3分钟讲解！微信链接牌九有挂吗(软件只赢不输)

物质科学

2024年诺贝尔物理学奖授予了约翰·H·霍普菲尔德（John H. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），以表彰他们在 “推动人工神经网络（ANNs）实现机器学习的基础性发现与发明” 。这两位科学家的贡献深刻地塑造了现代人工智能（AI），为AI嵌入日常生活奠定了基础。

基于此，来自美国宾夕法尼亚州大学的王则教授团队近日在Cell Press细胞出版社旗下期刊Patterns上发表了一篇题为 “Hopfield and Hinton’s neural network revolution and the future of AI” 的论文。作者在文中探讨了诺贝尔奖得主霍普菲尔德与辛顿的基础性发现如何影响了他们的研究，讨论了人工智能领域的新兴机遇与未解难题，以及神经网络和机器学习所面临的困难和挑战。

霍普菲尔德和辛顿在各自的职业生涯中都取得了卓越的成就，在多个领域中作出了基础性贡献。霍普菲尔德对人工智能、系统生物学和物理学产生了深远影响，而辛顿的研究覆盖了人工智能、心理学和认知科学。

霍普菲尔德最广为人知的成就是发明了霍普菲尔德网络，这是一种基于能量的关联记忆模型，通过能量最小化收敛达到一种稳定状态。该模型是对记忆和模式识别等认知过程的早期尝试，为人工神经网络（ANNs）的发展奠定了基础。

辛顿的主要贡献包括共同发明玻尔兹曼机，这是一种推动无监督学习和生成模型发展的关键创举；同时，他还推动了反向传播算法的发展，这一算法使得深度人工神经网络（ANNs）训练成为了可能。

在我个人30年的人工智能研究生涯中，霍普菲尔德和辛顿的研究一直是我的灵感来源。2002年，我们发布了《图片的自动语言索引》（ALIP），将图像语义标注形式化为统计分类问题。2012年，辛顿实验室的图像分类成果令人震撼， 这一成果颠覆了当时人工神经网络（ANNs）无法处理大型复杂问题的普遍看法，通过使用GPU实现ANNs的向量化与并行化，并进一步扩大其规模。其中，卷积神经网络（CNN）能够自动提取分层特征，正是这一突破的关键所在。

过去二十年间，我聚焦于视觉美学、情感与艺术风格的建模上——这些领域少有人问津。这一兴趣源于本科时与Dennis Hejhal的合作研究，利用CRAY超级计算机探索洛巴切夫斯基空间（如图1所示），我认为在人工智能中，美学、情感智能和创造力是非常值得深入探索的领域。

图1 洛巴切夫斯基空间中量子力学行为的可视化

人工神经网络（ANNs）的复兴促使我重新审视以往的想法，并决心采用新的方法论以实现之。我们利用如Transformers、CLIP和扩散模型等工具进行探索，并取得了显著进展。此外，我与合作者正致力于解决一些基础性挑战，例如提高医学领域的可解释性和减少对大量训练数据的依赖等。

在高中时我购买了由辛顿部分合著的《探索并行分布式处理》一书中，计算机能够通过模拟神经元进行学习的想法带领我进入人工智能探索的大门。进入大学后，我选择研究生物启发的神经网络。使用手动调优的模型，反映神经生物学机制和吸引子动力学，这些都在霍普菲尔德网络中得到了理论验证。

辛顿和其他人工智能先驱提供了一种方法，可以大规模地自动化训练神经网络，使其计算模拟结果更为可靠。因此，深度学习的应用和理论方面在随后几年中的蓬勃发展，帮助我更好地理解大脑是如何以分布式的方式表示视觉信息的。

最近，我一直与James Wang实验室合作，通过融入环境背景来提高训练模型的效率。这个想法的灵感来源于这样一个观察：人类在感知世界时，总是伴随着空间意识，而深度学习模型的训练则缺乏这方向的信息。我们开发了能够从虚拟环境中获取结化数据集，以实现更优模型的训练方法（如图2所示）。

