2024年諾貝爾物理學(xué)獎出人意料地授予了兩位人工智能領(lǐng)域的“老前輩”：美國普林斯頓大學(xué)的約翰·霍普菲爾德（John J.Hopfield）和加拿大多倫多大學(xué)的杰弗里·辛頓（Geoffrey E.Hinton），以表彰他們“為利用人工神經(jīng)網(wǎng)絡(luò)進行機器學(xué)習(xí)做出的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”。杰弗里·辛頓在得知自己獲得2024年諾貝爾物理學(xué)獎時也大吃一驚：“如果有諾貝爾計算機學(xué)獎，我們的成果明顯會更合適。”那么，兩位人工智能先驅(qū)為何能摘取諾貝爾物理學(xué)獎的桂冠呢？作為計算機技術(shù)的人工神經(jīng)網(wǎng)絡(luò)到底與物理學(xué)有何關(guān)系？

利用物理學(xué)工具訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)

人工智能，這一術(shù)語如今已成為使用人工神經(jīng)網(wǎng)絡(luò)進行機器學(xué)習(xí)的代名詞，而這項技術(shù)，正是由霍普菲爾德和辛頓基于大腦的結(jié)構(gòu)而開發(fā)的。大腦主要由神經(jīng)元和神經(jīng)膠質(zhì)細胞組成，而人工神經(jīng)網(wǎng)絡(luò)則由具有不同值的節(jié)點組成。大腦的神經(jīng)元通過突觸進行交流，而人工神經(jīng)網(wǎng)絡(luò)則通過節(jié)點連接相互影響。因此，通過增強節(jié)點之間的連接，我們可以訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，就像訓(xùn)練大腦一樣。

20世紀80年代，人工智能技術(shù)還處于萌芽階段，科學(xué)家嘗試讓機器模擬大腦的工作方式，但進展緩慢。物理學(xué)家霍普菲爾德在觀察神經(jīng)元如何協(xié)同工作時，發(fā)現(xiàn)了一個有趣的現(xiàn)象：神經(jīng)元之間的相互作用可以類比為物理學(xué)中自旋系統(tǒng)的相互作用。他受此啟發(fā)，提出了霍普菲爾德網(wǎng)絡(luò)模型，用來解釋大腦如何存儲和提取記憶。在霍普菲爾德的網(wǎng)絡(luò)中，記憶被存儲為網(wǎng)絡(luò)的“穩(wěn)定狀態(tài)”，而這些穩(wěn)定狀態(tài)可以通過輸入的噪聲數(shù)據(jù)進行回憶。這個模型不僅為神經(jīng)網(wǎng)絡(luò)研究帶來了新的思路，也讓物理學(xué)思想走入了人工智能世界。

辛頓的研究建立在“霍普菲爾德網(wǎng)絡(luò)”基礎(chǔ)之上，他構(gòu)建了一種使用不同方法的新網(wǎng)絡(luò)—玻爾茲曼機。它能夠?qū)W習(xí)識別給定類型數(shù)據(jù)中的特征元素。在研究中，辛頓運用統(tǒng)計物理學(xué)原理，通過輸入機器運行時可能出現(xiàn)的示例對其進行訓(xùn)練。玻爾茲曼機可用于多種任務(wù)，包括對圖像進行分類創(chuàng)建訓(xùn)練模式類型的新示例。辛頓在此基礎(chǔ)上進行了拓展，推動了當(dāng)前機器學(xué)習(xí)的爆炸式發(fā)展。

從科學(xué)的角度看，霍普菲爾德和辛頓的貢獻不僅僅是對機器學(xué)習(xí)的推動，它們在根本上反映了物理學(xué)工具的普適性。正如霍普菲爾德曾在接受采訪時所說：“物理學(xué)的方法能夠讓我們看到更廣闊的世界，而這個世界不僅僅是物質(zhì)的世界，也包括信息的世界?！?/p>

兩名獲獎?wù)叩难芯繉θ祟惖呢暙I

諾貝爾獎委員會在一份聲明中稱：“盡管計算機無法思考，但現(xiàn)在，機器已經(jīng)可以模仿人的記憶并具備學(xué)習(xí)等功能。今年的物理學(xué)獎得主為實現(xiàn)這一目標做出了貢獻。”

