人工智慧獲諾貝爾物理學獎？這合理嗎？

Hopfield 和 Hinton 的工作為設計更有效的學習算法和模型結構提供了理論基礎，極大地推動了機器學習的發展。他們的貢獻使得今天的人工智慧系統能夠執行從語言翻譯到醫學診斷等各種複雜任務，讓強大而多樣的人工智慧技術在從科學研究到日常生活的方方面面中發揮作用。

從大腦到計算機：

人工神經網絡的誕生

剛才我們講解了機器學習的籠統思想，然而要理解這項發現的重要性，我們還需要再了解以下人工神經網絡的基本概念。

想像一下，我們的大腦是由數十億個神經細胞（又稱神經元）組成的複雜網絡。這些神經元通過被稱為突觸的連接相互通信。當我們學習新知識時，某些神經元之間的連接會變強，而其他連接可能變弱。

科學家們受到這種結構的啟發，創造了人工神經網絡。

在這種網絡中，電腦程式模仿了大腦的結構。它由許多相互連接的「節點」（模仿神經元）組成，這些節點之間的連接強度可以調整（模仿突觸）。這種結構允許計算機通過例子來學習，而不是按照預設的指令運行。

神經網絡藝術插畫（圖片來源：諾貝爾獎委員會官網）

兩位科學家的關鍵貢獻

John Hopfield 在 1982 年提出了一種新型的人工神經網絡，現在被稱為「Hopfield 網絡」。該網絡的特別之處在於它能夠存儲和重建信息模式，類似於人類的聯想記憶。

想像你在試圖回憶一個不常用的單詞，你可能會先想到一些相似的詞，再最終找到正確的那個。Hopfield 網絡的工作方式與此類似，當給予網絡一個不完整或輕微扭曲的信息時，它能夠找到最相似的存儲信息。這種能力使得 Hopfield 網絡可以用於修復損壞的數據，比如去除圖片中的噪點。

Geoffrey Hinton 則在 1985 年提出了一種稱為「玻爾茲曼機」的新型網絡。這個網絡的獨特之處在於它能夠自主學習數據中的特徵，而無需人為指定這些特徵。這一點類似於嬰兒學習識別貓和狗的過程——他們不需要詳細的解釋，只需要看到足夠多的例子就能自己總結出區別。

玻爾茲曼機的這種能力使得機器能夠處理更複雜的任務。例如，它可以學習識別手寫數字，即使每個人的書寫風格都千人千面。更重要的是，Hinton 的工作為後來深度學習技術的發展奠定了基礎。深度學習是當今許多人工智慧依據的核心技術。

從理論到實踐：

人工智慧的現在和未來

Hopfield 和 Hinton 的工作為後來的機器學習革命奠定了基礎。今天，基於他們理論所發展的技術已經在我們的日常生活中無處不在。當你使用手機進行人臉解鎖、向虛擬助手提問或者使用在線翻譯工具時，都在間接使用這些技術。

在科學研究中，這些技術也發揮著越來越重要的作用。例如，它們被用於分析天文數據以發現新的行星，預測蛋白質的結構以幫助開發新藥，甚至幫助物理學家處理大型強子對撞機產生的海量數據。

然而，隨著人工智慧技術的快速發展，我們也面臨著新的挑戰。例如，如何確保這些技術被負責任地使用，如何保護個人隱私，以及如何應對可能的就業變化等。這些問題需要科學家、政策制定者和整個社會共同思考和解決。

2024 年諾貝爾物理學獎揭曉以後，一些人認為這一獲獎成果「不夠物理」。其實，換個角度想，這不僅是對 Hopfield 和 Hinton 個人成就的肯定，更是對物理學在推動人工智慧發展中所起作用的認可。隨著人工智慧技術繼續發展，我們可以期待它在科學研究、工程應用和日常生活中帶來更多突破，同時也要不斷提醒自己，更加謹慎、合理地應用它去塑造未來。

策劃製作

來源丨李瑞

作者丨中國科普博覽

責編丨鍾艷平

審校丨徐來 林林