盧保物理學獎,給了兩位人工智能先驅

▲約翰·J·霍普菲爾德和傑佛瑞·E·辛頓。圖/盧保獎委員會官網▲約翰·J·霍普菲爾德和傑佛瑞·E·辛頓。圖/盧保獎委員會官網

10月8日,2024年盧保物理學獎揭曉。當天,瑞典皇家科學院宣佈,將本年度盧保物理學獎授予約翰·J·霍普菲爾德(John J。 Hopfield)和傑佛瑞·E·辛頓(Geoffrey E。 Hinton),表彰他們在使用人工神經網絡進行機器學習的基礎性發現和發明。

人工智能對於今天的人們並不陌生,而對這一前沿技術做出奠基性貢獻的正是這兩位科學家。他們是這一領域的先驅,有了他們的研究工作,才有人工智能今天的蓬勃發展。

霍普菲爾德的貢獻是,創建了一個聯想內存,後者可以存儲和重建數據中的圖像和其他類型的模式。辛頓則發明了一種方法,可以自主查找數據中的屬性,從而執行諸如識別圖片中的特定元素等任務。

盧保物理學獎委員會主席艾倫·穆恩斯表示,雖然人工智能似乎不是盧保物理學獎的有力競爭者,但具有學習能力的神經網絡的發現及其應用是與物理學密切相關的。「這些人工神經網絡已用於推動粒子物理學、材料科學和天體物理學等各種物理學主題的研究。」

擴展人類的智力和能力

20世紀80年代,霍普菲爾德研發了一個網絡,用一種方法來保存和重新創建模式。這個網絡相當於物理學中自旋系統中的能量,並通過查找節點之間的連接值進行訓練,而節點就相當於像素。當這個網絡收到失真或不完整的圖像時,它會有條不紊地通過節點並更新它們的值。因此,網絡能逐步找到它所保存的最相似圖片。

辛頓則利用霍普菲爾德網絡來使用物理工具,如使用玻爾茲曼機。由此可以學習識別給定數據類型中的特徵元素,辛頓通過向機器提供規範示例來訓練機器。而玻爾茲曼機可用於對圖像進行分類或創建訓練它的模式類型。辛頓以這項工作為基礎,幫助啟動了當前機器學習突飛猛進的發展。

霍普菲爾德和辛頓創建人工神經網絡的靈感源自人腦。人的腦細胞(神經元)構成了一個複雜、高度互聯的網絡,並能互相發送生物電信號,幫助人類處理紛繁複雜的信息。人工神經網絡則由人工神經元組成,它們共同合作以解決問題。

實際上,人工神經網絡就是一種人工智能方法,用來教會計算機以人腦的方式處理數據。機器學習過程也稱為深度學習,類似於人腦的分層結構中的互連節點或神經元。機器學習可以創建自適應系統,計算機使用該系統從錯誤中進行學習並不斷改進。

因此,人工神經網絡可以完成多種工作,並能嘗試解決複雜的問題,從而擴展人類的智力和能力。

現在人們熟知的大型語言模型(LLM)就是基於大量數據進行預訓練的超大型深度學習模型。其底層轉換器是一組神經網絡,這些神經網絡由具有自注意力功能的編碼器和解碼器組成。編碼器和解碼器從一系利雲本中提取含義,並理解其中的單詞和短語之間的關係,以及語法。OpenAI的GPT系列,就是大語言模型的典型代表。

人工神經網絡用途廣泛

人工神經網絡並非只用於數據處理,而是有廣泛的用途,相當於擴大了數億人的大腦功能。人工神經網絡可以進行歸納和推理,幫助做出正確的決策,因為它們可以學習非線性和複雜的輸入數據與輸出數據之間的關係,並為其建模。

人工神經網絡還可以完成一系列任務,通過醫療影像分類進行診斷,通過社交網絡篩選和行為數據分析進行有針對性的營銷,通過處理金融工具的歷史數據進行金融預測等。

同時,人工神經網絡也具有計算機視覺,是擁有從圖像和影片中提取信息並決策的能力。而借助人工神經網絡,計算機可以區分和識別與人類相似的圖像,因而可以應用到多個領域。

比如,自動駕駛汽車中的視覺識別,使汽車能夠識別道路標誌和其他道路使用者;用於內容審核,從圖像和影片歸檔中自動刪除不安全或不適當的內容;用於面部識別,以進行安全保障;還可以進行語音識別,並模擬某個特定個體(如明星、政治人物)等的音調、語氣、語言和口音,當然,這也為詐騙提供了基礎。

人工神經網絡為機器學習奠定了基礎,使得人工智能成為可能,由此也將人的有限能力擴大、深化和發展為趨近無限,進而提升經濟和發展文明,讓人類社會更加美好。

因此,2024年盧保物理學獎授予這一基礎發現和發明,可謂獨具慧眼。

撰稿 / 張田勘(科普作者)