劃重點(diǎn)
012024年諾貝爾物理學(xué)獎(jiǎng)授予美國(guó)普林斯頓大學(xué)教授約翰J霍普菲爾德和加拿大多倫多大學(xué)教授杰弗里E辛頓，以表彰他們?cè)谌斯ど窠?jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方面的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明。
02霍普菲爾德發(fā)明了能夠存儲(chǔ)和重建信息的結(jié)構(gòu)，而辛頓發(fā)明了一種可以獨(dú)立發(fā)現(xiàn)數(shù)據(jù)中規(guī)律的方法。
03兩位科學(xué)家的工作為機(jī)器學(xué)習(xí)奠定了基礎(chǔ)，使得計(jì)算機(jī)能夠從數(shù)據(jù)中學(xué)習(xí)并完成任務(wù)。
04機(jī)器學(xué)習(xí)在處理復(fù)雜、多變的現(xiàn)實(shí)世界問(wèn)題時(shí)特別有用，具有強(qiáng)大的泛化能力。
05除此之外，人工智能技術(shù)在科學(xué)研究、工程應(yīng)用和日常生活中帶來(lái)了許多突破，同時(shí)也面臨著新的挑戰(zhàn)，如確保技術(shù)負(fù)責(zé)任地使用和保護(hù)個(gè)人隱私等。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
2024 年 10 月 8 日，瑞典皇家科學(xué)院宣布，將 2024 年諾貝爾物理學(xué)獎(jiǎng)授予美國(guó)普林斯頓大學(xué)教授 約翰J霍普菲爾德（John J. Hopfield ）和加拿大多倫多大學(xué)教授杰弗里E辛頓（Geoffrey E. Hinton），以表彰他們“在人工神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方面的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”。這兩位科學(xué)家的工作為當(dāng)今強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)奠定了基矗Hopfield 創(chuàng)造了一種能夠存儲(chǔ)和重建信息的結(jié)構(gòu)，而 Hinton 發(fā)明了一種可以獨(dú)立發(fā)現(xiàn)數(shù)據(jù)中規(guī)律的方法，這種方法對(duì)現(xiàn)在使用的大型人工智能系統(tǒng)至關(guān)重要。
兩位獲獎(jiǎng)人肖像（圖片來(lái)源：諾貝爾獎(jiǎng)委員會(huì)官網(wǎng)）
機(jī)器學(xué)習(xí)：
計(jì)算機(jī)的自主學(xué)習(xí)之旅
Hopfield 和 Hinton 的開創(chuàng)性工作為一個(gè)更廣泛的領(lǐng)域“機(jī)器學(xué)習(xí)”奠定了基矗機(jī)器學(xué)習(xí)是人工智能的核心，它的目標(biāo)是讓計(jì)算機(jī)能夠從數(shù)據(jù)中學(xué)習(xí)并完成任務(wù)，而不需要完成任何指令都需要首先進(jìn)行復(fù)雜而脆弱的編程，這種方法與傳統(tǒng)上基于編程的計(jì)算機(jī)工作模式有著本質(zhì)的區(qū)別。傳統(tǒng)的計(jì)算機(jī)程序就像一個(gè)精確的食譜：程序員需要詳細(xì)列出每一個(gè)步驟，計(jì)算機(jī)才能完成任務(wù)。而機(jī)器學(xué)習(xí)更像是教一個(gè)孩子烹飪：你給他們看許多例子，讓他們自己總結(jié)規(guī)律。這種方法使得計(jì)算機(jī)能夠處理那些難以用固定規(guī)則描述的復(fù)雜任務(wù)，如圖像識(shí)別或語(yǔ)音理解。在機(jī)器學(xué)習(xí)的過(guò)程中，計(jì)算機(jī)首先接收大量的數(shù)據(jù)作為學(xué)習(xí)材料。例如，如果我們要訓(xùn)練一個(gè)識(shí)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(gè)適合的學(xué)習(xí)模型，比如后文中會(huì)介紹的 Hopfield 的聯(lián)想記憶網(wǎng)絡(luò)或 Hinton 的玻爾茲曼機(jī)。接下來(lái)，模型會(huì)反復(fù)查看這些數(shù)據(jù)，不斷調(diào)整自己的參數(shù)，直到它能夠準(zhǔn)確地完成任務(wù)。這一過(guò)程就像學(xué)生通過(guò)反復(fù)練習(xí)來(lái)提高自己的能力。機(jī)器學(xué)習(xí)的強(qiáng)大之處在于，一旦訓(xùn)練完成，它就能處理各種各樣的新情況。例如，一個(gè)經(jīng)過(guò)訓(xùn)練的圖像識(shí)別系統(tǒng)不僅能識(shí)別訓(xùn)練數(shù)據(jù)中的貓，還能識(shí)別它從未見過(guò)的貓的圖片。這種泛化能力使得機(jī)器學(xué)習(xí)在處理復(fù)雜、多變的現(xiàn)實(shí)世界問(wèn)題時(shí)特別有用。Hopfield 和 Hinton 的工作為設(shè)計(jì)更有效的學(xué)習(xí)算法和模型結(jié)構(gòu)提供了理論基礎(chǔ)，極大地推動(dòng)了機(jī)器學(xué)習(xí)的發(fā)展。他們的貢獻(xiàn)使得今天的人工智能系統(tǒng)能夠執(zhí)行從語(yǔ)言翻譯到醫(yī)學(xué)診斷等各種復(fù)雜任務(wù)，讓強(qiáng)大而多樣的人工智能技術(shù)在從科學(xué)研究到日常生活的方方面面中發(fā)揮作用。