霍普菲爾德網(wǎng)絡(luò)模型和辛頓的玻爾茲曼機不僅僅是算法，它們是通過物理學(xué)的方法論深入挖掘數(shù)據(jù)和信息的內(nèi)在規(guī)律。這種結(jié)合不但開啟了現(xiàn)代機器學(xué)習(xí)的大門，也為未來的科技創(chuàng)新提供了關(guān)鍵基石。目前，霍普菲爾德和辛頓的研究已經(jīng)成為人工智能領(lǐng)域不可或缺的理論基礎(chǔ)。無論是在計算機視覺（如圖像識別）、自然語言處理（如機器翻譯）還是自動駕駛等領(lǐng)域，他們提出的神經(jīng)網(wǎng)絡(luò)模型和算法都發(fā)揮著至關(guān)重要的作用。辛頓的深度學(xué)習(xí)模型為諸如深度卷積神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)的發(fā)展提供了理論和算法支持，使這些模型能夠在各種復(fù)雜任務(wù)中表現(xiàn)出卓越的性能。由于他們的貢獻，人工智能領(lǐng)域的許多難題得到了有效解決，特別是在大規(guī)模數(shù)據(jù)集的特征學(xué)習(xí)、模式識別和預(yù)測能力上，為現(xiàn)今人工智能技術(shù)的發(fā)展提供了堅實的基礎(chǔ)。

霍普菲爾德的工作不僅擴展了統(tǒng)計物理學(xué)的邊界，還創(chuàng)建了一種新的思考大腦計算的語言，對神經(jīng)網(wǎng)絡(luò)的動力學(xué)有了更深入的理解?；谠谶@一領(lǐng)域的杰出貢獻，霍普菲爾德曾獲2022年玻爾茲曼獎。辛頓則是機器學(xué)習(xí)領(lǐng)域的領(lǐng)軍人物，他曾于2018年獲得計算機領(lǐng)域的最高獎—圖靈獎。

兩位獲獎?wù)邠?dān)心 會反噬人類

作為2024年諾貝爾物理學(xué)獎的得主，霍普菲爾德和辛頓不僅因為他們在人工智能和機器學(xué)習(xí)方面的科學(xué)貢獻而備受認可，也因他們對人工智能未來的深度思考和警示而備受關(guān)注。

辛頓曾公開表達了對人工智能的擔(dān)憂。他擔(dān)心人工智能技術(shù)像一匹脫韁的野馬，一旦落入壞人之手，將對人類造成威脅。2023年他從谷歌公司辭職，以便更自由地發(fā)表對人工智能發(fā)展可能帶來負面影響的看法。

霍普菲爾德也表達了對人工智能潛力和局限性的深切擔(dān)憂。他在普林斯頓大學(xué)的新聞發(fā)布會上指出，人工智能的雙重特性令人不安，這種技術(shù)既有可能為人類帶來巨大的利益，也可能帶來相應(yīng)的危害。

霍普菲爾德和辛頓共同擔(dān)心的問題：隨著人工智能的發(fā)展，其復(fù)雜性逐漸增加，這使得人類在面對這些系統(tǒng)的表現(xiàn)時可能失去控制。人工智能具有自我學(xué)習(xí)和進化的能力，因此當(dāng)它的復(fù)雜性增加到一定程度時，其行為可能會超出人類的理解和預(yù)測能力。當(dāng)人工智能擁有足夠的數(shù)據(jù)和計算能力時，它可以通過不斷改進自己的算法，變得越來越智能，甚至可能不再需要人類的指導(dǎo)。這種情況可能會導(dǎo)致一種“技術(shù)奇點”，即人工智能的能力超越人類，從而使人類難以再對其進行有效的控制。這種“技術(shù)奇點”的到來是人類社會必須認真應(yīng)對的重大挑戰(zhàn)。

針對這些擔(dān)憂，辛頓和霍普菲爾德都呼吁采取更為謹慎的政策來引導(dǎo)人工智能的發(fā)展。辛頓建議，政府和企業(yè)應(yīng)建立嚴格的倫理準則和監(jiān)管框架，以確保人工智能的開發(fā)和應(yīng)用不偏離其原本造福人類的初衷。他強調(diào)，人工智能技術(shù)的發(fā)展應(yīng)以人類的福祉為中心，避免為了追求效率和利潤而忽視其可能帶來的負面影響。

【責(zé)任編輯】蒲 暉