約翰·霍普菲爾德（左）和杰弗裡·辛頓（右）因利用人工神經網絡進行機器學習的發現而榮獲 2024 年諾貝爾物理學獎。
尼克拉斯·埃爾梅赫德 (Niklas Elmehed)，© 諾貝爾獎外展
隨著人工智能的爆發式普及，其兩位先驅榮獲 2024 年諾貝爾物理學獎。
斯德哥爾摩瑞典皇家科學院於 10 月 8 日宣布，約翰·霍普菲爾德 (John Hopfield) 和杰弗裡·辛頓 (Geoffrey Hinton) “通過人工神經網絡實現機器學習的基礎性發現和發明”獲獎。這些計算工具旨在模仿人腦的功能，是圖像識別算法、包括 ChatGPT、以及更多（序列號：24/2/1；序列號：5/24/24）。
該獎項令許多人感到驚訝，因為這些進展通常與計算機科學而不是物理學相關。但諾貝爾委員會指出，這些技術是基於物理方法的。
儘管如此，沒有人比辛頓本人更震驚：“我驚呆了。我不知道會發生這種事。我非常驚訝，”他在宣布新聞發布會上通過電話表示。
這些技術支撐了各種科學進步。神經網絡幫助物理學家處理大量複雜數據，取得了重要進展，包括並為新技術設計材料，例如(序列號：4/13/23;序列號：1/16/24）。機器學習在生物和醫學領域也取得了長足的進步，有望改善和理解(序列號：24 年 6 月 17 日;序列號：9/23/23）。
特立尼達島聖奧古斯丁西印度大學的人工智能研究員 Craig Ramlal 表示：“該獎項證實了人工智能不僅僅是一項利基技術，而是一場具有跨學科影響的科學革命。” “更重要的是，該獎項使人工智能成為理解和模擬自然世界的工具，這有望推動更多創新。”
神經網絡旨在識別數據模式，而不是進行明確的編程計算。它們基於稱為節點的單個元素網絡，這些元素受到大腦中單個神經元的啟發。通過向神經網絡提供數據來訓練神經網絡，通過優化節點之間的耦合強度，磨練其做出準確結論的能力。
1982 年，普林斯頓大學的 Hopfield 創建了一種早期類型的神經網絡，稱為 Hopfield 網絡，可以存儲和重建數據模式。該網絡類似於物理學中的磁性材料，其中原子具有可以向上或向下指向的小磁場，類似於 Hopfield 網絡每個節點的 0 或 1 值。對於材料中任何給定的原子構型，科學家都可以確定其能量。 Hopfield 網絡在接受各種模式的訓練後，會最小化類似的能量，以揭示哪些模式隱藏在輸入數據中。
“在我看來，物理學試圖理解系統是如何工作的。系統是由各個部分組成的。這些部分相互作用，”霍普菲爾德在普林斯頓大學的新聞發布會上虛擬發表講話時說道。
多倫多大學的 Hinton 在該技術的基礎上設計了一種稱為玻爾茲曼機的神經網絡，該網絡基於統計物理學，包括 19 世紀奧地利物理學家路德維希·玻爾茲曼的工作。玻爾茲曼機包含額外的隱藏節點——它們處理數據但不直接接收輸入。模型的不同可能狀態具有不同的發生概率。這些概率由玻爾茲曼分佈決定，該分佈描述了許多粒子（例如氣體中的分子）的配置。
芝加哥大學計算機科學家麗貝卡·威利特 (Rebecca Willett) 表示：“霍普菲爾德和辛頓所做的工作具有變革性，不僅對於開發人工智能和神經網絡的學術界而言，而且對於社會的許多方面而言也是如此。”
兩位獲勝者將平分 1100 萬瑞典克朗（約合 100 萬美元）的獎金。
“事實上，我很高興聽到這個消息。這是一個巨大的驚喜，”阿姆斯特丹大學的人工智能研究員 Max Welling 說道。 “與物理學有非常明顯的聯繫……模型本身深受物理模型的啟發。”更重要的是，這一發現使物理學的許多發展成為可能，他說。 “嘗試提出一種對物理學產生更大影響的技術，特別是在方法方面。這很難。”
自 20 世紀 80 年代以來，研究人員對這些模型進行了極大的改進，並大幅擴展了它們的規模。深度機器學習模型現在具有多層隱藏節點，並且節點之間可以擁有數千億個連接。大量數據用於訓練網絡，從互聯網上獲取文本或圖像以輸入網絡。
雖然基於神經網絡的人工智能技術能夠實現 20 世紀 80 年代難以想像的壯舉，但這些技術仍然存在許多缺陷。許多研究人員現在專注於了解機器學習的流行如何對社會產生負面影響，例如，促進並製作又快又容易（序列號：9/10/24;序列號: 2/1/24;序列號：4/12/23）。
雖然包括 Hinton 在內的一些科學家擔心人工智能可能會變得超級智能，但人工智能的訓練方式與人類的學習模式不同，並且人工智能正在走向統治世界的道路（序列號：2/28/24）。人工智能模型因犯一些違反常識的可笑錯誤而聞名。科學家們仍在積極努力定義如何可以應用於機器學習系統，以及如何最好地測試它們的能力（序列號：7/10/24）。
“人們真正擔心的是，人工智能將如何影響勞動力和就業市場，以及它如何導致錯誤信息和數據操縱，”威利特說。 “我認為這些是此時此地非常現實的問題。這是因為人類可以利用這些工具並將其用於惡意目的。”
