還記得那個橫空出世即一路“狂飙”的ChatGPT嗎？2023年以來，人工智能（AI）“百模大戰”從硝煙燃起到全面打響，讓人應接不暇。而AI模型背後的關鍵技術，正是機器學習。
10月8日，瑞典皇家科學院宣布，将2024年諾貝爾實體學獎授予美國科學家約翰·霍普菲爾德和英裔加拿大科學家傑弗裡·辛頓，以表彰他們通過人工神經網絡實作機器學習而作出的基礎性發現和發明。
圖檔來源：諾貝爾獎委員會官網
諾貝爾獎委員會在一份聲明中稱：“盡管計算機無法思考，但現在，機器已經可以模仿人的記憶并具備學習等功能。今年的實體學獎得主為實作這一目标作出了貢獻。”
靈感源自人腦結構
當我們談論AI時，通常指的是使用人工神經網絡進行的機器學習。如今，基于人工神經網絡的機器學習正在徹底改變科學、工程和日常生活。
事實上，這項技術最初的開發靈感源自人腦結構。在人工神經網絡中，大腦的神經元由具有不同值的節點表示。這些節點通過類似于突觸的連接配接互相影響，這些連接配接可以變強或變弱。例如，通過在同時具有高數值的節點之間建立更強的連接配接，可以對網絡進行訓練。
機器學習長期以來一直是科學家們研究的重要内容，其中包括對大量資料的分類和分析。霍普菲爾德和辛頓利用實體學工具建構了新方法，為當今強大的機器學習奠定了基礎。他們的研究起始階段可回溯至20世紀80年代，早在那時，他們就在人工神經網絡方面開展了重要工作。
利用實體學訓練人工神經網絡
霍普菲爾德發明了一種“聯想記憶”網絡，它能夠存儲和重建圖像以及資料中的其他類型模式。
如何了解呢？我們可以将節點想象成像素。“霍普菲爾德網絡”利用了實體學中描述物質特性的原理。該原理表明，材料因原子自旋而具有獨特性，這種特性使每個原子成為一個小型磁鐵。整個網絡的描述方式相當于實體學中自旋系統的能量，它通過尋找節點之間連接配接的值來進行訓練，進而使得儲存的圖像具有較低的能量。
圖檔來源：視覺中國
當輸入扭曲或不完整的圖像時，“霍普菲爾德網絡”會系統地周遊節點并更新它們的值，進而降低網絡的能量。是以，網絡能夠逐漸找到與輸入的不完美圖像最相似的已儲存圖像。
辛頓的研究建立在“霍普菲爾德網絡”基礎之上，他建構了一種使用不同方法的新網絡，即玻爾茲曼機。它能夠學習識别給定類型資料中的特征元素。在研究中，辛頓運用統計實體學原理，通過輸入機器運作時可能出現的示例對其進行訓練。玻爾茲曼機可用于對圖像進行分類，或建立訓練模式類型的新示例。辛頓在此基礎上進行了拓展，推動了目前機器學習的爆炸式發展。
智能驅動科研或成新範式
“獲獎者的工作已經産生了巨大效益。在實體學中，人工神經網絡廣泛應用于各個領域，例如開發具有特定屬性的新材料。”諾貝爾實體學委員會主席埃倫·穆恩斯如是說。
天津大學自然語言處理實驗室負責人熊德意教授告訴科技日報記者，諾貝爾實體學獎頒給兩位AI科學家，除了表彰他們在将實體學與人工神經網絡深度結合方面所作的貢獻之外，可能還有兩層隐含意義，一是實體規律不僅存在于自然界中，在數字世界（計算機模型、模型建立的虛拟世界）中也可能發揮着制約作用；二是AI與實體學等基礎科學存在千絲萬縷的聯系，基礎科學不僅為AI築起了基座，同時其發現和理論也為AI研究提供了啟發和靈感。
與此同時，熊德意認為，随着AI縱深發展，其對基礎科學的反哺作用越來越明顯，智能驅動的科研，極有可能成為科研第五範式；AI帶來的自動化基礎科研，未來可能推動基礎研究實作跨域式發展。
來源：科技日報
編輯：詹宇清
初審：陳晨
終審：許晶