图2 空间对比学习方法的核心概念示意图，其中一个智能体在三维虚拟环境中进行导航

尽管出于安全性和意外后果的担忧使得许多人主张暂停大型人工智能实验，但在全球性的紧迫挑战当中，如气候变化、公共卫生危机、贫困、粮食安全、环境退化、心理健康、人口增长和教育方面，人工智能可能发挥突出贡献。而实现人工智能向好发展的前提是技术创新与人类核心价值观保持一致。我们认为，在与人工智能有效合作的能力上保持谨慎乐观是极为重要的。

人工神经网络（ANNs）在识别庞大数据集模式方面表现优异，这也解释了它们在语言处理和计算机视觉任务中的有效性。但世界充满了主观性、模糊性和个体差异，人工智能是否能够超越特定的学习任务，处理这种复杂性，将决定这项技术未来的发展方向。

霍普菲尔德和辛顿展示了来自不同科学领域的交汇所产生出突破性进展。人工智能与其他学科结合可能有助于克服一些局限性。例如，应用人工智能进行气候建模，帮助预测和减缓气候风险。除了实际应用，人工智能还可能进行更深层次的智力探索，比如是否有可能训练人工智能理解超越人类知识边界，生成原创的抽象猜想，或者帮助证明像黎曼猜想，解决P与NP问题等未解之谜。

尽管已经取得了显著进展，人工智能研究中仍然存在诸多挑战。霍普菲尔德、辛顿等学者和商业领袖曾指出，人工智能可能会超越人类智能，带来重大的利益或灾难性后果。但我们认为，人工智能短期内不太可能超越人类智能，甚至可能永远不会超越。人工智能依赖于从统计模式、符号处理和优化中学习，而人类智能是多维度的，是想象力、判断力、情商（EQ）和意识等能力综合运用的结果。

一个显著的差距在于理解叙事。人工智能在理解更深层次的意义或主题方面存在困难，而人类能够自然地创造并理解复杂的叙事结构。情商（EQ）是另一个人工智能无法匹敌的领域。虽然人工智能在情感识别方面取得了一些进展，但它缺乏生活经验，无法真正体验情感或将情感应用于决策中。

创造力对人工智能来说也是一大挑战。人类能够生成新颖的想法，这一点在数学和艺术中表现得尤为明显。例如，文森特·梵高的作品依然不断出现新的见解（如图3所示）。人工智能缺乏像人类那样的想象力和跨学科的创造力，无法进行这样的创新。

图3 自动笔触提取揭示了文森特·梵高画作中的节奏结构

人类的直觉和常识，使得快速决策成为可能，而无需明确的规则，这仍然是人工智能难以实现的。在伦理和道德推理方面，人类将复杂的考量融入日常决策，通常是在瞬间完成的。人工智能受限于预定义规则或学习数据集，在面对前所未见或道德复杂的情境时表现不佳。另一个限制是人工智能缺乏内在的动机和自我决策能力。

人类智能是广泛而适应性的，能够整合各种能力，处理复杂任务，并在陌生领域做出决策。这些能力使我们能够创造伟大的艺术作品，发展惊人的技术。所以，终极问题是：“人工智能能够拥有真正的创造力和情感吗？”

霍普菲尔德和辛顿的开创性工作已经彻底改变了人工智能，并将激励未来几代人。尽管人工智能取得了显著进展，但仍面临诸多挑战。人工智能的未来将依赖于它在解决全球问题和丰富人类生活方面所做出的贡献。在确保技术创新始终与人类价值观保持一致的前提下，推动社会发展进步，增进全球人民福祉。

论文原文刊载于Cell Press细胞出版社旗下期刊Patterns，

点击“阅读原文”或扫描下方二维码查看论文

Hopfield and Hinton’s neural network revolution and the future of AI

https://www.sciencedirect.com/science/article/pii/S2666389924002666

https://doi.org/10.1016/j.patter.2024.101094

阅读原文

本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问http://renzheng.thepaper.cn。

Android版

iPhone版

iPad版

沪ICP备14003370号

沪公网安备31010602000299号

? 2014-2025 上海东方报业有限公司