還記得那個橫空出世即一路“狂飆”的ChatGPT嗎？2023年以來，人工智能（AI）“百模大戰”從硝煙燃起到全面打響，讓人應接不暇。而AI模型背后的關鍵技術，正是機器學習。
10月8日，瑞典皇家科學院宣布，將2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德和英裔加拿大科學家杰弗里·辛頓，以表彰他們通過人工神經網絡實現機器學習而作出的基礎性發現和發明。
諾貝爾獎委員會在一份聲明中稱：“盡管計算機無法思考，但現在，機器已經可以模仿人的記憶并具備學習等功能。今年的物理學獎得主為實現這一目標作出了貢獻。”
靈感源自人腦結構
當我們談論AI時，通常指的是使用人工神經網絡進行的機器學習。如今，基于人工神經網絡的機器學習正在徹底改變科學、工程和日常生活。
事實上，這項技術最初的開發靈感源自人腦結構。在人工神經網絡中，大腦的神經元由具有不同值的節點表示。這些節點通過類似于突觸的連接相互影響，這些連接可以變強或變弱。例如，通過在同時具有高數值的節點之間建立更強的連接，可以對網絡進行訓練。
機器學習長期以來一直是科學家們研究的重要內容，其中包括對大量數據的分類和分析。霍普菲爾德和辛頓利用物理學工具構建了新方法，為當今強大的機器學習奠定了基礎。他們的研究起始階段可回溯至20世紀80年代，早在那時，他們就在人工神經網絡方面開展了重要工作。
利用物理學訓練人工神經網絡
霍普菲爾德發明了一種“聯想記憶”網絡，它能夠存儲和重建圖像以及數據中的其他類型模式。
如何理解呢？我們可以將節點想象成像素。“霍普菲爾德網絡”利用了物理學中描述物質特性的原理。該原理表明，材料因原子自旋而具有獨特性，這種特性使每個原子成為一個小型磁鐵。整個網絡的描述方式相當于物理學中自旋系統的能量，它通過尋找節點之間連接的值來進行訓練，從而使得保存的圖像具有較低的能量。
當輸入扭曲或不完整的圖像時，“霍普菲爾德網絡”會系統地遍歷節點并更新它們的值，從而降低網絡的能量。因此，網絡能夠逐步找到與輸入的不完美圖像最相似的已保存圖像。
辛頓的研究建立在“霍普菲爾德網絡”基礎之上，他構建了一種使用不同方法的新網絡，即玻爾茲曼機。它能夠學習識別給定類型數據中的特征元素。在研究中，辛頓運用統計物理學原理，通過輸入機器運行時可能出現的示例對其進行訓練。玻爾茲曼機可用于對圖像進行分類，或創建訓練模式類型的新示例。辛頓在此基礎上進行了拓展，推動了當前機器學習的爆炸式發展。
智能驅動科研或成新范式
“獲獎者的工作已經產生了巨大效益。在物理學中，人工神經網絡廣泛應用于各個領域，例如開發具有特定屬性的新材料。”諾貝爾物理學委員會主席埃倫·穆恩斯如是說。
天津大學自然語言處理實驗室負責人熊德意教授告訴科技日報記者，諾貝爾物理學獎頒給兩位AI科學家，除了表彰他們在將物理學與人工神經網絡深度結合方面所作的貢獻之外，可能還有兩層隱含意義，一是物理規律不僅存在于自然界中，在數字世界（計算機模型、模型創建的虛擬世界）中也可能發揮著制約作用；二是AI與物理學等基礎科學存在千絲萬縷的聯系，基礎科學不僅為AI筑起了基座，同時其發現和理論也為AI研究提供了啟發和靈感。
與此同時，熊德意認為，隨著AI縱深發展，其對基礎科學的反哺作用越來越明顯，智能驅動的科研，極有可能成為科研第五范式；AI帶來的自動化基礎科研，未來可能推動基礎研究實現跨域式發展。
短評：人工神經網絡促進知識交融與創新
張夢然
人工神經網絡僅僅是模仿生物大腦嗎？其實不然。它最初的靈感的確來自大腦結構，但在其數十年的發展經歷中——包括感知機的出現、反向傳播算法的發明以及深度學習的興起，這一領域已展現出多學科間的交叉合作，如計算機科學、數學、哲學、心理學、神經生物學。可以當之無愧地說一句：人工神經網絡正促進知識的交融與創新。
跨學科研究往往能催生新技術或改進現有技術，其中一個重要因素，就是來自不同背景的研究者能帶來多元化的視角和方法，激發創新思維。當今世界面臨的問題紛繁復雜，單一視角已難以提供全面解決方案。但通過多元協作，可以整合各領域的優勢，形成更加有效和綜合的應對策略。這也是為什么人工神經網絡在解決氣候變化、能源、公共衛生問題時表現優異的原因。它也啟示著我們，面對全球性挑戰時多元協作的重要性。跨學科交流和國際合作，都將為人們解決今天和未來的復雜問題提供強有力的工具。
還記得那個橫空出世即一路“狂飆”的ChatGPT嗎？2023年以來，人工智能（AI）“百模大戰”從硝煙燃起到全面打響，讓人應接不暇。而AI模型背后的關鍵技術，正是機器學習。
