10月8日，人工2024年诺贝尔物理学奖揭晓。先驱当天，诺贝瑞典皇家科学院宣布，尔物将本年度诺贝尔物理学奖授予约翰·J·霍普菲尔德（John J。理学两位 Hopfield）和杰弗里·E·辛顿（Geoffrey E。人工 Hinton），先驱表彰他们在使用人工神经网络进行机器学习的诺贝基础性发现和发明。

　　人工智能对于今天的尔物人们并不陌生，而对这一前沿技术做出奠基性贡献的理学两位正是这两位科学家。他们是人工这一领域的先驱，有了他们的先驱研究工作，才有人工智能今天的蓬勃发展。

　　霍普菲尔德的贡献是，创建了一个联想内存，后者可以存储和重建数据中的图像和其他类型的模式。辛顿则发明了一种方法，可以自主查找数据中的属性，从而执行诸如识别图片中的特定元素等任务。

　　诺贝尔物理学奖委员会主席艾伦·穆恩斯表示，虽然人工智能似乎不是诺贝尔物理学奖的有力竞争者，但具有学习能力的神经网络的发现及其应用是与物理学密切相关的。“这些人工神经网络已用于推动粒子物理学、材料科学和天体物理学等各种物理学主题的研究。”

　　扩展人类的智力和能力

　　20世纪80年代，霍普菲尔德研发了一个网络，用一种方法来保存和重新创建模式。这个网络相当于物理学中自旋系统中的能量，并通过查找节点之间的连接值进行训练，而节点就相当于像素。当这个网络收到失真或不完整的图像时，它会有条不紊地通过节点并更新它们的值。因此，网络能逐步找到它所保存的最相似图片。

　　辛顿则利用霍普菲尔德网络来使用物理工具，如使用玻尔兹曼机。由此可以学习识别给定数据类型中的特征元素，辛顿通过向机器提供规范示例来训练机器。而玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型。辛顿以这项工作为基础，帮助启动了当前机器学习突飞猛进的发展。

　　霍普菲尔德和辛顿创建人工神经网络的灵感源自人脑。人的脑细胞（神经元）构成了一个复杂、高度互联的网络，并能互相发送生物电信号，帮助人类处理纷繁复杂的信息。人工神经网络则由人工神经元组成，它们共同合作以解决问题。

　　实际上，人工神经网络就是一种人工智能方法，用来教会计算机以人脑的方式处理数据。机器学习过程也称为深度学习，类似于人脑的分层结构中的互连节点或神经元。机器学习可以创建自适应系统，计算机使用该系统从错误中进行学习并不断改进。

　　因此，人工神经网络可以完成多种工作，并能尝试解决复杂的问题，从而扩展人类的智力和能力。

　　现在人们熟知的大型语言模型（LLM）就是基于大量数据进行预训练的超大型深度学习模型。其底层转换器是一组神经网络，这些神经网络由具有自注意力功能的编码器和解码器组成。编码器和解码器从一系列文本中提取含义，并理解其中的单词和短语之间的关系，以及语法。OpenAI的GPT系列，就是大语言模型的典型代表。

　　人工神经网络用途广泛

　　人工神经网络并非只用于数据处理，而是有广泛的用途，相当于扩大了数亿人的大脑功能。人工神经网络可以进行归纳和推理，帮助做出正确的决策，因为它们可以学习非线性和复杂的输入数据与输出数据之间的关系，并为其建模。

　　人工神经网络还可以完成一系列任务，通过医疗影像分类进行诊断，通过社交网络筛选和行为数据分析进行有针对性的营销，通过处理金融工具的历史数据进行金融预测等。

　　同时，人工神经网络也具有计算机视觉，是拥有从图像和视频中提取信息并决策的能力。而借助人工神经网络，计算机可以区分和识别与人类相似的图像，因而可以应用到多个领域。

　　比如，自动驾驶汽车中的视觉识别，使汽车能够识别道路标志和其他道路使用者；用于内容审核，从图像和视频归档中自动删除不安全或不适当的内容；用于面部识别，以进行安全保障；还可以进行语音识别，并模拟某个特定个体（如明星、政治人物）等的音调、语气、语言和口音，当然，这也为诈骗提供了基础。

　　人工神经网络为机器学习奠定了基础，使得人工智能成为可能，由此也将人的有限能力扩大、深化和发展为趋近无限，进而提升经济和发展文明，让人类社会更加美好。

　　因此，2024年诺贝尔物理学奖授予这一基础发现和发明，可谓独具慧眼。

　　撰稿 / 张田勘（科普作者）

责任编辑：刘德宾