出品:科普中國(guó)
作者:李瑞
監(jiān)制:中國(guó)科普博覽
2024年10月8日,瑞典皇家科學(xué)院宣布,將2024年諾貝爾物理學(xué)獎(jiǎng)授予美國(guó)普林斯頓大學(xué)教授John J. Hopfield和加拿大多倫多大學(xué)教授Geoffrey E. Hinton,以表彰他們“在人工神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方面的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”。
這兩位科學(xué)家的工作為當(dāng)今強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)奠定了基礎(chǔ)。Hopfield創(chuàng)造了一種能夠存儲(chǔ)和重建信息的結(jié)構(gòu),而Hinton發(fā)明了一種可以獨(dú)立發(fā)現(xiàn)數(shù)據(jù)中規(guī)律的方法,這種方法對(duì)現(xiàn)在使用的大型人工智能系統(tǒng)至關(guān)重要。
兩位獲獎(jiǎng)人肖像(圖片來(lái)源:諾貝爾獎(jiǎng)委員會(huì)官網(wǎng))
機(jī)器學(xué)習(xí):計(jì)算機(jī)的自主學(xué)習(xí)之旅
Hopfield和Hinton的開(kāi)創(chuàng)性工作為一個(gè)更廣泛的領(lǐng)域“機(jī)器學(xué)習(xí)”奠定了基礎(chǔ)。
機(jī)器學(xué)習(xí)是人工智能的核心,它的目標(biāo)是讓計(jì)算機(jī)能夠從數(shù)據(jù)中學(xué)習(xí)并完成任務(wù),而不需要完成任何指令都需要首先進(jìn)行復(fù)雜而脆弱的編程。這種方法與傳統(tǒng)上基于編程的計(jì)算機(jī)工作模式有著本質(zhì)的區(qū)別。
傳統(tǒng)的計(jì)算機(jī)程序就像一個(gè)精確的食譜:程序員需要詳細(xì)列出每一個(gè)步驟,計(jì)算機(jī)才能完成任務(wù)。而機(jī)器學(xué)習(xí)更像是教一個(gè)孩子烹飪:你給他們看許多例子,讓他們自己總結(jié)規(guī)律。這種方法使得計(jì)算機(jī)能夠處理那些難以用固定規(guī)則描述的復(fù)雜任務(wù),如圖像識(shí)別或語(yǔ)音理解。
在機(jī)器學(xué)習(xí)的過(guò)程中,計(jì)算機(jī)首先接收大量的數(shù)據(jù)作為學(xué)習(xí)材料。例如,如果我們要訓(xùn)練一個(gè)識(shí)別貓的系統(tǒng),我們需要收集大量貓和非貓的圖片。然后,我們選擇一個(gè)適合的學(xué)習(xí)模型,比如后文中會(huì)介紹的Hopfield的聯(lián)想記憶網(wǎng)絡(luò)或Hinton的玻爾茲曼機(jī)。
接下來(lái),模型會(huì)反復(fù)查看這些數(shù)據(jù),不斷調(diào)整自己的參數(shù),直到它能夠準(zhǔn)確地完成任務(wù)。這一過(guò)程就像學(xué)生通過(guò)反復(fù)練習(xí)來(lái)提高自己的能力。
機(jī)器學(xué)習(xí)的強(qiáng)大之處在于,一旦訓(xùn)練完成,它就能處理各種各樣的新情況。例如,一個(gè)經(jīng)過(guò)訓(xùn)練的圖像識(shí)別系統(tǒng)不僅能識(shí)別訓(xùn)練數(shù)據(jù)中的貓,還能識(shí)別它從未見(jiàn)過(guò)的貓的圖片。這種泛化能力使得機(jī)器學(xué)習(xí)在處理復(fù)雜、多變的現(xiàn)實(shí)世界問(wèn)題時(shí)特別有用。
Hopfield和Hinton的工作為設(shè)計(jì)更有效的學(xué)習(xí)算法和模型結(jié)構(gòu)提供了理論基礎(chǔ),極大地推動(dòng)了機(jī)器學(xué)習(xí)的發(fā)展。他們的貢獻(xiàn)使得今天的人工智能系統(tǒng)能夠執(zhí)行從語(yǔ)言翻譯到醫(yī)學(xué)診斷等各種復(fù)雜任務(wù),讓強(qiáng)大而多樣的人工智能技術(shù)在從科學(xué)研究到日常生活的方方面面中發(fā)揮作用,。
從大腦到計(jì)算機(jī):人工神經(jīng)網(wǎng)絡(luò)的誕生
剛才我們講解了機(jī)器學(xué)習(xí)的籠統(tǒng)思想,然而要理解這項(xiàng)發(fā)現(xiàn)的重要性,我們還需要再了解以下人工神經(jīng)網(wǎng)絡(luò)的基本概念。
想象一下,我們的大腦是由數(shù)十億個(gè)神經(jīng)細(xì)胞(又稱(chēng)神經(jīng)元)組成的復(fù)雜網(wǎng)絡(luò)。這些神經(jīng)元通過(guò)被稱(chēng)為突觸的連接相互通信。當(dāng)我們學(xué)習(xí)新知識(shí)時(shí),某些神經(jīng)元之間的連接會(huì)變強(qiáng),而其他連接可能變?nèi)酢?/p>