從大腦到計(jì)算機(jī)：
人工神經(jīng)網(wǎng)絡(luò)的誕生
剛才我們講解了機(jī)器學(xué)習(xí)的籠統(tǒng)思想，然而要理解這項(xiàng)發(fā)現(xiàn)的重要性，我們還需要再了解以下人工神經(jīng)網(wǎng)絡(luò)的基本概念。想象一下，我們的大腦是由數(shù)十億個(gè)神經(jīng)細(xì)胞（又稱神經(jīng)元）組成的復(fù)雜網(wǎng)絡(luò)。這些神經(jīng)元通過(guò)被稱為突觸的連接相互通信。當(dāng)我們學(xué)習(xí)新知識(shí)時(shí)，某些神經(jīng)元之間的連接會(huì)變強(qiáng)，而其他連接可能變?nèi)��？茖W(xué)家們受到這種結(jié)構(gòu)的啟發(fā)，創(chuàng)造了人工神經(jīng)網(wǎng)絡(luò)。在這種網(wǎng)絡(luò)中，計(jì)算機(jī)程序模仿了大腦的結(jié)構(gòu)。它由許多相互連接的“節(jié)點(diǎn)”（模仿神經(jīng)元）組成，這些節(jié)點(diǎn)之間的連接強(qiáng)度可以調(diào)整（模仿突觸）。這種結(jié)構(gòu)允許計(jì)算機(jī)通過(guò)例子來(lái)學(xué)習(xí)，而不是按照預(yù)設(shè)的指令運(yùn)行。
神經(jīng)網(wǎng)絡(luò)藝術(shù)插畫（圖片來(lái)源：諾貝爾獎(jiǎng)委員會(huì)官網(wǎng)）
兩位科學(xué)家的關(guān)鍵貢獻(xiàn)
John Hopfield 在 1982 年提出了一種新型的人工神經(jīng)網(wǎng)絡(luò)，現(xiàn)在被稱為“Hopfield網(wǎng)絡(luò)”。該網(wǎng)絡(luò)的特別之處在于它能夠存儲(chǔ)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(gè)不常用的單詞，你可能會(huì)先想到一些相似的詞，再最終找到正確的那個(gè)。Hopfield 網(wǎng)絡(luò)的工作方式與此類似，當(dāng)給予網(wǎng)絡(luò)一個(gè)不完整或輕微扭曲的信息時(shí)，它能夠找到最相似的存儲(chǔ)信息。這種能力使得 Hopfield 網(wǎng)絡(luò)可以用于修復(fù)損壞的數(shù)據(jù)，比如去除圖片中的噪點(diǎn)。Geoffrey Hinton 則在 1985 年提出了一種稱為“玻爾茲曼機(jī)”的新型網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)的獨(dú)特之處在于它能夠自主學(xué)習(xí)數(shù)據(jù)中的特征，而無(wú)需人為指定這些特征。這一點(diǎn)類似于嬰兒學(xué)習(xí)識(shí)別貓和狗的過(guò)程他們不需要詳細(xì)的解釋，只需要看到足夠多的例子就能自己總結(jié)出區(qū)別。玻爾茲曼機(jī)的這種能力使得機(jī)器能夠處理更復(fù)雜的任務(wù)。例如，它可以學(xué)習(xí)識(shí)別手寫數(shù)字，即使每個(gè)人的書寫風(fēng)格都千人千面。更重要的是，Hinton 的工作為后來(lái)深度學(xué)習(xí)技術(shù)的發(fā)展奠定了基矗深度學(xué)習(xí)是當(dāng)今許多人工智能依據(jù)的核心技術(shù)。
從理論到實(shí)踐：
人工智能的現(xiàn)在和未來(lái)
Hopfield 和 Hinton 的工作為后來(lái)的機(jī)器學(xué)習(xí)革命奠定了基矗今天，基于他們理論所發(fā)展的技術(shù)已經(jīng)在我們的日常生活中無(wú)處不在。當(dāng)你使用手機(jī)進(jìn)行人臉解鎖、向虛擬助手提問(wèn)或者使用在線翻譯工具時(shí)，都在間接使用這些技術(shù)。在科學(xué)研究中，這些技術(shù)也發(fā)揮著越來(lái)越重要的作用。例如，它們被用于分析天文數(shù)據(jù)以發(fā)現(xiàn)新的行星，預(yù)測(cè)蛋白質(zhì)的結(jié)構(gòu)以幫助開發(fā)新藥，甚至幫助物理學(xué)家處理大型強(qiáng)子對(duì)撞機(jī)產(chǎn)生的海量數(shù)據(jù)。然而，隨著人工智能技術(shù)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(shù)被負(fù)責(zé)任地使用，如何保護(hù)個(gè)人隱私，以及如何應(yīng)對(duì)可能的就業(yè)變化等。這些問(wèn)題需要科學(xué)家、政策制定者和整個(gè)社會(huì)共同思考和解決。
2024 年諾貝爾物理學(xué)獎(jiǎng)揭曉以后，一些人認(rèn)為這一獲獎(jiǎng)成果“不夠物理”。其實(shí)，換個(gè)角度想，這不僅是對(duì) Hopfield 和 Hinton 個(gè)人成就的肯定，更是對(duì)物理學(xué)在推動(dòng)人工智能發(fā)展中所起作用的認(rèn)可。隨著人工智能技術(shù)繼續(xù)發(fā)展，我們可以期待它在科學(xué)研究、工程應(yīng)用和日常生活中帶來(lái)更多突破，同時(shí)也要不斷提醒自己，更加謹(jǐn)慎、合理地應(yīng)用它去塑造未來(lái)。
策劃制作
來(lái)源丨李瑞
