約翰·霍普菲爾德（左）和傑弗裡·辛頓（右）因利用人工神經網路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
由和
已更新
隨著人工智慧的爆發性普及，其兩位先驅榮獲 2024 年諾貝爾物理學獎。
該獎項授予約翰·霍普菲爾德 (John Hopfield) 和傑弗裡·辛頓 (Geoffrey Hinton)，表彰其透過人工神經網路實現機器學習的基礎性發現和發明。位於斯德哥爾摩的瑞典皇家科學院於 10 月 8 日宣布。 這些旨在模仿人腦功能的計算工具是影像辨識演算法、包括 ChatGPT、以及更多（序號：24/2/1；序號：5/24/24）。
該獎項令許多人感到驚訝，因為這些進展通常與電腦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的方法。
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。我很驚訝，?他在宣布的新聞發布會上透過電話說道。
這些技術支撐了各種科學進步。神經網路幫助物理學家處理大量複雜數據，並取得了重要進展，包括和？為新技術設計材料，例如（序號：4/13/23;序號：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（序號：24 年 6 月 17 日;序號：9/23/23）。
“這個獎項證實了人工智慧不僅僅是一項小眾技術的事實？”這是一場具有跨領域影響力的科學革命，？特立尼達島聖奧古斯丁西印度大學的人工智慧研究員克雷格‧拉姆拉爾 (Craig Ramlal) 說。 “更重要的是，該獎項使人工智慧合法化為理解和模擬自然世界的工具，這有望推動更多創新。”
神經網路旨在識別資料模式，而不是進行明確的程式計算。它們基於稱為節點的單一元素網絡，這些元素受到大腦中單一神經元的啟發。透過向神經網路提供資料來訓練神經網絡，透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，可以儲存和重建資料模式。此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 網路每個節點的 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 網路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資料中。
？ 在我看來，物理學正在試圖理解系統是如何運作的。系統由零件組成。這些部分相互作用，?霍普菲爾德在普林斯頓大學舉行的新聞發布會上以虛擬方式發表講話時說道。
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。波茲曼機包含隱藏的附加節點？他們處理資料但不直接接收輸入。模型的不同可能狀態有不同的發生機率。這些機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。
“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慧和神經網路的學術界，而且對於社會的許多方面，”芝加哥大學的電腦科學家麗貝卡‧威利特說。
兩位獲勝者將平分 1,100 萬瑞典克朗（約 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慧研究員 Max Welling 說。 “與物理學有非常明顯的聯繫。”這些模型本身深受物理模型的啟發。更重要的是，這項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。很難。
自 1980 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，節點之間可以擁有數千億個連接。大量資料用於訓練網絡，從互聯網上獲取文字或圖像以輸入網絡。
雖然基於神經網路的人工智慧技術能夠實現 20 世紀 80 年代難以想像的壯舉，但這些技術仍有許多缺陷。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（序號：9/10/24;序號: 2/1/24;序號：4/12/23）。
雖然包括 Hinton 在內的一些科學家擔心人工智慧可能會變得超級智能，但人工智慧的訓練方式與人類的學習模式不同，並且人工智慧正走向統治世界的道路（序號：2/28/24）。人工智慧模型因犯一些違反常識的可笑錯誤而聞名。科學家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（序號：7/10/24）。
“人們真正擔心的是[人工智慧]將如何影響勞動力和就業市場，它如何導致錯誤訊息和數據操縱？”威利特說。 ？ 我認為這些是此時此地非常現實的問題。那是因為人類可以利用這些工具並將其用於惡意目的。
