人工智能奪得諾貝爾物理學獎的原因
諾貝爾獎委員會2024年將物理學獎頒給了約翰·J·霍普菲爾德（John J. Hopfield）和傑弗里·E·辛頓（Geoffrey E. Hinton），以表彰他們在神經網絡領域的基礎性研究，這一決定讓學術界感到意外。
兩人因在1980年代發表的開創性論文而獲獎，這些論文描述了初步的神經網絡。雖然這些網絡比現代生成式人工智能（如ChatGPT或Stable Diffusion）簡單得多，但他們的理念為後來的研究奠定了基礎。
即使是霍普菲爾德和辛頓自己也沒有想到會獲獎，辛頓對美聯社表示他感到“震驚”。畢竟，當大多數人想到物理學時，很少會聯想到人工智能。然而，諾貝爾委員會採取了更廣泛的視角，部分原因是這些研究人員的神經網絡基於“物理學的基本概念和方法”。
基礎性研究的貢獻
加州大學爾灣分校的傑出教授帕德拉克·史密斯（Padhraic Smyth）說：“一開始我感到驚訝，因為這是物理學的諾貝爾獎，而他們的工作是在人工智能和機器學習領域。但稍加思考後，我明白了諾貝爾委員會這樣做的原因。” 他補充說，統計力學領域的物理學家“長期以來”一直在思考展示出自發行為的系統。
霍普菲爾德在1982年的一篇論文中首次探討了這些想法。他描述了一種類型的神經網絡，後來被稱為霍普菲爾德網絡，由一層互聯神經元組成。這篇最初被歸類為生物物理學的論文指出，神經網絡可以從“任何合理大小的子部分”中保留“記憶”。
辛頓則在這項工作基礎上擴展，構思了玻爾茲曼機器，一種更為複雜的神經網絡，這在1985年他與大衛·H·阿克利（David H. Ackley）和泰倫斯·J·塞諾夫斯基（Terrence J. Sejnowski）合作的論文中有所描述。他們引入了“隱藏單元”的概念，這些神經元層位於神經網絡的輸入層和輸出層之間，但不直接與任何一方互動。這使得處理需要更為廣泛理解的任務成為可能，例如圖像分類。
物理學與神經網絡的聯繫
霍普菲爾德的論文提到了“自旋玻璃”的概念，一種磁性粒子無序導致複雜相互作用的材料。辛頓和他的合著者借鑒了統計力學，這是一個利用統計來描述系統內粒子行為的物理學領域。他們甚至以路德維希·玻爾茲曼（Ludwig Boltzmann）的名字命名了他們的網絡，玻爾茲曼的工作為統計力學奠定了基礎。
而神經網絡與物理學的聯繫並非單向。機器學習對於發現希格斯玻色子至關重要，這一過程中它整理了數十億次質子碰撞生成的數據。今年的諾貝爾化學獎進一步強調了機器學習在研究中的重要性，該獎項頒給了一組建構蛋白質結構預測AI模型的科學家。
持續的貢獻
雖然霍普菲爾德和辛頓撰寫了具有影響力的論文，但他們對機器學習的貢獻因他們的持續工作而得到鞏固，並且在獲得諾貝爾獎之前他們都獲得了多個獎項。霍普菲爾德在2022年獲得了玻爾茲曼獎章；辛頓在2014年獲得了IEEE弗蘭克·羅森布拉特獎，2016年獲得了IEEE詹姆斯·克拉克·麥克斯韋獎，2018年與揚·勒昆（Yann LeCun）和約書亞·本吉奧（Yoshua Bengio）一起獲得了圖靈獎。
史密斯在加州理工學院作為學生時親眼目睹了霍普菲爾德的努力。“霍普菲爾德能夠將數學家、工程師、計算機科學家和物理學家聚集一起。他讓他們興奮地討論建模大腦、進行模式識別和機器學習，這一切都由他從物理學引入的數學理論統一。”
2012年，辛頓與兩位學生伊利亞·蘇茨克維（Ilya Sutskever）和亞歷克斯·克里澤夫斯基（Alex Krizhevsky）共同創立了一家公司DNNResearch；蘇茨克維後來共同創立了OpenAI。三人合作開發了AlexNet，一個對計算機視覺領域影響巨大的神經網絡。辛頓還在多倫多大學任教，繼續推動機器學習的發展。
現為蘋果公司深度學習研究員的納夫迪普·賈伊特利（Navdeep Jaitly）表示，辛頓啟發了新一代的工程師和研究人員。賈伊特利在多倫多大學師從辛頓，直接受到了他的影響。
“我進來時有統計建模的經驗，”賈伊特利說，“但辛頓仍然完全改變了我對解決問題的看法。在機器學習方面，他的方法幾乎是我們所有工作的核心。”
編者評論
這次諾貝爾物理學獎的頒發，不僅僅是對霍普菲爾德和辛頓在神經網絡領域基礎性研究的認可，更突顯了物理學和人工智能之間相互交融的深厚關係。這一決定讓我們重新審視物理學的範疇和它在跨領域研究中的重要性。從統計力學到機器學習，這些跨學科的研究不僅豐富了理論基礎，還推動了技術的實際應用。這一切都提醒我們，科學的進步往往來自多學科的融合與合作。未來，更多的突破可能會出現在這些交叉學科的邊界上。
以上文章由特價GPT API KEY所翻譯
