辛頓開發(fā)的玻爾茲曼機(jī)成為了生成模型的早期例子。玻爾茲曼機(jī)常被用作一個(gè)大網(wǎng)絡(luò)的一部分，可以用來根據(jù)觀眾的喜好推薦電影或電視劇。
機(jī)器學(xué)習(xí)與傳統(tǒng)軟件不同，傳統(tǒng)軟件的工作方式就像一種配方。傳統(tǒng)軟件接收數(shù)據(jù)，然后根據(jù)清晰的描述進(jìn)行處理并產(chǎn)生結(jié)果，就像有人收集原料并按照食譜處理。相反，在機(jī)器學(xué)習(xí)中，計(jì)算機(jī)通過實(shí)例學(xué)習(xí)，使其能夠解決模糊和復(fù)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·霍普菲爾德和杰弗里·E·辛頓因“通過人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器學(xué)習(xí)的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”，獲得2024年諾貝爾物理學(xué)獎(jiǎng)。
10月8日，2024年諾貝爾物理學(xué)獎(jiǎng)出乎意料地授予機(jī)器學(xué)習(xí)研究領(lǐng)域，結(jié)果公布后，連獲獎(jiǎng)?wù)弑救私芨ダ铩·辛頓（Geoffrey E。 Hinton）在接受瑞典皇家科學(xué)院的電話采訪時(shí)，也直呼“沒有想到”。
2024年，普林斯頓大學(xué)的約翰·J·霍普菲爾德（John J。 Hopfield）和加拿大多倫多大學(xué)的杰弗里·E·辛頓因“通過人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器學(xué)習(xí)的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”，獲得諾貝爾物理學(xué)獎(jiǎng)。獲獎(jiǎng)?wù)邔⒐蚕?100萬瑞典克朗（約合745萬元人民幣）獎(jiǎng)金。
諾貝爾物理學(xué)獎(jiǎng)為何花落機(jī)器學(xué)習(xí)？機(jī)器學(xué)習(xí)在過去15到20年里爆炸式發(fā)展，它利用了一種叫做人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。所以當(dāng)我們談?wù)撊斯ぶ悄軙r(shí)，通常指的是使用人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)。雖然計(jì)算機(jī)不能思考，但機(jī)器現(xiàn)在可以模擬記憶和學(xué)習(xí)等功能。這要得益于今年諾貝爾物理學(xué)獎(jiǎng)得主的創(chuàng)造性工作。
今年的兩位諾貝爾物理學(xué)獎(jiǎng)得主兩位獲獎(jiǎng)?wù)呒s翰·霍普菲爾德和杰弗里·辛頓從20世紀(jì)80年代開始就在人工神經(jīng)網(wǎng)絡(luò)方面開展了重要工作。他們使用了物理學(xué)的工具來開發(fā)方法，這些方法是當(dāng)今強(qiáng)大的機(jī)器學(xué)習(xí)的基礎(chǔ)。
霍普菲爾德創(chuàng)造了一種聯(lián)想記憶，可以存儲和重建圖像和其他類型的數(shù)據(jù)模式。當(dāng)給定一個(gè)不完整或稍微扭曲的網(wǎng)絡(luò)模式時(shí)，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(xué)的職位，他的研究興趣把他帶出了物理學(xué)同行們工作的領(lǐng)域。他來到加州理工學(xué)院擔(dān)任化學(xué)和生物學(xué)教授。在那里，他可以使用計(jì)算機(jī)資源進(jìn)行免費(fèi)實(shí)驗(yàn)，并發(fā)展他關(guān)于神經(jīng)網(wǎng)絡(luò)的想法。但他并沒有放棄自己的物理學(xué)基礎(chǔ)。磁性材料由于原子自旋而使得每個(gè)原子都能成為一個(gè)微小的磁鐵，相鄰原子的自旋相互影響。得益于對磁性材料的了解，霍普菲爾德利用描述自旋相互影響時(shí)材料如何發(fā)展的物理學(xué)原理，建立了一個(gè)具有節(jié)點(diǎn)和連接的模型網(wǎng)絡(luò)。霍普菲爾德等人繼續(xù)發(fā)展霍普菲爾德網(wǎng)絡(luò)的運(yùn)作細(xì)節(jié)，例如可以存儲任何值的節(jié)點(diǎn)，而不僅僅是0或1。如果把節(jié)點(diǎn)想象成圖片中的像素，它們可以有不同的顏色，而不僅僅是黑色或白色。改進(jìn)的方法使保存更多的圖片成為可能，即使它們非常相似，也可以區(qū)分它們。
記住一幅圖像是一回事，但要解釋它所描繪的內(nèi)容需要更多的東西。
辛頓曾在英格蘭和蘇格蘭研究實(shí)驗(yàn)心理學(xué)和人工智能，他想知道機(jī)器是否能像人類一樣學(xué)會(huì)處理模式，分類和解釋信息。當(dāng)霍普菲爾德1982年發(fā)表關(guān)于聯(lián)想記憶的文章時(shí)，辛頓正在卡內(nèi)基梅隆大學(xué)工作。辛頓將霍普菲爾德發(fā)明的網(wǎng)絡(luò)作為一個(gè)新網(wǎng)絡(luò)的基礎(chǔ)，這種新網(wǎng)絡(luò)使用另一種方法是玻爾茲曼機(jī)，可以學(xué)習(xí)識別給定類型數(shù)據(jù)中的特征元素。這一方法發(fā)表于1985年。
辛頓使用了統(tǒng)計(jì)物理學(xué)的工具，通過給機(jī)器輸入案例來訓(xùn)練機(jī)器。玻爾茲曼機(jī)不是從指令中學(xué)習(xí)，而是從給定的例子中學(xué)習(xí)，它可對圖像進(jìn)行分類，或者為它所訓(xùn)練的模式類型創(chuàng)建新的案例。玻爾茲曼機(jī)每次更新一個(gè)節(jié)點(diǎn)的值，最終機(jī)器將進(jìn)入一種狀態(tài)，在這種狀態(tài)下，節(jié)點(diǎn)的模式可以改變，但整個(gè)網(wǎng)絡(luò)的屬性保持不變。根據(jù)玻爾茲曼方程，每個(gè)可能的模式都有一個(gè)特定的概率，這個(gè)概率由網(wǎng)絡(luò)的能量決定。當(dāng)機(jī)器停止時(shí)，它創(chuàng)造了一個(gè)新的模式，這使得玻爾茲曼機(jī)成為了生成模型的早期例子。
約翰·J·霍普菲爾德和杰弗里·E·辛頓因“通過人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器學(xué)習(xí)的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”，獲得2024年諾貝爾物理學(xué)獎(jiǎng)。
20世紀(jì)90年代，許多研究人員對人工神經(jīng)網(wǎng)絡(luò)失去了興趣，但辛頓是繼續(xù)在該領(lǐng)域探索的科學(xué)家之一，他還在這項(xiàng)工作的基礎(chǔ)上幫助啟動(dòng)了當(dāng)前機(jī)器學(xué)習(xí)的爆炸性發(fā)展。2006年，他和同事開發(fā)了一種預(yù)訓(xùn)練網(wǎng)絡(luò)的方法，該網(wǎng)絡(luò)由一系列分層的波爾茲曼機(jī)組成。這種預(yù)訓(xùn)練為網(wǎng)絡(luò)中的連接提供了一個(gè)更好的起點(diǎn)，從而優(yōu)化了識別圖像元素的訓(xùn)練。玻爾茲曼機(jī)常被用作一個(gè)大網(wǎng)絡(luò)的一部分，可以用來根據(jù)觀眾的喜好推薦電影或電視劇。
值得一提的是，辛頓因在深度學(xué)習(xí)方面的貢獻(xiàn)與約書亞·本希奧和楊立昆一同被授予了2018年的圖靈獎(jiǎng)。
今天的人工神經(jīng)網(wǎng)絡(luò)通常是巨大的，由更多層組成。它們被稱為深度神經(jīng)網(wǎng)絡(luò)，它們的訓(xùn)練方式被稱為深度學(xué)習(xí)。人工智能越來越深入各行各業(yè)、幫助科學(xué)研究。諾獎(jiǎng)官方評價(jià)稱，物理學(xué)為機(jī)器學(xué)習(xí)的發(fā)展提供了工具，物理學(xué)作為一個(gè)研究領(lǐng)域如何也從人工神經(jīng)網(wǎng)絡(luò)中受益將是有趣的。
來源：《 澎湃新聞》