科學(xué)家們受到這種結(jié)構(gòu)的啟發(fā),創(chuàng)造了人工神經(jīng)網(wǎng)絡(luò)。
在這種網(wǎng)絡(luò)中,計(jì)算機(jī)程序模仿了大腦的結(jié)構(gòu)。它由許多相互連接的“節(jié)點(diǎn)”(模仿神經(jīng)元)組成,這些節(jié)點(diǎn)之間的連接強(qiáng)度可以調(diào)整(模仿突觸)。這種結(jié)構(gòu)允許計(jì)算機(jī)通過(guò)例子來(lái)學(xué)習(xí),而不是按照預(yù)設(shè)的指令運(yùn)行。
神經(jīng)網(wǎng)絡(luò)藝術(shù)插畫(huà)(圖片來(lái)源:諾貝爾獎(jiǎng)委員會(huì)官網(wǎng))
兩位科學(xué)家的關(guān)鍵貢獻(xiàn)
John Hopfield在1982年提出了一種新型的人工神經(jīng)網(wǎng)絡(luò),現(xiàn)在被稱(chēng)為“Hopfield網(wǎng)絡(luò)”。該網(wǎng)絡(luò)的特別之處在于它能夠存儲(chǔ)和重建信息模式,類(lèi)似于人類(lèi)的聯(lián)想記憶。
想象你在試圖回憶一個(gè)不常用的單詞,你可能會(huì)先想到一些相似的詞,再最終找到正確的那個(gè)。Hopfield網(wǎng)絡(luò)的工作方式與此類(lèi)似。當(dāng)給予網(wǎng)絡(luò)一個(gè)不完整或輕微扭曲的信息時(shí),它能夠找到最相似的存儲(chǔ)信息。這種能力使得Hopfield網(wǎng)絡(luò)可以用于修復(fù)損壞的數(shù)據(jù),比如去除圖片中的噪點(diǎn)。
Geoffrey Hinton則在1985年提出了一種稱(chēng)為“玻爾茲曼機(jī)”的新型網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)的獨(dú)特之處在于它能夠自主學(xué)習(xí)數(shù)據(jù)中的特征,而無(wú)需人為指定這些特征。這一點(diǎn)類(lèi)似于嬰兒學(xué)習(xí)識(shí)別貓和狗的過(guò)程——他們不需要詳細(xì)的解釋?zhuān)恍枰吹阶銐蚨嗟睦泳湍茏约嚎偨Y(jié)出區(qū)別。
玻爾茲曼機(jī)的這種能力使得機(jī)器能夠處理更復(fù)雜的任務(wù)。例如,它可以學(xué)習(xí)識(shí)別手寫(xiě)數(shù)字,即使每個(gè)人的書(shū)寫(xiě)風(fēng)格都千人千面。更重要的是,Hinton的工作為后來(lái)深度學(xué)習(xí)技術(shù)的發(fā)展奠定了基礎(chǔ)。深度學(xué)習(xí)是當(dāng)今許多人工智能依據(jù)的核心技術(shù)。
從理論到實(shí)踐:人工智能的現(xiàn)在和未來(lái)
Hopfield和Hinton的工作為后來(lái)的機(jī)器學(xué)習(xí)革命奠定了基礎(chǔ)。今天,基于他們理論所發(fā)展的技術(shù)已經(jīng)在我們的日常生活中無(wú)處不在。當(dāng)你使用手機(jī)進(jìn)行人臉解鎖、向虛擬助手提問(wèn)、或者使用在線翻譯工具時(shí),都在間接使用這些技術(shù)。
在科學(xué)研究中,這些技術(shù)也發(fā)揮著越來(lái)越重要的作用。例如,它們被用于分析天文數(shù)據(jù)以發(fā)現(xiàn)新的行星,預(yù)測(cè)蛋白質(zhì)的結(jié)構(gòu)以幫助開(kāi)發(fā)新藥,甚至幫助物理學(xué)家處理大型強(qiáng)子對(duì)撞機(jī)產(chǎn)生的海量數(shù)據(jù)。
然而,隨著人工智能技術(shù)的快速發(fā)展,我們也面臨著新的挑戰(zhàn)。例如,如何確保這些技術(shù)被負(fù)責(zé)任地使用,如何保護(hù)個(gè)人隱私,以及如何應(yīng)對(duì)可能的就業(yè)變化等。這些問(wèn)題需要科學(xué)家、政策制定者和整個(gè)社會(huì)共同思考和解決。
2024年諾貝爾物理學(xué)獎(jiǎng)揭曉以后,許多人認(rèn)為這一獲獎(jiǎng)成果“不夠物理”。其實(shí),換個(gè)角度想,這不僅是對(duì)Hopfield和Hinton個(gè)人成就的肯定,更是對(duì)物理學(xué)在推動(dòng)人工智能發(fā)展中所起作用的認(rèn)可。隨著人工智能技術(shù)繼續(xù)發(fā)展,我們可以期待它在科學(xué)研究、工程應(yīng)用和日常生活中帶來(lái)更多突破,同時(shí)也要不斷提醒自己,更加謹(jǐn)慎、合理地應(yīng)用它去塑造未來(lái)。