10月8日，美國科學家約翰·霍普菲爾德和英裔加拿大科學家杰弗里·辛頓，因在使用人工神經網絡機器學習方面的基礎性發(fā)現(xiàn)和發(fā)明而榮獲2024年諾貝爾物理學獎。
得知諾獎授予人工智能領域的研究者，上海交通大學人工智能學院教授張婭既震驚又激動。“震驚的是諾貝爾物理學獎竟然頒給了計算機科學家，激動的是人工智能領域獲得了更廣泛的認可。”張婭說。
在人工智能領域作出奠基性貢獻
人工神經網絡是一種模擬人腦神經元工作方式的機器學習模型，旨在通過模仿大腦的工作方式來處理復雜的計算問題。如今人工神經網絡被廣泛應用于醫(yī)學、工程等各個領域，而且有望用于設計下一代計算機。
“表面上看，2024年諾貝爾物理學獎授予了人工智能領域，但從更廣泛的意義上講，這個獎實際上授予了理論物理學。”中國科學院自動化研究所研究員、聯(lián)合國人工智能高層顧問機構專家曾毅說，兩位獲獎者的研究背景都起源于物理學。
剛剛獲獎的兩位科學家，在人工神經網絡研究方面做了很多奠基性工作。
“辛頓提出了反向傳播算法，讓人工神經網絡的訓練成為了一種可能；霍普菲爾德提出了霍普菲爾德網絡，這個網絡對早期人工神經網絡發(fā)展具有重要意義，20世紀80年代，許多物理學家都曾利用霍普菲爾德網絡實現(xiàn)了由物理學到神經科學的跨越。”張婭說。
“1986年，辛頓發(fā)表了反向傳播算法的經典論文。雖然反向傳播算法誕生于20世紀60年代，但這篇論文讓人們真正認識到它的重要性，掀起了神經網絡研究領域的‘文藝復興運動’。”商湯智能產業(yè)研究院院長田豐說，今天，生成式人工智能大模型、多模態(tài)大模型的訓練都離不開反向傳播算法。
“從人工智能的視角觀察，可以說他們兩位最核心的科學貢獻，是將起源于理論物理、生物物理兩個學科的理論成功應用于構建人工智能科學理論。學科交叉研究為人工智能開辟了新天地。”曾毅說。
曾毅認為，霍普菲爾德對記憶與關聯(lián)學習的智能理論計算模型貢獻很大，該模型在結構上是一個典型的循環(huán)神經網絡，其結構類似于人腦中的海馬體腦區(qū)；而辛頓對深度神經網絡及其訓練方法的貢獻，主要在層次化與抽象化學習的智能理論計算模型方面，該模型在結構上是一個典型的層次化神經網絡，相似的結構可以在人類大腦皮層連接模式中找到。
堅守曾經走不通的冷門專業(yè)
被譽為“AI教父”的辛頓，是現(xiàn)代俗稱的人工智能三巨頭之一，目前國際上活躍的很多人工智能專家都是他的學生或同事，比如，openAI曾經的首席科學家伊利亞·蘇茨克韋爾就是他的博士生。
“辛頓在1978年獲得人工智能博士學位后，正趕上人工智能低谷期。那個時候人工智能領域的主流理論是符號主義和專家系統(tǒng)，神經網絡這條路一度走不通。然而，辛頓并沒有放棄，一直堅持在神經網絡領域做探索。”田豐說，直到2000年左右GPU興起，辛頓才取得一些重大突破。此后，他帶領學生一路披荊斬棘，在人工智能領域獲得多個里程碑式成果。
“可以說，辛頓在青年時期很苦，那時候神經網絡這個研究方向看不到希望，因為那時候既沒有海量的互聯(lián)網數(shù)據(jù)，也沒有強大的GPU算力，只有算法，神經網絡這條路顯然是走不通的。同時人工智能也是一個冷門專業(yè)，學這個專業(yè)的人也不好找工作。”田豐告訴科技日報記者，而人工智能的快速發(fā)展，卻得益于辛頓在學術上的堅守。
現(xiàn)在，辛頓高度關注人工智能的安全風險。“針對人工智能可能產生濫用惡用、人工智能對人類可能造成的生存風險，辛頓不僅進行了理論研究，還積極面向公眾開展演講，以提升公眾對人工智能風險的認知。”曾毅說。
在曾毅看來，與諸多獲得諾貝爾獎的科學成果一樣，霍普菲爾德和辛頓的科學貢獻都經受住了時間和實踐的檢驗。
“受理論物理與生物物理啟發(fā)的人工神經網絡理論與模型，不僅是現(xiàn)代人工智能最重要的理論基礎之一，近兩年在諸多科學領域也取得了顯著和廣泛的應用效果，正在改變甚至是顛覆諸多學科的研究范式。”曾毅說。
（記者 陸成寬）