這諾貝爾物理學獎頒發週二，兩位科學家的發現為 ChatGPT 等廣受歡迎的工具所使用的人工智慧奠定了基礎。

被稱為「人工智慧教父」的英裔加拿大人傑弗裡·辛頓(Geoffrey Hinton) 和美國物理學家約翰·霍普菲爾德(John Hopfield) 因「使機器學習成為可能」的發現和發明而獲獎。人工神經網絡”，諾貝爾獎評審團說。

但這些是什麼？以下是一些答案。

什麼是神經網路和機器學習？

牛津大學機器學習專家馬克·范德威爾克 (Mark van der Wilk) 告訴法新社，人工神經網路是一種數學結構，“鬆散地受到”人腦。

我們的大腦有一個稱為神經元的細胞網絡，它們透過相互發送訊號來回應外部刺激（例如我們的眼睛看到的或耳朵聽到的事物）。

當我們學習東西時，神經元之間的一些連接會變得更強，而另一些連接則會變弱。

與傳統運算的工作方式更像是閱讀食譜不同，人工神經網路大致模仿了這個過程。

生物神經元被簡單的計算（有時稱為“節點”）所取代，並且它們學習的傳入刺激被訓練資料所取代。

這個想法是，這可以讓網路隨著時間的推移進行學習——這就是機器學習這個術語的由來。

霍普菲爾德發現了什麼？

但在機器能夠學習之前，另一個人類特徵是必要的：記憶。

曾經很難記住一個單字嗎？考慮一下鵝。在攻擊鵝之前，你可能會循環使用類似的字眼——goon、good、ghoul——。

范德威爾克說：“如果給你的模式並不完全是你需要記住的東西，你就需要填補空白。”

“這就是你記住特定記憶的方式。”

這就是物理學家在 20 世紀 80 年代初開發的「霍普菲爾德網絡」（也稱為「聯想記憶」）背後的想法。

霍普菲爾德的貢獻意味著，當人工神經網路遇到稍微錯誤的情況時，它可以循環先前儲存的模式來找到最接近的匹配。

事實證明，這是人工智慧向前邁出的重要一步。

辛頓呢？

1985 年，Hinton 透露了他自己對該領域的貢獻（或至少其中之一），稱為玻爾茲曼機。

這個概念以 19 世紀物理學家路德維希·玻爾茲曼 (Ludwig Boltzmann) 的名字命名，引入了隨機性元素。

這種隨機性最終解釋了為什麼今天的人工智慧影像產生器可以對相同提示產生無窮無盡的變化。

Hinton 也表明，網路的層數越多，「其行為就越複雜」。

法國機器學習研究員弗朗西斯·巴赫告訴法新社，這反過來又使得「有效地學習所需行為」變得更容易。

它有什麼用？

儘管有這些想法，許多科學家在 20 世紀 90 年代對該領域失去了興趣。

機器學習需要功能強大的計算機來處理大量資訊。這些演算法需要數百萬張狗的圖像才能區分狗和貓。

因此，直到 2010 年代，一波突破「徹底改變了與影像處理和相關的一切」。自然語言處理，」巴赫說。

從閱讀醫學掃描到指導自動駕駛汽車從預測天氣到製作深度偽造品，人工智慧的用途現在不勝枚舉。

但這真的是物理嗎？

辛頓已經獲得了被譽為電腦科學界諾貝爾獎的圖靈獎。

但幾位專家表示，他在物理學領域當之無愧地獲得了諾貝爾獎，開啟了科學通往人工智慧的道路。

法國研究員達米安·奎利奧茲指出，這些演算法最初是「受到物理學的啟發，將能量的概念移植到計算領域」。

范德威爾克表示，首個「人工智慧方法論發展」諾貝爾獎表彰了物理學界以及獲獎者的貢獻。

雖然 ChatGPT 有時可以讓人工智慧看起來真正具有創造力，但記住「機器」部分很重要機器學習。

「這裡沒有發生任何魔法，」范德威爾克強調。

“最終，人工智慧中的一切都是乘法和加法。”

© 2024 法新社