人類大腦擁有數十億個相互連線的神經元，從而產生意識，通常被認為是已知宇宙中最強大和最靈活的計算機。然而，幾十年來，科學家們一直試圖透過模擬大腦自適應計算能力的方法——機器學習方法來改變這一現狀。2024年諾貝爾物理學獎於週二授予美國科學家約翰·霍普菲爾德和英國-加拿大科學家傑弗裡·辛頓，他們都利用物理學工具開發了人工神經網路，為當今許多最先進的人工智慧應用奠定了基礎。
辛頓在加利福尼亞州透過電話接受瑞典皇家科學院採訪時表示，得知自己獲獎時“驚呆了”。在為推進人工智慧努力了幾十年之後，他現在已成為更完善的安全措施的最傑出倡導者之一。去年，他辭去了在谷歌的一個有影響力的職位，以便更自由地談論這項技術的風險。“[人工智慧]將與工業革命相提並論，”他在接受科學院電話採訪時說。“但它超越人類的不是體力，而是智力。我們沒有經歷過比我們更聰明的事物是什麼樣的，在許多方面它將是美好的……但我們也必須擔心許多可能造成的壞後果，特別是這些事物失控的威脅。”
人工神經網路試圖透過使用具有不同值的節點作為神經元的替代品來模擬大腦的認知功能。這些節點形成連線網路，類似於大腦的自然神經突觸，可以透過對任意資料集進行訓練來增強或減弱。這種自適應反應使人工神經網路能夠更好地識別資料中的模式，並對未來做出後續預測——也就是說，無需顯式程式設計即可學習。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您將有助於確保關於塑造我們當今世界的發現和想法的具有影響力的故事的未來。
“這個諾貝爾獎表彰了受生物學和更廣泛的生物物理學領域啟發的物理學，”加州大學默塞德分校教授兼生物物理學家阿杰伊·戈皮納坦說。“在這裡，這種介面促成了我們對這些領域的理解以及計算機科學和人工智慧應用方面的一些真正變革性的進步。”
在 20 世紀 80 年代初期，現任普林斯頓大學榮譽教授的霍普菲爾德和他的同事們設計並改進了一種人工神經網路——所謂的霍普菲爾德網路——其靈感來自原子自旋物理學。事實證明，該方法對於以一種被認為模仿人類大腦的方式儲存、檢索和重建模式具有變革意義。
霍普菲爾德網路的運作可以想象成球在山丘和山谷的地形上滾動，其中節點之間的連線形成地形輪廓；網路透過找到最小化能量差異的連線值來訓練。在 1987 年版的《大眾科學》中描述該過程，霍普菲爾德和他的合著者解釋說，該網路“透過遵循一條減少計算能量的路徑進行計算，直到路徑到達山谷底部，就像雨滴下山以最小化其重力勢能一樣。” 事實證明，該技術廣泛適用於一系列最佳化問題——在這些數學難題中，從大量可能性中選擇一個理想的解決方案。
現任多倫多大學榮譽教授的辛頓與他的同事合作，改進了霍普菲爾德的方法，使其成為更復雜的人工神經網路——玻爾茲曼機的基礎，該機器利用多個節點層之間的反饋來推斷訓練資料中模式的統計分佈。至關重要的是，這種更先進的人工神經網路可以使用“隱藏”節點層來捕獲和糾正計算錯誤，而不會產生過高的計算成本。辛頓的方法擅長模式識別，例如，可用於對影像進行分類或建立觀察到的模式的新穎詳細闡述。
辛頓在 1992 年為《大眾科學》撰寫的一篇文章中總結了該方法的核心思想和可能的應用，他在文章中預測，受生物學啟發的機器學習最終將導致“人工神經網路的許多新應用”。如今，這項技術已幫助推動了人工智慧的持續爆炸式發展，人工智慧正在改變我們社會的無數領域。
“人工神經網路在某種意義上模仿了生物神經元，即它們接收資訊片段（類似於生物神經元的化學訊號），計算這些資訊片段的加權總和（考慮輸入在‘決策’過程中的重要性），併產生輸出（類似於神經元放電或靜止），”馬薩諸塞大學洛厄爾分校副教授兼機器學習專家傑羅姆·德爾霍梅爾說。“機器學習模型可以從資料中學習複雜的相互依賴關係，對給定功能的材料的理想組成進行預測，甚至發現複雜系統中尚未知的控制方程。機器學習有望為物理學做出巨大貢獻。”
瑞典卡爾斯塔德大學教授兼諾貝爾物理學委員會主席艾倫·穆恩斯在週二於斯德哥爾摩舉行的新聞釋出會上發表講話時，描述了這些發展的前景和危險。“獲獎者的發現和發明構成了機器學習的基石，可以幫助人類做出更快、更可靠的決策——例如，在診斷疾病時。然而，雖然機器學習具有巨大的好處，但其快速發展也引發了對我們未來的擔憂。人類共同承擔著以安全和合乎道德的方式使用這項新技術，為人類帶來最大利益的責任。”