兩位AI先驅(qū)獲2024年諾貝爾物理學獎，交叉領域愈發(fā)受重視

　　多知10月9日消息，北京時間10月8日下午，2024年諾貝爾物理學獎給了美國科學家John J. Hopfield(約翰?霍普菲爾德)、英國裔加拿大科學家Geoffrey E. Hinton(杰弗里?辛頓因)，以表彰他們通過“人工神經(jīng)網(wǎng)絡實現(xiàn)機器學習的基礎性發(fā)現(xiàn)和發(fā)明”。

（左為約翰?霍普菲爾德，右為杰弗里?辛頓因）

　　作為“神經(jīng)網(wǎng)絡之父”和“深度學習之父”，辛頓1947年出生于英國倫敦，1978年獲英國愛丁堡大學博士學位，如今是加拿大多倫多大學教授。他是使用神經(jīng)網(wǎng)絡進行機器學習的先驅(qū)，教會了人工智能如何自動查找數(shù)據(jù)中的屬性，從而執(zhí)行識別圖片中特定元素等任務。2018年，他還獲得了圖靈獎這一計算機領域的最高榮譽。生成式大模型的頂尖團隊，基本都是辛頓門徒。

　　而美國普林斯頓大學教授約翰?霍普菲爾德，則是創(chuàng)建了一種名為“霍普菲爾德網(wǎng)絡”的聯(lián)想存儲器，可以存儲和重建圖像以及數(shù)據(jù)中的其他類型模式。他曾獲得2022年的玻爾茲曼獎。

　　以“霍普菲爾德網(wǎng)絡”為基礎，辛頓使用統(tǒng)計物理學的方法，構(gòu)建了玻爾茲曼機。這一成果讓機器學習領域出現(xiàn)了“爆炸性發(fā)展”。

　　“諾貝爾獎得主的工作已經(jīng)產(chǎn)生了巨大的益處。當今物理學許多領域正在使用人工神經(jīng)網(wǎng)絡，例如開發(fā)具有特定特性的材料，”諾貝爾物理學委員會主席Ellen Moons說道。

　　霍普菲爾德和辛頓兩人是跨學科研究者。霍普菲爾德是一位橫跨多個學科領域的物理學博士，在物理、化學和生物學的交叉處開發(fā)了神經(jīng)網(wǎng)絡。辛頓就讀劍橋大學時，同時學習物理學和生理學，后來獲得實驗心理學學士學位，他通過物理、數(shù)學和計算機、神經(jīng)心理學多領域的交叉，推動機器學習的發(fā)展。

　　諾貝爾物理學獎給了非物理學領域?qū)＜乙饬x重大，突出了跨學科的交叉和互通，也凸顯了AI的發(fā)展離不開數(shù)學、物理等基礎學科的發(fā)展。

　　以下為諾貝爾獎官網(wǎng)新聞介紹：

　　今年的兩位諾貝爾物理學獎得主使用了物理學的工具，為當今強大的機器學習方法奠定了基礎。John Hopfield創(chuàng)建了一種聯(lián)想記憶，可以存儲和重構(gòu)圖像，或其他類型的數(shù)據(jù)模式。Geoffrey Hinton發(fā)明了一種可以自動發(fā)現(xiàn)數(shù)據(jù)中屬性并執(zhí)行任務的方法，例如識別圖片中的特定元素。

　　談到人工智能，人們通常指的是使用人工神經(jīng)網(wǎng)絡來訓練的機器學習技術。這項技術最初受大腦結(jié)構(gòu)啟發(fā)。在人工神經(jīng)網(wǎng)絡中，大腦的神經(jīng)元通過具有不同值的節(jié)點表示。這些節(jié)點通過可以類比為突觸的連接相互影響，而這些連接可以變強或變?nèi)?。這種網(wǎng)絡可以通過訓練來優(yōu)化，例如可加強同時具有較高值的節(jié)點之間的連接。今年的諾貝爾物理獎得主們自20世紀80年代起就在人工神經(jīng)網(wǎng)絡領域做出了重要的工作。

　　John Hopfield發(fā)明了一種網(wǎng)絡來保存和重現(xiàn)數(shù)據(jù)模式。我們可以將節(jié)點想象為像素。Hopfield網(wǎng)絡利用了描述物質(zhì)特性的原子自旋——該性質(zhì)使得每個原子都可看作一個小磁鐵。網(wǎng)絡的整體結(jié)構(gòu)則可等價地用物理學中自旋系統(tǒng)的能量來描述，并通過尋找節(jié)點之間的連接值來訓練，使得保存的圖像具有較低的能量。當Hopfield網(wǎng)絡接收到一個失真或不完整的圖像時，它逐步處理節(jié)點并更新其值，以降低網(wǎng)絡的能量。通過這種方式，網(wǎng)絡就可一步步找到與輸入的失真圖像最為相似的圖像。

　　Geoffrey Hinton以Hopfield網(wǎng)絡為基礎，開發(fā)了一種基于新方法的網(wǎng)絡：玻爾茲曼機(Boltzmann Machine)。該網(wǎng)絡可以學習識別某一類數(shù)據(jù)中具有特征的元素。Hinton使用了統(tǒng)計物理學的工具，這是研究由許多相似組分組成的系統(tǒng)的科學。玻爾茲曼機通過輸入在機器運行時非?？赡艹霈F(xiàn)的示例進行訓練。它可以用于對圖像進行分類或創(chuàng)建與其訓練模式相似的新示例。Hinton在此基礎上繼續(xù)研究，推動了當前機器學習爆炸式的發(fā)展。