诺贝尔物理学奖,给了两位人工智能先驱

日期:10-09
辛顿人工智能新京报约翰

▲约翰·J·霍普菲尔德和杰弗里·E·辛顿。图/诺贝尔奖委员会官网

▲约翰·J·霍普菲尔德和杰弗里·E·辛顿。图/诺贝尔奖委员会官网

10月8日,2024年诺贝尔物理学奖揭晓。当天,瑞典皇家科学院宣布,将本年度诺贝尔物理学奖授予约翰·J·霍普菲尔德(JohnJ。Hopfield)和杰弗里·E·辛顿(GeoffreyE。Hinton),表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。

人工智能对于今天的人们并不陌生,而对这一前沿技术做出奠基性贡献的正是这两位科学家。他们是这一领域的先驱,有了他们的研究工作,才有人工智能今天的蓬勃发展。

霍普菲尔德的贡献是,创建了一个联想内存,后者可以存储和重建数据中的图像和其他类型的模式。辛顿则发明了一种方法,可以自主查找数据中的属性,从而执行诸如识别图片中的特定元素等任务。

诺贝尔物理学奖委员会主席艾伦·穆恩斯表示,虽然人工智能似乎不是诺贝尔物理学奖的有力竞争者,但具有学习能力的神经网络的发现及其应用是与物理学密切相关的。“这些人工神经网络已用于推动粒子物理学、材料科学和天体物理学等各种物理学主题的研究。”

扩展人类的智力和能力

20世纪80年代,霍普菲尔德研发了一个网络,用一种方法来保存和重新创建模式。这个网络相当于物理学中自旋系统中的能量,并通过查找节点之间的连接值进行训练,而节点就相当于像素。当这个网络收到失真或不完整的图像时,它会有条不紊地通过节点并更新它们的值。因此,网络能逐步找到它所保存的最相似图片。

辛顿则利用霍普菲尔德网络来使用物理工具,如使用玻尔兹曼机。由此可以学习识别给定数据类型中的特征元素,辛顿通过向机器提供规范示例来训练机器。而玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型。辛顿以这项工作为基础,帮助启动了当前机器学习突飞猛进的发展。

霍普菲尔德和辛顿创建人工神经网络的灵感源自人脑。人的脑细胞(神经元)构成了一个复杂、高度互联的网络,并能互相发送生物电信号,帮助人类处理纷繁复杂的信息。人工神经网络则由人工神经元组成,它们共同合作以解决问题。

实际上,人工神经网络就是一种人工智能方法,用来教会计算机以人脑的方式处理数据。机器学习过程也称为深度学习,类似于人脑的分层结构中的互连节点或神经元。机器学习可以创建自适应系统,计算机使用该系统从错误中进行学习并不断改进。

因此,人工神经网络可以完成多种工作,并能尝试解决复杂的问题,从而扩展人类的智力和能力。

现在人们熟知的大型语言模型(LLM)就是基于大量数据进行预训练的超大型深度学习模型。其底层转换器是一组神经网络,这些神经网络由具有自注意力功能的编码器和解码器组成。编码器和解码器从一系列文本中提取含义,并理解其中的单词和短语之间的关系,以及语法。OpenAI的GPT系列,就是大语言模型的典型代表。

人工神经网络用途广泛

人工神经网络并非只用于数据处理,而是有广泛的用途,相当于扩大了数亿人的大脑功能。人工神经网络可以进行归纳和推理,帮助做出正确的决策,因为它们可以学习非线性和复杂的输入数据与输出数据之间的关系,并为其建模。

人工神经网络还可以完成一系列任务,通过医疗影像分类进行诊断,通过社交网络筛选和行为数据分析进行有针对性的营销,通过处理金融工具的历史数据进行金融预测等。

同时,人工神经网络也具有计算机视觉,是拥有从图像和视频中提取信息并决策的能力。而借助人工神经网络,计算机可以区分和识别与人类相似的图像,因而可以应用到多个领域。

比如,自动驾驶汽车中的视觉识别,使汽车能够识别道路标志和其他道路使用者;用于内容审核,从图像和视频归档中自动删除不安全或不适当的内容;用于面部识别,以进行安全保障;还可以进行语音识别,并模拟某个特定个体(如明星、政治人物)等的音调、语气、语言和口音,当然,这也为诈骗提供了基础。

人工神经网络为机器学习奠定了基础,使得人工智能成为可能,由此也将人的有限能力扩大、深化和发展为趋近无限,进而提升经济和发展文明,让人类社会更加美好。

因此,2024年诺贝尔物理学奖授予这一基础发现和发明,可谓独具慧眼。

撰稿/张田勘(科普作者)

责任编辑:刘德宾

美媒:大选临近,美国最高法院首席大法官陷入两难境地 美媒:美官员透露,近几周拜登政府愈加不信任以方涉军事和外交计划言论
相关阅读: