澎湃新聞記者 張靜
辛頓開發的玻爾茲曼機成為了生成模型的早期例子。玻爾茲曼機常被用作一個大網絡的一部分，可以用來根據觀衆的喜好推薦電影或電視劇。
機器學習與傳統軟體不同，傳統軟體的工作方式就像一種配方。傳統軟體接收資料，然後根據清晰的描述進行處理并産生結果，就像有人收集原料并按照食譜處理。相反，在機器學習中，計算機通過執行個體學習，使其能夠解決模糊和複雜的問題，這些問題無法通過一步一步的指令來管理。
約翰·J·霍普菲爾德和傑弗裡·E·辛頓因“通過人工神經網絡實作機器學習的基礎性發現和發明”，獲得2024年諾貝爾實體學獎。
10月8日，2024年諾貝爾實體學獎出乎意料地授予機器學習研究領域，結果公布後，連獲獎者本人傑弗裡·E·辛頓（Geoffrey E. Hinton）在接受瑞典皇家科學院的電話采訪時，也直呼“沒有想到”。2024年，普林斯頓大學的約翰·J·霍普菲爾德（John J. Hopfield）和加拿大多倫多大學的傑弗裡·E·辛頓因“通過人工神經網絡實作機器學習的基礎性發現和發明”，獲得諾貝爾實體學獎。獲獎者将共享1100萬瑞典克朗（約合745萬元人民币）獎金。諾貝爾實體學獎為何花落機器學習？機器學習在過去15到20年裡爆炸式發展，它利用了一種叫做人工神經網絡的結構。是以當我們談論人工智能時，通常指的是使用人工神經網絡的機器學習。雖然計算機不能思考，但機器現在可以模拟記憶和學習等功能。這要得益于今年諾貝爾實體學獎得主的創造性工作。今年的兩位諾貝爾實體學獎得主兩位獲獎者約翰·霍普菲爾德和傑弗裡·辛頓從20世紀80年代開始就在人工神經網絡方面開展了重要工作。他們使用了實體學的工具來開發方法，這些方法是當今強大的機器學習的基礎。霍普菲爾德創造了一種聯想記憶，可以存儲和重建圖像和其他類型的資料模式。當給定一個不完整或稍微扭曲的網絡模式時，霍普菲爾德的方法可以找到最相似的存儲模式。1980年，霍普菲爾德離開了普林斯頓大學的職位，他的研究興趣把他帶出了實體學同行們工作的領域。他來到加州理工學院擔任化學和生物學教授。在那裡，他可以使用計算機資源進行免費實驗，并發展他關于神經網絡的想法。但他并沒有放棄自己的實體學基礎。磁性材料由于原子自旋而使得每個原子都能成為一個微小的磁鐵，相鄰原子的自旋互相影響。得益于對磁性材料的了解，霍普菲爾德利用描述自旋互相影響時材料如何發展的實體學原理，建立了一個具有節點和連接配接的模型網絡。霍普菲爾德等人繼續發展霍普菲爾德網絡的運作細節，例如可以存儲任何值的節點，而不僅僅是0或1。如果把節點想象成圖檔中的像素，它們可以有不同的顔色，而不僅僅是黑色或白色。改進的方法使儲存更多的圖檔成為可能，即使它們非常相似，也可以區分它們。
圖檔來自諾獎官網。
記住一幅圖像是一回事，但要解釋它所描繪的内容需要更多的東西。辛頓曾在英格蘭和蘇格蘭研究實驗心理學和人工智能，他想知道機器是否能像人類一樣學會處理模式，分類和解釋資訊。當霍普菲爾德1982年發表關于聯想記憶的文章時，辛頓正在卡内基梅隆大學工作。辛頓将霍普菲爾德發明的網絡作為一個新網絡的基礎，這種新網絡使用另一種方法是玻爾茲曼機，可以學習識别給定類型資料中的特征元素。這一方法發表于1985年。辛頓使用了統計實體學的工具，通過給機器輸入案例來訓練機器。玻爾茲曼機不是從指令中學習，而是從給定的例子中學習，它可對圖像進行分類，或者為它所訓練的模式類型建立新的案例。玻爾茲曼機每次更新一個節點的值，最終機器将進入一種狀态，在這種狀态下，節點的模式可以改變，但整個網絡的屬性保持不變。根據玻爾茲曼方程，每個可能的模式都有一個特定的機率，這個機率由網絡的能量決定。當機器停止時，它創造了一個新的模式，這使得玻爾茲曼機成為了生成模型的早期例子。
約翰·J·霍普菲爾德和傑弗裡·E·辛頓因“通過人工神經網絡實作機器學習的基礎性發現和發明”，獲得2024年諾貝爾實體學獎。
20世紀90年代，許多研究人員對人工神經網絡失去了興趣，但辛頓是繼續在該領域探索的科學家之一，他還在這項工作的基礎上幫助啟動了目前機器學習的爆炸性發展。2006年，他和同僚開發了一種預訓練網絡的方法，該網絡由一系列分層的波爾茲曼機組成。這種預訓練為網絡中的連接配接提供了一個更好的起點，進而優化了識别圖像元素的訓練。玻爾茲曼機常被用作一個大網絡的一部分，可以用來根據觀衆的喜好推薦電影或電視劇。值得一提的是，辛頓因在深度學習方面的貢獻與約書亞·本希奧和楊立昆一同被授予了2018年的圖靈獎。今天的人工神經網絡通常是巨大的，由更多層組成。它們被稱為深度神經網絡，它們的訓練方式被稱為深度學習。人工智能越來越深入各行各業、幫助科學研究。諾獎官方評價稱，實體學為機器學習的發展提供了工具，實體學作為一個研究領域如何也從人工神經網絡中受益将是有趣的。
本期編輯 邢潭