2024年诺贝尔物理学奖授予两位人工智能研究先驱

深圳新闻网2024年10月9日讯（记者 刘惠敏）瑞典皇家科学院当地时间10月8日宣布，将2024年诺贝尔物理学奖授予美国普林斯顿大学教授约翰·J·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学教授杰弗里·E·辛顿（Geoffrey E. Hinton），以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。

图片来源：诺贝尔奖委员会官网

“我该怎么确定这不是一个诈骗电话呢？”

杰弗里·辛顿凌晨时在加州的一家酒店房间里接到了来自斯德哥尔摩的电话。虽然第一反应是想要确定这是不是一个恶意电话，但电话那头多位工作人员的瑞典口音让他最终确信，自己的确获得了今年的诺贝尔物理学奖。他在新闻发布会上接受电话连线时表示，他甚至不知道自己被提名了诺贝尔物理学奖，对获奖消息感到非常惊讶。

“我住在加州一家廉价酒店里，没有网络，电话线也不太好。我原本计划今天去做核磁共振扫描，但我想我得取消了。”他说道。

今年的两位诺贝尔物理学奖得主自20世纪80年代起就开展起了与物理学相关的人工神经网络的重要工作，利用物理学工具开发出的方法，为机器学习的发展奠定了基础。约翰·霍普菲尔德提出了一种后来被称为“霍普菲尔德神经网络（Hopfield neural network）”的人工神经网络模型，而杰弗里·辛顿在人工智能领域的名声则更加响亮一些。辛顿作为反向传播算法和对比散度算法（Contrastive Divergence）的发明人之一，也是深度学习的积极推动者，他的工作为现代机器学习技术的发展以及包括ChatGPT在内的许多现代AI应用奠定了基础，被视为AI技术发展的重要推动者之一，被誉为“AI教父”“深度学习之父”。值得一提的是，辛顿也是历史上首位同时获得诺贝尔物理学奖和图灵奖的双料得主。

诺贝尔物理委员会主席埃伦·蒙斯（Ellen Moons）表示，“获奖者的工作已经产生了巨大的效益。在物理学领域，我们将人工神经网络应用于广泛的领域，例如开发具有特定属性的新材料。”

诺贝尔物理学奖为何颁给机器学习？

许多人已经体验到计算机在翻译语言、解析图像乃至开展合理对话等方面的能力，以及近几年ChatGPT等人工智能大模型技术的发展。AI模型背后的关键技术，正是机器学习。过去十五至二十年间，机器学习领域经历了爆炸式的增长，这一进步很大程度上得益于人工神经网络的发展。当提到人工智能（AI）时，通常指的就是这种基于人工神经网络的机器学习技术。

不同于传统软件接收数据、根据清晰的描述进行处理并产生结果，在机器学习中，计算机通过示例进行学习，能够解决过于模糊和复杂而无法通过分步说明进行管理的问题。虽然计算机无法思考，但机器现在可以模仿记忆和学习等功能，要归功于今年诺贝尔物理学奖得主的创造性工作。他们利用物理学的基本概念和方法，开发了利用网络结构处理信息的技术。

在人工神经网络中，模仿大脑的神经元由具有不同值的节点表示。这些节点通过类似于突触的连接相互影响，这些连接可以变强或变弱。在同时具有高数值的节点之间建立更强的连接，就可以对网络进行训练。

图片来源：Johan Jarnestad/瑞典皇家科学院

霍普菲尔德之前曾利用他的物理学背景探索分子生物学的理论问题。在接触到了对大脑结构的研究之后，他利用物理学创建出了一个具有节点和连接的人工神经网络“霍普菲尔德神经网络”，它能够存储和重建图像以及数据中的其他类型模式。

在理解过程中，我们可以将节点想象成像素。“霍普菲尔德神经网络”利用了物理学中用于描述材料由于原子自旋而产生的特性，这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，并通过寻找节点之间连接的值来进行训练，以便保存的图像具有较低的能量。当输入扭曲或不完整的图像时，“霍普菲尔德网络”会遍历节点并更新它们的值，从而降低网络的能量，从而逐步找到与输入的不完美图像最相似的已保存图像。

图片来源：Johan Jarnestad/瑞典皇家科学院

杰弗里·辛顿在霍普菲尔德网络的基础上，创建了一个采用不同方法的新网络——“玻尔兹曼机（Boltzmann Machine）”。玻尔兹曼机利用了统计物理学的概念，通过调整网络内部连接的权重来学习数据分布，进而能够学习识别给定类型数据中的特征元素，生成与训练数据相似的新样本。也就是说，经过训练的玻尔兹曼机能够识别出它之前未见过的信息中的熟悉特征。想象一下，当一个人遇到朋友的兄弟姐妹时，这个人就能看出他们一定是亲戚。同样的道理是，如果一个全新的示例属于训练材料中的某个类别，玻尔兹曼机也能识别它，并将其与不相似的材料区分开来。玻尔兹曼机通常用作大型网络的一部分，比如用于根据观众的喜好推荐电影或电视剧。

近年以来的机器学习的发展，是通过训练大量网络数据以及计算能力的大幅提升而实现的。如今，人工神经网络通常由多层构成，被称为深度神经网络，其训练方式称为深度学习。霍普菲尔德和辛顿的工作为后续的深度学习技术，如深度信念网络和卷积神经网络的发展奠定了基础。

图片来源：Johan Jarnestad/瑞典皇家科学院

物理学为机器学习的发展贡献了工具，而物理学也受益于人工神经网络的发展。长期以来，机器学习一直应用于各大研究领域。从以前的诺贝尔物理学奖中可以看出，包括使用机器学习来筛选和处理发现希格斯粒子所需的大量数据，以及降低碰撞黑洞引力波测量中的噪声、寻找系外行星，都有机器学习技术的影子。该技术也开始用于计算和预测分子和材料的特性，例如计算决定其功能的蛋白质分子结构，或确定哪种新材料可能具有最佳特性，以用于更高效的太阳能电池。

在接受电话连线时，辛顿指出，人工智能将对人类社会产生“巨大影响”，“它将与工业革命相媲美。但它不是在体力上超越人类，而是在智力上超越人类。我们不知道比我们更聪明的东西是什么样子。”同时，辛顿也提醒注意人工智能的潜在风险，“我们也必须担心一些可能出现的不良后果，尤其是这些东西失控的威胁。”

蒙斯也在新闻发布会上强调，虽然机器学习有着巨大的好处，但是它的快速发展也引发了对未来的担忧，人类有责任以安全和合乎道德的方式来使用这项新技术，给人类带来最大利益。