盧保物理學獎，給了兩位人工智能先驅

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）