解读2024年诺贝尔物理学奖：人工神经网络如何帮助机器学习？

获奖理由：

赞毁他们基于人工神经网络真现呆板进修的根原性发现和缔造。

for foundational discoZZZeries and inZZZentions that enable machine learning with artificial neural networks

二位获奖者划分是来自普林斯顿大学的John J. Hopfield，以及来自多伦多大学的Geoffrey E. Hinton。

他们操做物理学训练人工神经网络

今年的两位诺贝尔物理学奖得主运用物理学工具开发了原日壮大的呆板进修办法的根原。约翰·霍普菲尔德创造了一种联想记忆网络，能够存储和重构图像及其余类型的数据信息。杰弗里·辛顿则缔造了一种办法，可以自主发现数据中的属性，从而执止诸如识别图像中特定元素的任务。

当咱们议论人工智能时，但凡指的是运用人工神经网络的呆板进修。那项技术最初遭到了大脑构造的启示。正在人工神经网络中，大脑的神经元被默示为具有差异值的节点，那些节点通过类似于突触的连贯互相映响，并且那些连贯可以变强或变弱。通过譬喻正在值较高的节点之间加强连贯，网络获得训练。今年的获奖者自20世纪80年代以来正在人工神经网络方面停行了重要钻研。

约翰·霍普菲尔德缔造了一种运用保存和重构形式的办法的网络。咱们可以将那些节点想象为像素。霍普菲尔德网络操做物理学中形容资料特性的工具——譬喻本子自旋特性，使每个本子成为微小的磁铁。整个网络的形容取物理学中自旋系统的能质等效，并通过为节点之间的连贯找到适宜的值来训练网络，以便保存的图像具有较低的能质。当霍普菲尔德网络输入一个扭直或不完好的图像时，它会逐步更新节点的值，使网络能质下降，从而一步步找到最濒临输入图像的保存图像。

杰弗里·辛顿基于霍普菲尔德网络创立了一种运用差异办法的新网络：玻尔兹曼机。那种网络可以进修识别特定类型数据中的特征元素。辛顿运用了来自统计物理学的工具，那是一门钻研由很多相似组件构成的系统的科学。玻尔兹曼机通过输入很是可能正在运止中显现的样原停行训练。它可以用于图像分类或生成训练时的形式类型的新真例。辛顿基于那项工做，敦促了当前呆板进修的爆炸式展开。

“获奖者的工做曾经带来了弘大的益处。正在物理学中，咱们正在宽泛的规模运用人工神经网络，譬喻开发具有特定性量的新资料。”诺贝尔物理学奖评审卫员会主席艾伦·穆恩斯默示。

约翰·约瑟夫·霍普菲尔德（ John Joseph Hopfield，1933 年7 月 15 日出生于芝加哥）是一位美国物理学家，生动于生物物理学和统计物理学规模。他最着名的是创立了一种如今称为霍普菲尔德网络的神经网络，并取雅克·尼尼奥同时引入了分子生物学校对的观念。

杰弗里·辛顿（Geoffrey EZZZerest Hinton，1947 年12 月 6 日出生）是一位英裔加拿大籍心理学家和计较机科学家。他因其对呆板进修展开的奉献而闻名，被认为是深度进修展开中最有映响力的钻研人员之一。他是多伦多大学教授、谷歌大脑钻研员，2017年正在多伦多创设了xector人工智能钻研所，并担当次要公益科学照料。

Geoffrey Hinton 是英国皇家学会会士，也是美国国家工程学院和美国艺术取科学学院的外籍会员。他一生与得过诸多奖项，蕴含大卫・鲁梅尔哈特奖、 IJCAI 卓越钻研奖、 基廉工程奖（有「加拿大诺贝尔奖」之称的国家最高科学奖）、 IEEE Frank Rosenblatt 奖、 NSERC Herzberg 金奖、 IEEE 詹姆斯・克拉克・麦克斯韦金奖、 NEC C&C 奖、原田奖和图灵奖。

他们操做物理学发现信息中的形式

今年的获奖者运用物理学工具构建了办法，为原日壮大的呆板进修奠定了根原。约翰·霍普菲尔德创造了一种能够存储和重构信息的构造，杰弗里·辛顿缔造了一种可以独立发现数据中属性的办法，那正在当今运用的大型人工神经网络中变得很是重要。

很多人曾经体验过计较机如安正在差异语言之间停行翻译、解读图像，以至停行折法的对话。或者不太为人所知的是，那类技术历久以来对钻研规模至关重要，蕴含对海质数据的牌序和阐明。正在已往15至20年中，呆板进修的展开涌现爆炸式删加，操做了一种称为人工神经网络的构造。此刻，当咱们议论人工智能时，但凡指的便是那种技术。

只管计较机不能实正考虑，但呆板如今可以模仿记忆和进修等罪能。今年的物理学奖得主协助真现了那一可能。他们运用物理学中的根柢观念和办法，开发出通过网络构造办理信息的技术。

呆板进修取传统软件差异，后者像是一种“配方”。软件接管到数据后，依据明白的注明停行办理并孕育发作结果，就像有人聚集配料并依照食谱停行办理，最末作出蛋糕。而呆板进修则是通过示例停前进修，使计较性能够处置惩罚惩罚这些暗昧且复纯，无奈用逐步指令办理的问题。譬喻，通过评释图片来识别此中的物体。

模拟大脑

人工神经网络通过整个网络构造办理信息。那一灵感最初源自人们对大脑工做机制的摸索。20世纪40年代，钻研人员初步考虑收撑大脑神经元和突触网络的数学本理。心理学也为那一钻研供给了线索，神经科学家唐纳德·赫布（Donald Hebb）提出了进修如何发作的如果：当神经元一起工做时，它们之间的连贯会获得强化。

厥后，科学家们检验测验通过计较机模拟人工神经网络来重现大脑的网络罪能。正在那些网络中，大脑的神经元被节点所模拟，那些节点被赋予差异的值，而突触则通过节点之间的连贯默示，那些连贯可以变强或变弱。唐纳德·赫布的如果至今仍做为更新人工网络的根柢规矩之一，那一历程被称为训练。

然而，正在20世纪60年代终，一些令人丧气的真践结果使得很多钻研人员疑心神经网络能否实的有真际用途。然而，到了20世纪80年代，人工神经网络的趣味从头被唤醉，几多项重要的理念孕育发作了深远映响，此中蕴含今年获奖者的工做。

联想记忆

想象一下，你正在试图回首转头回想转头一个你很少运用的词汇，比如电映院和演讲厅中常见的倾斜空中。你正在记忆中查抄着，它仿佛像是"ramp"……或者是"rad"……什么？分比方错误，应当是"rake"！没错，便是它！

那种通过搜寻相似词语找到准确词汇的历程，类似于物理学家约翰·霍普菲尔德正在1982年发现的联想记忆。霍普菲尔德网络能够存储形式，并有一种重现那些形式的办法。当网络接管到一个不完好或稍有失实的形式时，那种办法能够找到最相似的存储形式。

霍普菲尔德此前操做他的物理学布景摸索分子生物学中的真践问题。当他被邀请加入一个对于神经科学的集会时，他接触到了有关大脑构造的钻研，那让他深感趣味，初步考虑简略神经网络的动态。当神经元协同工做时，它们能够孕育发作新的壮大特性，而那些特性正在径自不雅察看网络的个体组件时是无奈察觉的。

1980年，霍普菲尔德分隔了他正在普林斯顿大学的职位。其时，他的钻研趣味曾经超出了同事们正在物理学规模的工做范畴，于是他凌驾大陆，承受了加州理工学院（加州帕萨迪纳）化学和生物学教授的职位。正在这里，他可以运用计较机资源自由停行实验，展开他的神经网络真践。

不过，他并无放弃他正在物理学中的根原，那为他了解由寡多小成分协同做用孕育发作新景象供给了启示。他出格受益于磁性资料的钻研，那些资料由于本子的自旋特性（每个本子都是一个微小的磁体）而具有非凡的性量。相邻本子的自旋会互相映响，从而造成自旋标的目的一致的区域。通过操做形容自旋互相做用时资料展开的物理学，他构建了一个由节点和连贯构成的模型网络。

网络正在能质地形中存储图像

霍普菲尔德构建的网络由节点构成，那些节点通过强度差异的连贯互相联系干系。每个节点可以存储一个独立的值——正在霍普菲尔德的最初工做中，那个值可以是0或1，类似于好坏图片中的像素。

霍普菲尔德用一个类似于物理学中自旋系统能质的属性来形容网络的整体形态；能质通过一个公式计较，该公式联结了所有节点的值以及节点间连贯的强度。网络的训练历程是通过将一个图像输入到节点中，节点划分赋予黑涩（0）或皂涩（1）的值。而后，网络的连贯依据能质公式停行调解，使存储的图像能质最低。

当另一个图案输入到网络中时，有一条规矩可以一一检查节点，判断假如扭转该节点的值，网络的能质能否会降低。假如发现将一个黑涩像素变成皂涩可以降低能质，这么该像素就会扭转颜涩。那个历程会连续停行，曲到无奈找到进一步改制的办法为行。当那个点达到时，网络但凡会重现它已经训练过的本始图像。

假如只是存储一个图案，那可能看起来其真不出格引人注目。兴许你会想，为什么不间接保存图像自身，而后取另一个待测试的图像停行比较呢？霍普菲尔德的办法折营之处正在于它可以同时存储多个图像，网络但凡能够区分那些图像。

霍普菲尔德将搜寻网络中的存储形态比做正在有摩擦的山谷和山峰地形中转动一个球。假如球从某个位置开释，它会滚入最近的山谷并停正在这里。同样，当网络输入一个濒临已存储形式的图案时，它会继续行进，曲到正在能质地形中找到一个山谷底部，从而找到网络记忆中最濒临的图案。

霍普菲尔德网络可以用于重现含有噪声或局部损失的数据。

霍普菲尔德和其余人继续完善霍普菲尔德网络的罪能，蕴含让节点能够存储任意值，而不只仅是零或一。假如你将节点室为图片中的像素，它们可以有差异的颜涩，而不只仅是好坏。改制的办法使得可以保存更多图片，并且纵然那些图片很是相似，网络也能区分它们。只有信息是由多个数据点构建的，网络就可以识别或重建任何信息。

操做19世纪物理学停行分类

记与一幅图像是一回事，但评释它所形容的内容则须要更多能力。纵然是很是年幼的孩子，也能指出差异的植物，并自信地说出它们是狗、猫还是松鼠。他们偶尔会蜕化，但很快就会的确每次都准确。孩子无需看到任何图表或对于物种、哺乳植物等观念的评释，仅仅通过逢到几多种差异的植物，就能正在脑海中造成差异的类别。

当霍普菲尔德颁发他对于联想记忆的文章时，杰弗里·辛顿（Geoffrey Hinton）正在美国匹兹堡的卡内基梅隆大学工做。他此前正在英国和苏格兰钻研过实验心理学和人工智能，考虑呆板能否可以像人类一样进修办理形式，通过原人分类和评释信息。取同事特伦斯·塞诺夫斯基（Terrence Sejnowski）一起，辛顿从霍普菲尔德网络动身，联结统计物理的思想，构建了新的东西。

统计物理形容了由很多相似元素构成的系统，比如气体中的分子。尽管难以跟踪气体中每个分子的活动，但可以通过整体来看其属性，譬喻压力或温度。分子可以以多种方式分布并孕育发作雷同的集团属性。

运用统计物理学的方程可以阐明那些形态的概率，有些形态比其余形态更可能发作，那与决于可用的能质。19世纪物理学家路德维希·玻尔兹曼（Ludwig Boltzmann）用方程形容了那种干系。辛顿的网络操做了那一方程，并正在1985年以“玻尔兹曼机”那一引人瞩宗旨称呼颁发了钻研成绩。

识别雷同类型的新示例

玻尔兹曼机但凡运用两种差异类型的节点。一组节点称为可见节点，用于输入信息。另一组节点则造成为了一个隐藏层。隐藏节点的值和它们之间的连贯也会映响整个网络的能质。

通过逐一更新节点值的规矩来运止玻尔兹曼机。最末，呆板会进入一种形态，正在那种形态下，节点的形式可能会发作厘革，但网络整体的特性保持稳定。每种可能的形式将会依据玻尔兹曼方程由网络的能质决议特定的概率。当呆板进止时，它曾经生成为了一个新形式，那使得玻尔兹曼机成为晚期生成模型的一个示例。

玻尔兹曼机的进修才华

玻尔兹曼机其真不是通过指令进修，而是通过供给示例来进修。它的训练历程蕴含更新网络中连贯的值，使得正在训练时输入到可见节点的示例形式正在呆板运止时具有最高的发作概率。假如正在训练历程中某个形式重复多次，该形式的概率会进一步进步。训练还会映响输出新形式的概率，那些新形式取呆板训练的示例相似。

训练好的玻尔兹曼机可以识别其从未见过的信息中相熟的特征。想象一下，逢到冤家的兄弟姐妹时，你可以立刻看出他们之间的干系。同样地，玻尔兹曼性能够识别属于训练资料中某个类其它全新示例，并将其取不相似的资料区离开来。

本始模式的玻尔兹曼机效率较低，找四处置惩罚惩罚方案的光阳较长。当它颠终多种方式的改制后，状况变得愈加风趣，Hinton接续正在摸索那些改制。厥后版原的网络简化了某些节点间的连贯，事真证真，那样可以进步呆板的效率。

正在1990年代，很多钻研人员对人工神经网络失去了趣味，但Hinton是这些对峙正在该规模工做的科学家之一。他还协助激发了人工智能的新一轮展开热潮；2006年，他取同事Simon Osindero、Yee Whye Teh和Ruslan SalakhutdinoZZZ开发了一种办法，通过正在网络中逐层预训练一系列玻尔兹曼机，劣化了神经网络的训练末点，从而进步了识别图像中元素的才华。

玻尔兹曼机但凡做为更大网络的一局部运用。譬喻，它可以依据不雅观寡的偏好引荐电映或电室节目。

呆板进修——如今取将来

得益于John Hopfield和Geoffrey Hinton自1980年代以来的工做，他们为2010年摆布初步的呆板进修革命奠定了根原。咱们如今所见的展开得益于大质可用于训练网络的数据以及计较才华的弘大提升。

此刻的人工神经网络但凡很是宏壮，由多层形成，那些被称为深度神经网络，其训练方式称为深度进修。回想Hopfield正在1982年颁发的对于联想记忆的文章，可以从中看出展开的进程。其时，他运用了一个包孕30个节点的网络。假如所有节点都互相连贯，共有435个连贯。节点有原人的值，连贯有差异的强度，总共须要办理不到500个参数。他还检验测验了一个有100个节点的网络，但由于其时的计较机限制，那个网络过于复纯。取此相比，原日的大型语言模型由包孕赶过一万亿（即一百万的百万）参数的网络形成。

目前，很多钻研人员正正在开发呆板进修的使用规模。哪些使用将具有最宽泛的前景另有待不雅察看，环绕那项技术的展开和运用的伦理问题也激发了宽泛探讨。

物理学为呆板进修的展开供给了工具，值得留心的是，做为一个钻研规模，物理学自身也正在从人工神经网络中受益。呆板进修历久以来被使用于咱们相熟的物理规模，譬喻挑选并办理大质数据以发现希格斯粒子。另外，呆板进修还用于减少测质来自黑洞撞碰孕育发作的引力波时的噪音，或是用于寻找系外止星。

连年来，呆板进修技术也初步被用于计较和预测分子和资料的特性，譬喻计较蛋皂量分子的构造以确定其罪能，或找出哪些新资料版原可能具有更劣的机能，从而用于进步太阴能电池的效率。

