù)據(jù)作為學習材料。例如，如果我們要訓練一個識別貓的系統(tǒng)，我們需要收集大量貓和非貓的圖片。然后，我們選擇一個適合的學習模型，比如后文中會介紹的 Hopfield 的聯(lián)想記憶網(wǎng)絡或 Hinton 的玻爾茲曼機。
接下來，模型會反復查看這些數(shù)據(jù)，不斷調(diào)整自己的參數(shù)，直到它能夠準確地完成任務。這一過程就像學生通過反復練習來提高自己的能力。機器學習的強大之處在于，一旦訓練完成，它就能處理各種各樣的新情況。
例如，一個經(jīng)過訓練的圖像識別系統(tǒng)不僅能識別訓練數(shù)據(jù)中的貓，還能識別它從未見過的貓的圖片。這種泛化能力使得機器學習在處理復雜、多變的現(xiàn)實世界問題時特別有用。
Hopfield 和 Hinton 的工作為設計更有效的學習算法和模型結(jié)構(gòu)提供了理論基礎(chǔ)，極大地推動了機器學習的發(fā)展。他們的貢獻使得今天的人工智能系統(tǒng)能夠執(zhí)行從語言翻譯到醫(yī)學診斷等各種復雜任務，讓強大而多樣的人工智能技術(shù)在從科學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)絡的誕生
剛才我們講解了機器學習的籠統(tǒng)思想，然而要理解這項發(fā)現(xiàn)的重要性，我們還需要再了解以下人工神經(jīng)網(wǎng)絡的基本概念。
想象一下，我們的大腦是由數(shù)十億個神經(jīng)細胞（又稱神經(jīng)元）組成的復雜網(wǎng)絡。這些神經(jīng)元通過被稱為突觸的連接相互通信。當我們學習新知識時，某些神經(jīng)元之間的連接會變強，而其他連接可能變?nèi)酢?span style="display:none">Tv5壹木網(wǎng)-日常常見問題解答
科學家們受到這種結(jié)構(gòu)的啟發(fā)，創(chuàng)造了人工神經(jīng)網(wǎng)絡。在這種網(wǎng)絡中，計算機程序模仿了大腦的結(jié)構(gòu)。它由許多相互連接的“節(jié)點”（模仿神經(jīng)元）組成，這些節(jié)點之間的連接強度可以調(diào)整（模仿突觸）。
這種結(jié)構(gòu)允許計算機通過例子來學習，而不是按照預設的指令運行。
神經(jīng)網(wǎng)絡藝術(shù)插畫（圖片來源：諾貝爾獎委員會官網(wǎng)）
兩位科學家的關(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，現(xiàn)在被稱為“Hopfield 網(wǎng)絡”。該網(wǎng)絡的特別之處在于它能夠存儲和重建信息模式，類似于人類的聯(lián)想記憶。
想象你在試圖回憶一個不常用的單詞，你可能會先想到一些相似的詞，再終找到正確的那個。Hopfield 網(wǎng)絡的工作方式與此類似，當給予網(wǎng)絡一個不完整或輕微扭曲的信息時，它能夠找到相似的存儲信息。
這種能力使得 Hopfield 網(wǎng)絡可以用于修復損壞的數(shù)據(jù)，比如去除圖片中的噪點。Geoffrey Hinton 則在 1985 年提出了一種稱為“玻爾茲曼機”的新型網(wǎng)絡。這個網(wǎng)絡的獨特之處在于它能夠自主學習數(shù)據(jù)中的特征，而無需人為指定這些特征。
這一點類似于嬰兒學習識別貓和狗的過程——他們不需要詳細的解釋，只需要看到足夠多的例子就能自己總結(jié)出區(qū)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。
例如，它可以學習識別手寫數(shù)字，即使每個人的書寫風格都千人千面。更重要的是，Hinton 的工作為后來深度學習技術(shù)的發(fā)展奠定了基礎(chǔ)。深度學習是當今許多人工智能依據(jù)的核心技術(shù)。
從理論到實踐：人工智能的現(xiàn)在和未來
Hopfield 和 Hinton 的工作為后來的機器學習革命奠定了基礎(chǔ)。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處不在。當你使用手機進行人臉解鎖、向虛擬助手提問或者使用在線翻譯工具時，都在間接使用這些技術(shù)。
在科學研究中，這些技術(shù)也發(fā)揮著越來越重要的作用。例如，它們被用于分析天文數(shù)據(jù)以發(fā)現(xiàn)新的行星，預測蛋白質(zhì)的結(jié)構(gòu)以幫助開發(fā)新藥，甚至幫助物理學家處理大型強子對撞機產(chǎn)生的海量數(shù)據(jù)。
然而，隨著人工智能技術(shù)的快速發(fā)展，我們也面臨著新的挑戰(zhàn)。例如，如何確保這些技術(shù)被負責任地使用，如何保護個人隱私，以及如何應對可能的就業(yè)變化等。這些問題需要科學家、政策制定者和整個社會共同思考和解決。
2024 年諾貝爾物理學獎揭曉以后，一些人認為這一獲獎成果“不夠物理”。其實，換個角度想，這不僅是對 Hopfield 和 Hinton 個人成就的肯定，更是對物理學在推動人工智能發(fā)展中所起作用的認可。
隨著人工智能技術(shù)繼續(xù)發(fā)展，我們可以期待它在科學研究、工程應用和日常生活中帶來更多突破，同時也要不斷提醒自己，更加謹慎、合理地應用它去塑造未來。
本文鏈接：http://m.zh1234.com/news42303.html人工智能獲諾貝爾物理學獎 這合理嗎
