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“在人工神經網絡機器學習方面的基礎性發(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(xiàn)數據中規(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)至關重要。Hopfield 和 Hinton 的開創(chuàng)性工作為一個更廣泛的領域“機器學習”奠定了基礎。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據中學習并完成任務，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據作為學習材料。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)想記憶網絡或 Hinton 的玻爾茲曼機。接下來，模型會反復查看這些數據，不斷調整自己的參數，直到它能夠準確地完成任務。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，一個經過訓練的圖像識別系統(tǒng)不僅能識別訓練數據中的貓，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構提供了理論基礎，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在從科學研究到日常生活的方方面面中發(fā)揮作用。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網絡的基本概念。想象一下，我們的大腦是由數十億個神經細胞（又稱神經元）組成的復雜網絡。這些神經元通過被稱為突觸的連接相互通信。當我們學習新知識時，某些神經元之間的連接會變強，而其他連接可能變弱。科學家們受到這種結構的啟發(fā)，創(chuàng)造了人工神經網絡。在這種網絡中，計算機程序模仿了大腦的結構。它由許多相互連接的“節(jié)點”（模仿神經元）組成，這些節(jié)點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例子來學習，而不是按照預設的指令運行。John Hopfield 在 1982 年提出了一種新型的人工神經網絡，現(xiàn)在被稱為“Hopfield 網絡”。該網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，再最終找到正確的那個。Hopfield 網絡的工作方式與此類似，當給予網絡一個不完整或輕微扭曲的信息時，它能夠找到最相似的存儲信息。這種能力使得 Hopfield 網絡可以用于修復損壞的數據，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”的新型網絡。這個網絡的獨特之處在于它能夠自主學習數據中的特征，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的發(fā)展奠定了基礎。深度學習是當今許多人工智能依據的核心技術。Hopfield 和 Hinton 的工作為后來的機器學習革命奠定了基礎。今天，基于他們理論所發(fā)展的技術已經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。在科學研究中，這些技術也發(fā)揮著越來越重要的作用。例如，它們被用于分析天文數據以發(fā)現(xiàn)新的行星，預測蛋白質的結構以幫助開發(fā)新藥，甚至幫助物理學家處理大型強子對撞機產生的海量數據。然而，隨著人工智能技術的快速發(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。
來源丨李瑞
作者丨中國科普博覽
責編丨鐘艷平
審校丨徐來 林林