這2024 年諾貝爾物理學獎因「透過人工神經網路實現機器學習的基礎性發現和發明」而被授予科學家約翰·霍普菲爾德（John Hopfield）和傑弗裡·辛頓（Geoffrey Hinton）。

受到物理學和生物學思想的啟發，霍普菲爾德和辛頓開發了可以記憶數據模式並從中學習的電腦系統。儘管他們從未直接合作，但他們以彼此的工作為基礎，為當前機器學習和應用領域的繁榮奠定了基礎。人工智慧(人工智慧).

什麼是神經網路？（它們與物理學有什麼關係？）

人工神經網路是我們今天使用的大部分人工智慧技術的背後。

就像你的大腦一樣神經元細胞人工神經網路透過突觸連接，具有以各種配置連接的數位神經元。每個神經元的作用都不大。相反，神奇之處在於它們之間聯繫的模式和強度。

人工神經網路中的神經元由輸入訊號「激活」。這些活化以可以轉換和處理輸入訊息的方式從一個神經元級聯到下一個神經元。因此，網路可以執行分類、預測和決策等計算任務。

機器學習的大部分歷史都是在尋找更複雜的方法來形成和更新人工神經元之間的連結。

雖然將節點系統連接在一起以儲存和處理資訊的基本思想來自生物學，但用於形成和更新這些連結的數學來自物理學。

能記住的網絡

約翰·霍普菲爾德（John Hopfield，1933 年出生）是一位美國理論物理學家，在其職業生涯中在生物物理學領域做出了重要貢獻。然而，諾貝爾物理學獎是因為他的工作開發霍普菲爾德網絡1982年。

Hopfield 網路是最早的網路之一人工神經網絡。受神經生物學和分子物理學原理的啟發，這些系統首次演示了電腦如何使用節點「網路」來記憶和回憶資訊。

霍普菲爾德開發的網路可以記憶資料（例如黑白影像的集合）。當網路被提示類似的圖像時，這些圖像可以透過關聯來「回憶」。

雖然實際用途有限，但 Hopfield 網路證明這種類型的人工神經網路可以以新的方式儲存和檢索資料。他們為辛頓後來的工作奠定了基礎。

可以學習的機器

Geoff Hinton（生於 1947 年），有時被稱為“人工智慧教父”，是一位英裔加拿大計算機科學家，在該領域做出了多項重要貢獻。2018 年，他與Yoshua Bengio 和Yann LeCun 一起被授予圖靈獎（計算機科學領域的最高榮譽），以表彰他在整體上推進機器學習，特別是它的一個分支，即深度學習。

然而，諾貝爾物理學獎專門獎勵他與 Terrence Sejnowski 和其他同事在 1984 年的工作，開發了波茲曼機。

這些是 Hopfield 網路的擴展，展示了機器學習的概念——該系統讓電腦不向程式設計師學習，而是從資料範例中學習。辛頓借鑒了統計物理學能量動力學的思想，展示了這種早期的生成電腦模型如何透過展示要記住的事情的例子來學習隨著時間的推移儲存數據。

玻爾茲曼機與之前的霍普菲爾德網絡一樣，並沒有立即得到實際應用。然而，修改後的形式（稱為受限玻爾茲曼機）在某些應用問題中很有用。

更重要的是人工神經網路可以從數據中學習的概念突破。辛頓繼續發展這個想法。後來他發表了有影響力的論文反向傳播（現代使用的學習過程機器學習系統）和卷積神經網絡（當今用於處理影像和視訊資料的人工智慧系統的主要神經網路類型）。

為什麼現在要這個獎？

與當今人工智慧的壯舉相比，霍普菲爾德網路和玻爾茲曼機器似乎異想天開。Hopfield 的網絡只包含 30 個神經元（他試圖製作一個包含 100 個節點的網絡，但這對於當時的計算資源來說太多了），而 ChatGPT 等現代系統可以擁有數百萬個神經元。然而，今天的諾貝爾獎強調了這些早期貢獻對該領域的重要性。

雖然人工智慧領域最近的快速進展（我們大多數人都熟悉 ChatGPT 等生成式人工智慧系統）似乎為神經網路的早期支持者辯護，但 Hinton 至少表達了擔憂。2023 年，在辭去了在Google人工智慧部門長達十年的工作後，他表示自己被發展速度嚇到並加入了越來越多的呼籲更加積極主動的人工智慧監管的聲音。

辛頓獲得諾貝爾獎後說人工智慧將“像工業革命一樣，但它將超越我們的智力能力，而不是我們的物理能力。”他還表示，他仍然擔心他的工作的後果可能是「比我們更聰明的系統最終可能會佔據控制權」。

本文轉載自對話根據知識共享許可。閱讀原創文章。