10月8日，瑞典皇家科學院宣布，將2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德和英裔加拿大科學家杰弗里·辛頓，以表彰他們通過人工神經網絡實現機器學習而作出的基礎性發現和發明。
諾貝爾獎委員會在一份聲明中稱：“盡管計算機無法思考，但現在，機器已經可以模仿人的記憶并具備學習等功能。今年的物理學獎得主為實現這一目標作出了貢獻。”
靈感源自人腦結構
當我們談論AI時，通常指的是使用人工神經網絡進行的機器學習。如今，基于人工神經網絡的機器學習正在徹底改變科學、工程和日常生活。
事實上，這項技術最初的開發靈感源自人腦結構。在人工神經網絡中，大腦的神經元由具有不同值的節點表示。這些節點通過類似于突觸的連接相互影響，這些連接可以變強或變弱。例如，通過在同時具有高數值的節點之間建立更強的連接，可以對網絡進行訓練。
機器學習長期以來一直是科學家們研究的重要內容，其中包括對大量數據的分類和分析。霍普菲爾德和辛頓利用物理學工具構建了新方法，為當今強大的機器學習奠定了基礎。他們的研究起始階段可回溯至20世紀80年代，早在那時，他們就在人工神經網絡方面開展了重要工作。
利用物理學訓練人工神經網絡
霍普菲爾德發明了一種“聯想記憶”網絡，它能夠存儲和重建圖像以及數據中的其他類型模式。
如何理解呢？我們可以將節點想象成像素。“霍普菲爾德網絡”利用了物理學中描述物質特性的原理。該原理表明，材料因原子自旋而具有獨特性，這種特性使每個原子成為一個小型磁鐵。整個網絡的描述方式相當于物理學中自旋系統的能量，它通過尋找節點之間連接的值來進行訓練，從而使得保存的圖像具有較低的能量。
當輸入扭曲或不完整的圖像時，“霍普菲爾德網絡”會系統地遍歷節點并更新它們的值，從而降低網絡的能量。因此，網絡能夠逐步找到與輸入的不完美圖像最相似的已保存圖像。
辛頓的研究建立在“霍普菲爾德網絡”基礎之上，他構建了一種使用不同方法的新網絡，即玻爾茲曼機。它能夠學習識別給定類型數據中的特征元素。在研究中，辛頓運用統計物理學原理，通過輸入機器運行時可能出現的示例對其進行訓練。玻爾茲曼機可用于對圖像進行分類，或創建訓練模式類型的新示例。辛頓在此基礎上進行了拓展，推動了當前機器學習的爆炸式發展。
智能驅動科研或成新范式
“獲獎者的工作已經產生了巨大效益。在物理學中，人工神經網絡廣泛應用于各個領域，例如開發具有特定屬性的新材料。”諾貝爾物理學委員會主席埃倫·穆恩斯如是說。
天津大學自然語言處理實驗室負責人熊德意教授告訴科技日報記者，諾貝爾物理學獎頒給兩位AI科學家，除了表彰他們在將物理學與人工神經網絡深度結合方面所作的貢獻之外，可能還有兩層隱含意義，一是物理規律不僅存在于自然界中，在數字世界（計算機模型、模型創建的虛擬世界）中也可能發揮著制約作用；二是AI與物理學等基礎科學存在千絲萬縷的聯系，基礎科學不僅為AI筑起了基座，同時其發現和理論也為AI研究提供了啟發和靈感。
與此同時，熊德意認為，隨著AI縱深發展，其對基礎科學的反哺作用越來越明顯，智能驅動的科研，極有可能成為科研第五范式；AI帶來的自動化基礎科研，未來可能推動基礎研究實現跨域式發展。
短評：人工神經網絡促進知識交融與創新
張夢然
人工神經網絡僅僅是模仿生物大腦嗎？其實不然。它最初的靈感的確來自大腦結構，但在其數十年的發展經歷中——包括感知機的出現、反向傳播算法的發明以及深度學習的興起，這一領域已展現出多學科間的交叉合作，如計算機科學、數學、哲學、心理學、神經生物學。可以當之無愧地說一句：人工神經網絡正促進知識的交融與創新。
跨學科研究往往能催生新技術或改進現有技術，其中一個重要因素，就是來自不同背景的研究者能帶來多元化的視角和方法，激發創新思維。當今世界面臨的問題紛繁復雜，單一視角已難以提供全面解決方案。但通過多元協作，可以整合各領域的優勢，形成更加有效和綜合的應對策略。這也是為什么人工神經網絡在解決氣候變化、能源、公共衛生問題時表現優異的原因。它也啟示著我們，面對全球性挑戰時多元協作的重要性。跨學科交流和國際合作，都將為人們解決今天和未來的復雜問題提供強有力的工具。
本文鏈接：推動人工智能機器學習技術“爆炸式”發展——2024年諾貝爾物理學獎授予兩位AI先驅http://m.sq15.cn/show-2-8739-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 納米級角度國家一級標準物質研制成功
下一篇： 導致白堊紀恐龍滅絕的小行星不止一顆