约翰·霍普菲尔德（左）和杰弗里·辛顿（右）因利用人工神经网络进行机器学习的发现而荣获 2024 年诺贝尔物理学奖。
尼克拉斯·埃尔梅赫德 (Niklas Elmehed)，© 诺贝尔奖外展
随着人工智能的爆发式普及，其两位先驱荣获 2024 年诺贝尔物理学奖。
斯德哥尔摩瑞典皇家科学院于 10 月 8 日宣布，约翰·霍普菲尔德 (John Hopfield) 和杰弗里·辛顿 (Geoffrey Hinton) “通过人工神经网络实现机器学习的基础性发现和发明”获奖。这些计算工具旨在模仿人脑的功能，是图像识别算法、包括 ChatGPT、以及更多（序列号：24/2/1；序列号：5/24/24）。
该奖项令许多人感到惊讶，因为这些进展通常与计算机科学而不是物理学相关。但诺贝尔委员会指出，这些技术是基于物理方法的。
尽管如此，没有人比辛顿本人更震惊：“我惊呆了。我不知道会发生这种事。我非常惊讶，”他在宣布新闻发布会上通过电话表示。
这些技术支撑了各种科学进步。神经网络帮助物理学家处理大量复杂数据，取得了重要进展，包括并为新技术设计材料，例如(序列号：4/13/23;序列号：1/16/24）。机器学习在生物和医学领域也取得了长足的进步，有望改善和理解(序列号：24 年 6 月 17 日;序列号：9/23/23）。
特立尼达岛圣奥古斯丁西印度大学的人工智能研究员 Craig Ramlal 表示：“该奖项证实了人工智能不仅仅是一项利基技术，而是一场具有跨学科影响的科学革命。” “更重要的是，该奖项使人工智能成为理解和模拟自然世界的工具，这有望推动更多创新。”
神经网络旨在识别数据模式，而不是进行明确的编程计算。它们基于称为节点的单个元素网络，这些元素受到大脑中单个神经元的启发。通过向神经网络提供数据来训练神经网络，通过优化节点之间的耦合强度，磨练其做出准确结论的能力。
1982 年，普林斯顿大学的 Hopfield 创建了一种早期类型的神经网络，称为 Hopfield 网络，可以存储和重建数据模式。该网络类似于物理学中的磁性材料，其中原子具有可以向上或向下指向的小磁场，类似于 Hopfield 网络每个节点的 0 或 1 值。对于材料中任何给定的原子构型，科学家都可以确定其能量。 Hopfield 网络在接受各种模式的训练后，会最小化类似的能量，以揭示哪些模式隐藏在输入数据中。
“在我看来，物理学试图理解系统是如何工作的。系统是由各个部分组成的。这些部分相互作用，”霍普菲尔德在普林斯顿大学的新闻发布会上虚拟发表讲话时说道。
多伦多大学的 Hinton 在该技术的基础上设计了一种称为玻尔兹曼机的神经网络，该网络基于统计物理学，包括 19 世纪奥地利物理学家路德维希·玻尔兹曼的工作。玻尔兹曼机包含额外的隐藏节点——它们处理数据但不直接接收输入。模型的不同可能状态具有不同的发生概率。这些概率由玻尔兹曼分布决定，该分布描述了许多粒子（例如气体中的分子）的配置。
芝加哥大学计算机科学家丽贝卡·威利特 (Rebecca Willett) 表示：“霍普菲尔德和辛顿所做的工作具有变革性，不仅对于开发人工智能和神经网络的学术界而言，而且对于社会的许多方面而言也是如此。”
两位获胜者将平分 1100 万瑞典克朗（约合 100 万美元）的奖金。
“事实上，我很高兴听到这个消息。这是一个巨大的惊喜，”阿姆斯特丹大学的人工智能研究员 Max Welling 说道。 “与物理学有非常明显的联系……模型本身深受物理模型的启发。”更重要的是，这一发现使物理学的许多发展成为可能，他说。 “尝试提出一种对物理学产生更大影响的技术，特别是在方法方面。这很难。”
自 20 世纪 80 年代以来，研究人员对这些模型进行了极大的改进，并大幅扩展了它们的规模。深度机器学习模型现在具有多层隐藏节点，并且节点之间可以拥有数千亿个连接。大量数据用于训练网络，从互联网上获取文本或图像以输入网络。
虽然基于神经网络的人工智能技术能够实现 20 世纪 80 年代难以想象的壮举，但这些技术仍然存在许多缺陷。许多研究人员现在专注于了解机器学习的流行如何对社会产生负面影响，例如，促进并制作又快又容易（序列号：9/10/24;序列号: 2/1/24;序列号：4/12/23）。
虽然包括 Hinton 在内的一些科学家担心人工智能可能会变得超级智能，但人工智能的训练方式与人类的学习模式不同，并且人工智能正在走向统治世界的道路（序列号：2/28/24）。人工智能模型因犯一些违反常识的可笑错误而闻名。科学家们仍在积极努力定义如何可以应用于机器学习系统，以及如何最好地测试它们的能力（序列号：7/10/24）。
“人们真正担心的是，人工智能将如何影响劳动力和就业市场，以及它如何导致错误信息和数据操纵，”威利特说。 “我认为这些是此时此地非常现实的问题。这是因为人类可以利用这些工具并将其用于恶意目的。”
