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，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網數據，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）