2024 年諾貝爾物理學獎花落神經網絡先驅

2024 年諾貝爾物理學獎已授予科學家約翰·霍普菲爾德和傑弗裡·辛頓，“因其在使機器學習能夠藉助人工神經網絡方面的基礎性發現和發明。”

受物理學和生物學思想的啓發，霍普菲爾德和辛頓開發出了能夠從數據模式中進行記憶和學習的計算機系統。

我們今天使用的許多人工智能技術背後都有人工神經網絡。

正如你的大腦存在通過突觸相連的神經元細胞，人工神經網絡也有着以各種配置相連接的數字神經元。

人工神經網絡中的神經元被輸入信號“激活”。這些激活以某種方式從一個神經元傳遞至下一個神經元，能夠對輸入信息進行轉換和處理。因此，該網絡可以執行分類、預測和決策等計算任務。

機器學習的大部分歷史都在於尋找越來越複雜的方法來形成和更新人工神經元之間的這些連接。

雖然將節點系統連接在一起以存儲和處理信息的基本思想來自生物學，但用於形成和更新這些連接的數學來自物理學。

約翰·霍普菲爾德（生於 1933 年）是一位美國理論物理學家，在其生物物理學領域的職業生涯中做出了重要貢獻。然而，他獲得諾貝爾物理學獎是因其在 1982 年開發霍普菲爾德網絡的工作。

霍普菲爾德網絡是最早的人工神經網絡之一。受神經生物學和分子物理學原理的啓發，這些系統首次展示了計算機是如何利用節點組成的“網絡”來進行記憶和回憶信息的。

霍普菲爾德開發的網絡能夠記憶數據（例如一組黑白圖像）。當網絡接收到類似圖像的提示時，能夠通過聯想“回憶”起這些圖像。

儘管實際用途較爲有限，不過霍普菲爾德網絡證明了這種類型的人工神經網絡能夠以新的方式來存儲和檢索數據。它們爲後來欣頓的工作奠定了基礎。

傑夫·欣頓（出生於 1947 年），有時被稱作“人工智能教父”之一，是一位英裔加拿大計算機科學家，他在該領域做出了許多重要貢獻。2018 年，他和約書亞·本吉奧以及揚·勒昆一道，由於在推進機器學習方面所做出的努力，尤其是在被稱爲深度學習的這一分支上，獲得了圖靈獎（計算機科學的最高榮譽）。

然而，諾貝爾物理學獎專門是爲他在 1984 年與特倫斯·塞諾夫斯基及其他同事合作開發玻爾茲曼機而頒發的。

這些是 Hopfield 網絡的拓展，展現了機器學習的理念——即一種讓計算機並非從程序員處學習，而是從數據實例中學習的系統。

借鑑統計物理學中能量動力學方面的思想，Hinton 闡釋了這個早期的生成式計算機模型是如何通過展示需記住的事物的示例從而隨着時間的推移學會存儲數據的。

和之前的 Hopfield 網絡相同，玻爾茲曼機沒有即刻的實際應用。

不過，一種改良形式（被稱作受限玻爾茲曼機）在某些應用問題中是有用的。

更爲重要的是，人工神經網絡能夠從數據中學習這一概念上的突破。Hinton 繼續發展了這個想法。他後來發表了關於反向傳播（現代機器學習系統中使用的學習過程）和卷積神經網絡（當今用於處理圖像和視頻數據的 AI 系統的主要神經網絡類型）的有影響力的論文。

Hopfield 的網絡僅包含 30 個神經元（他曾嘗試製作一個擁有 100 個節點的網絡，但對於當時的計算資源而言太多了），然而像 ChatGPT 這類現代系統或許有數百萬個。然而，今天的諾貝爾獎強調了這些早期貢獻對該領域有多麼重要。

雖然人工智能最近的快速進步——我們大多數人從 ChatGPT 等生成式人工智能系統中熟悉了這一點——似乎證明了神經網絡早期支持者的觀點，但至少辛頓表達了擔憂。2023 年，在結束了在谷歌人工智能部門長達十年的工作後，他表示自己對發展速度感到恐懼，並加入了越來越多呼籲更積極的人工智能監管的聲音之中。

在獲得諾貝爾獎之後，辛頓說，人工智能將“像工業革命，但不是我們的身體能力，而是會超越我們的智力水平。”他還表示，他仍然擔心自己工作的後果可能是“比我們更智能的系統，最終可能掌控一切。”