人类大脑拥有数十亿个相互连接的神经元，从而产生意识，通常被认为是已知宇宙中最强大和最灵活的计算机。然而，几十年来，科学家们一直试图通过模拟大脑自适应计算能力的方法——机器学习方法来改变这一现状。2024年诺贝尔物理学奖于周二授予美国科学家约翰·霍普菲尔德和英国-加拿大科学家杰弗里·辛顿，他们都利用物理学工具开发了人工神经网络，为当今许多最先进的人工智能应用奠定了基础。
辛顿在加利福尼亚州通过电话接受瑞典皇家科学院采访时表示，得知自己获奖时“惊呆了”。在为推进人工智能努力了几十年之后，他现在已成为更完善的安全措施的最杰出倡导者之一。去年，他辞去了在谷歌的一个有影响力的职位，以便更自由地谈论这项技术的风险。“[人工智能]将与工业革命相提并论，”他在接受科学院电话采访时说。“但它超越人类的不是体力，而是智力。我们没有经历过比我们更聪明的事物是什么样的，在许多方面它将是美好的……但我们也必须担心许多可能造成的坏后果，特别是这些事物失控的威胁。”
人工神经网络试图通过使用具有不同值的节点作为神经元的替代品来模拟大脑的认知功能。这些节点形成连接网络，类似于大脑的自然神经突触，可以通过对任意数据集进行训练来增强或减弱。这种自适应反应使人工神经网络能够更好地识别数据中的模式，并对未来做出后续预测——也就是说，无需显式编程即可学习。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您将有助于确保关于塑造我们当今世界的发现和想法的具有影响力的故事的未来。
“这个诺贝尔奖表彰了受生物学和更广泛的生物物理学领域启发的物理学，”加州大学默塞德分校教授兼生物物理学家阿杰伊·戈皮纳坦说。“在这里，这种界面促成了我们对这些领域的理解以及计算机科学和人工智能应用方面的一些真正变革性的进步。”
在 20 世纪 80 年代初期，现任普林斯顿大学荣誉教授的霍普菲尔德和他的同事们设计并改进了一种人工神经网络——所谓的霍普菲尔德网络——其灵感来自原子自旋物理学。事实证明，该方法对于以一种被认为模仿人类大脑的方式存储、检索和重建模式具有变革意义。
霍普菲尔德网络的运作可以想象成球在山丘和山谷的地形上滚动，其中节点之间的连接形成地形轮廓；网络通过找到最小化能量差异的连接值来训练。在 1987 年版的《大众科学》中描述该过程，霍普菲尔德和他的合著者解释说，该网络“通过遵循一条减少计算能量的路径进行计算，直到路径到达山谷底部，就像雨滴下山以最小化其重力势能一样。” 事实证明，该技术广泛适用于一系列优化问题——在这些数学难题中，从大量可能性中选择一个理想的解决方案。
现任多伦多大学荣誉教授的辛顿与他的同事合作，改进了霍普菲尔德的方法，使其成为更复杂的人工神经网络——玻尔兹曼机的基础，该机器利用多个节点层之间的反馈来推断训练数据中模式的统计分布。至关重要的是，这种更先进的人工神经网络可以使用“隐藏”节点层来捕获和纠正计算错误，而不会产生过高的计算成本。辛顿的方法擅长模式识别，例如，可用于对图像进行分类或创建观察到的模式的新颖详细阐述。
辛顿在 1992 年为《大众科学》撰写的一篇文章中总结了该方法的核心思想和可能的应用，他在文章中预测，受生物学启发的机器学习最终将导致“人工神经网络的许多新应用”。如今，这项技术已帮助推动了人工智能的持续爆炸式发展，人工智能正在改变我们社会的无数领域。
“人工神经网络在某种意义上模仿了生物神经元，即它们接收信息片段（类似于生物神经元的化学信号），计算这些信息片段的加权总和（考虑输入在‘决策’过程中的重要性），并产生输出（类似于神经元放电或静止），”马萨诸塞大学洛厄尔分校副教授兼机器学习专家杰罗姆·德尔霍梅尔说。“机器学习模型可以从数据中学习复杂的相互依赖关系，对给定功能的材料的理想组成进行预测，甚至发现复杂系统中尚未知的控制方程。机器学习有望为物理学做出巨大贡献。”
瑞典卡尔斯塔德大学教授兼诺贝尔物理学委员会主席艾伦·穆恩斯在周二于斯德哥尔摩举行的新闻发布会上发表讲话时，描述了这些发展的前景和危险。“获奖者的发现和发明构成了机器学习的基石，可以帮助人类做出更快、更可靠的决策——例如，在诊断疾病时。然而，虽然机器学习具有巨大的好处，但其快速发展也引发了对我们未来的担忧。人类共同承担着以安全和合乎道德的方式使用这项新技术，为人类带来最大利益的责任。”