2024年诺贝尔物理学奖授予科学家约翰·霍普菲尔德和杰弗里·辛顿，以表彰他们在“人工神经网络基础性发现和发明方面的贡献”。
受物理学和生物学的启发，霍普菲尔德和辛顿开发了能够记忆和学习数据模式的计算机系统。尽管他们从未直接合作，但彼此的研究为现代机器学习和人工智能的迅速发展奠定了基础。
神经网络是什么？（它们与物理学的关系）
许多当今的人工智能技术都依赖于人工神经网络。
就像大脑中的神经元通过突触相连，人工神经网络中的数字神经元也以不同的结构连接。每个神经元的功能相对简单，真正的奥秘在于它们之间连接的模式和强度。
在人工神经网络中，神经元通过输入信号被“激活”。这些激活信号从一个神经元传递到下一个神经元，从而转换和处理输入信息。因此，该网络能够执行分类、预测和决策等计算任务。
机器学习的历史主要是寻找更复杂的方法来形成和更新人工神经元之间的连接。
尽管将节点系统连接以存储和处理信息的基本思想源于生物学，但形成和更新这些连接的数学原理则源于物理学。
可记忆的网络
约翰·霍普菲尔德（生于1933年）是一位美国理论物理学家，在生物物理学领域做出了重要贡献。然而，他因开发Hopfield网络而获得1982年的诺贝尔物理学奖。
Hopfield网络是最早的人工神经网络之一，受神经生物学和分子物理学原理的启发，这些系统首次展示了计算机如何利用节点的“网络”来记忆和回忆信息。
Hopfield开发的网络能够记忆数据（例如一组黑白图像）。当网络被提示类似图像时，可以通过联想“回忆”这些图像。
尽管实际应用有限，但Hopfield网络证明了这种类型的人工神经网络可以以新的方式存储和检索数据，为辛顿后来的研究奠定了基础。
会学习的机器
杰夫·辛顿（Geoff Hinton，1947年出生），有时被称为“人工智能教父”之一，是一位英裔加拿大计算机科学家，在该领域做出了许多重要贡献。2018年，他与约书亚·本吉奥和扬·勒昆共同获得图灵奖，以表彰他在推动机器学习，特别是深度学习方面的努力。
诺贝尔物理学奖则是专门为他与Terrence Sejnowski及其他同事在1984年开发玻尔兹曼机器的工作而颁发的。
这些机器是Hopfield网络的延伸，展示了机器学习的理念——让计算机从数据实例中学习，而不是从程序员那里学习。辛顿通过展示需要记忆的事物的例子，展示了这种早期生成式计算机模型如何随着时间的推移学会存储数据。
玻尔兹曼机与霍普菲尔德网络一样，最初并未得到实际应用。然而，一种改进形式（称为受限玻尔兹曼机）在某些实际问题中是有用的。
更重要的是，人工神经网络能够从数据中学习的概念性突破。辛顿继续发展这一思想，后来发表了关于反向传播（现代机器学习系统中使用的学习过程）和卷积神经网络（目前用于处理图像和视频数据的主要神经网络类型）的重要论文。
为什么是这个奖呢？
与今天的人工智能相比，Hopfield网络和玻尔兹曼机器似乎有些超前。Hopfield的网络仅包含30个神经元（他曾尝试用100个节点构建一个，但对于当时的计算资源来说太多），而像ChatGPT这样的现代系统可以有数百万个。然而，今天的诺贝尔奖强调了这些早期贡献对该领域的重要性。
尽管最近人工智能的快速发展——我们大多数人都熟悉像ChatGPT这样的生成式人工智能系统——似乎证明了神经网络早期支持者的正确性，但辛顿至少表达了担忧。2023年，在辞去在谷歌人工智能部门长达十年的工作后，他表示对人工智能的发展速度感到害怕，并加入了越来越多的声音，呼吁对人工智能进行更积极的监管。
在获得诺贝尔奖后，辛顿表示，人工智能将“像工业革命一样，但它将超越我们的身体能力，而不是我们的智力能力。”他还表示，他仍然担心他的工作的结果可能是“比我们更智能的系统最终可能会控制我们。”
本文转载自The Conversation，遵循知识共享许可。阅读原文。
本文来自作者[admin]投稿，不代表pnwjn号立场，如若转载，请注明出处：https://www.pnwjn.cn/zheh/202507-1534.html
评论列表（4条）
我是pnwjn号的签约作者“admin”！
希望本篇文章《诺贝尔物理学奖授予为人工智能奠定基础的神经网络先驱》能对你有所帮助！
本站[pnwjn号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览： 2024年诺贝尔物理学奖授予科学家约翰·霍普菲尔德和杰弗里·辛顿，以表彰他们在“人工神经网络基础性发现和发明方面的贡献”。...