这诺贝尔物理学奖颁发周二，两位科学家的发现为 ChatGPT 等广受欢迎的工具所使用的人工智能奠定了基础。

被称为“人工智能教父”的英裔加拿大人杰弗里·辛顿 (Geoffrey Hinton) 和美国物理学家约翰·霍普菲尔德 (John Hopfield) 因“使机器学习成为可能”的发现和发明而获奖。人工神经网络”，诺贝尔奖评审团说道。

但这些是什么？这一切意味着什么？以下是一些答案。

什么是神经网络和机器学习？

牛津大学机器学习专家马克·范德威尔克 (Mark van der Wilk) 告诉法新社，人工神经网络是一种数学结构，“松散地受到”人脑。

我们的大脑有一个称为神经元的细胞网络，它们通过相互发送信号来响应外部刺激（例如我们的眼睛看到的或耳朵听到的事物）。

当我们学习东西时，神经元之间的一些连接会变得更强，而另一些连接则会变弱。

与传统计算的工作方式更像是阅读菜谱不同，人工神经网络大致模仿了这个过程。

生物神经元被简单的计算（有时称为“节点”）所取代，并且它们学习的传入刺激被训练数据所取代。

这个想法是，这可以让网络随着时间的推移进行学习——这就是机器学习这个术语的由来。

霍普菲尔德发现了什么？

但在机器能够学习之前，另一个人类特征是必要的：记忆。

曾经很难记住一个单词吗？考虑一下鹅。在攻击鹅之前，你可能会循环使用类似的词——goon、good、ghoul——。

范德威尔克说：“如果给你的模式并不完全是你需要记住的东西，你就需要填补空白。”

“这就是你记住特定记忆的方式。”

这就是物理学家在 20 世纪 80 年代初开发的“霍普菲尔德网络”（也称为“联想记忆”）背后的想法。

霍普菲尔德的贡献意味着，当人工神经网络遇到稍微错误的情况时，它可以循环以前存储的模式来找到最接近的匹配。

事实证明，这是人工智能向前迈出的重要一步。

辛顿呢？

1985 年，Hinton 透露了他自己对该领域的贡献（或者至少其中之一），称为玻尔兹曼机。

该概念以 19 世纪物理学家路德维希·玻尔兹曼 (Ludwig Boltzmann) 的名字命名，引入了随机性元素。

这种随机性最终解释了为什么今天的人工智能图像生成器可以对同一提示产生无穷无尽的变化。

Hinton 还表明，网络的层数越多，“其行为就越复杂”。

法国机器学习研究员弗朗西斯·巴赫告诉法新社，这反过来又使得“有效地学习所需行为”变得更容易。

它有什么用？

尽管有这些想法，许多科学家在 20 世纪 90 年代对该领域失去了兴趣。

机器学习需要功能强大的计算机来处理大量信息。这些算法需要数百万张狗的图像才能区分狗和猫。

因此，直到 2010 年代，一波突破“彻底改变了与图像处理和相关的一切”。自然语言处理，”巴赫说。

从阅读医学扫描到指导自动驾驶汽车从预测天气到制作深度伪造品，人工智能的用途现在不胜枚举。

但这真的是物理吗？

辛顿已经获得了被誉为计算机科学界诺贝尔奖的图灵奖。

但几位专家表示，他在物理学领域当之无愧地获得了诺贝尔奖，开启了科学通向人工智能的道路。

法国研究员达米安·奎利奥兹指出，这些算法最初是“受到物理学的启发，将能量的概念移植到计算领域”。

范德威尔克表示，首个“人工智能方法论发展”诺贝尔奖表彰了物理学界以及获奖者的贡献。

虽然 ChatGPT 有时可以让人工智能看起来真正具有创造力，但记住“机器”部分很重要机器学习。

“这里没有发生任何魔法，”范德威尔克强调。

“最终，人工智能中的一切都是乘法和加法。”

© 2024 法新社