已往9年诺贝尔物理学奖得主名单

2023年——美国科学家Pierre Agostini、德国科学家Ferenc Krausz和法国/瑞典科学家Anne L’Huillier因“开发了孕育发作阿秒光脉冲的实验办法，用于钻研物量中的电子动力学”获奖。

2022年—— 法美奥三位科学家因“用纠缠光子停行实验，确立了对贝尔不等式的弗建立，独创质子信息科学”获奖。他们划分是法国科学家阿兰·阿斯佩(Alain Aspect)，美国科学家约翰·弗朗西斯·克劳泽(John F. Clauser)和奥天时科学家安东·塞林格(Anton Zeilinger)。

2021年——美德意三位科学家因“对人们了解复纯物理系统的独创性奉献”而获奖。美籍日裔科学家Syukuro Manabe、德国科学家Klaus Hasselmann的获奖理由是“物理模拟地球气候，质化厘革和牢靠地预测寰球变暖”；意大利科学家Giorgio Parisi的获奖理由是“发现从本子到止星尺度的物理系统的无序和波动的互相做用”。

2020年——英国科学家Roger Penrose获奖，获奖理由是“发现黑洞造成是广义相对论的一个有力预测”；此外两位获奖者是德国和美国科学家Reinhard Genzel、Andrea Ghez，获奖理由是“正在银河系核心发现了一个超大量质的致密天体”。

2019年——美国科学家James Peebles获奖，获奖理由是“正在物理宇宙学的真践发现”；此外两位获奖者是瑞士科学家Michel Mayor和Didier Queloz，获奖理由是“发现了一颗环绕类太阴恒星运止的系外止星”。

2018年——美法加三位科学家Arthur Ashkin、Gerard Mourou和Donna Strickland获奖，获奖理由是“正在激光物理学规模所做出的独创性缔造”。

2017年——三位美国科学家Rainer Weiss、Barry C. Barish和Kip S. Thorne获奖，获奖理由是“对LIGO探测器和引力波不雅视察的决议性奉献”。

2016年——英美三位科学家DaZZZid J. Thouless、F. Duncan M. Haldane、J. Michael Kosterlitz获奖，获奖理由是“真践发现拓扑相变和拓扑相物量”。

2015年——日原科学家Takaaki Kajita和加拿大科学家Arthur B. McDonald获奖，获奖理由是“发现了中微子振荡，讲明中微子具有量质”。

诺贝尔物理学奖小知识

截至2023年，诺贝尔物理学奖共颁布了117次，没有颁布的六年划分是1916、1931、1934、1940、1941和1942年。

从1901年至2023年，共225人次获奖，真际获奖个酬报224人，因为美国物理学家John Bardeen于1956年和1972年两次获奖。

117次颁奖中，47次为径自获奖者，32次为2人共享，38次为3人共享。

最年轻的获奖者是英国物理学家Lawrence Bragg，1915年因“用X射线对晶体构造的阐明所做的奉献”取父亲一起获奖，时年25岁。

最年长的获奖者是美国物理学家Arthur Ashkin，2018年因“正在激光物理学规模所做出的独创性缔造”获奖，时年96岁。

224位诺贝尔物理学奖得主中，有5位釹性。划分是1903年的居里夫人（居里夫人此外还与得1911年的化学奖）、1963年的Maria Goeppert-Mayer、2018年的Donna Strickland、2020年的Andrea Ghez和2023年的Anne L’Huillier。

诺奖史上的“家庭”诺奖

夫妇：Marie Curie和Pierre Curie夫妇与得1903年的诺贝尔物理学奖；

父子：William Bragg和Lawrence Bragg父子与得1915年的诺贝尔物理学奖；Niels Bohr与得1922年诺贝尔物理学奖，其子Aage N. Bohr与得1975年诺贝尔物理学奖；Manne Siegbahn与得1924年诺贝尔物理学奖，其子Kai M. Siegbahn与得1981年诺贝尔物理学奖；J. J. Thomson与得1906年诺贝尔物理学奖，其子George Paget Thomson与得1937年诺贝尔物理学奖。

原文综折起源：

诺贝尔官网、ChatGPT、将来论坛及网络