本報(bào)特約作者 唐乾元

當(dāng)?shù)貢r(shí)間10月8日，瑞典皇家科學(xué)院宣布將2024年諾貝爾物理學(xué)獎(jiǎng)授予美國(guó)和加拿大科學(xué)家約翰·霍普菲爾德（John Hopfield）和杰弗里·辛頓（Geoffrey Hinton），以表彰他們?cè)谌斯ど窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)領(lǐng)域的開(kāi)創(chuàng)性貢獻(xiàn)。他們的工作展示了如何用從統(tǒng)計(jì)物理學(xué)中的基礎(chǔ)概念出發(fā)，利用能量最小化、概率建模和優(yōu)化等方法幫助計(jì)算機(jī)通過(guò)可計(jì)算的方式實(shí)現(xiàn)學(xué)習(xí)和記憶。他們開(kāi)創(chuàng)性工作的科學(xué)價(jià)值在于：不僅為人工神經(jīng)網(wǎng)絡(luò)提供了理論支撐，還讓深度學(xué)習(xí)成為解決現(xiàn)實(shí)復(fù)雜問(wèn)題的強(qiáng)大工具，比如圖像識(shí)別和自然語(yǔ)言處理。

為計(jì)算神經(jīng)科學(xué)提供了重要的理論工具

約翰·霍普菲爾德的貢獻(xiàn)可以形象地理解為給機(jī)器設(shè)計(jì)了一種“聯(lián)想記憶”的能力。就像人們看到模糊破損的老照片，也能通過(guò)記憶把它拼湊完整一樣，霍普菲爾德的網(wǎng)絡(luò)能夠通過(guò)不斷調(diào)整自身狀態(tài)重現(xiàn)原始圖像。這種網(wǎng)絡(luò)模型模擬了物理系統(tǒng)趨向最低能量狀態(tài)的過(guò)程，類似于在拼圖時(shí)嘗試讓每個(gè)拼塊自己找到最合適的位置。這項(xiàng)研究不僅在理論上帶來(lái)了對(duì)人工神經(jīng)網(wǎng)絡(luò)如何儲(chǔ)存和重構(gòu)信息的全新視角，還為計(jì)算神經(jīng)科學(xué)提供了重要的理論工具，幫助科學(xué)家探索大腦如何實(shí)現(xiàn)高效的計(jì)算和記憶?；羝辗茽柕碌墓ぷ鬟€激發(fā)了后續(xù)關(guān)于關(guān)聯(lián)記憶、模式識(shí)別和聯(lián)想過(guò)程的大量研究，為理解大腦中的計(jì)算過(guò)程奠定了基礎(chǔ)，也為后來(lái)出現(xiàn)的各種神經(jīng)網(wǎng)絡(luò)架構(gòu)、類腦計(jì)算等提供了理論依據(jù)。

杰弗里·辛頓一直活躍于人工神經(jīng)網(wǎng)絡(luò)研究的第一線。從上個(gè)世紀(jì)80年代開(kāi)始，他不斷地在人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和訓(xùn)練方法上作出了重要貢獻(xiàn)，還推動(dòng)了深度學(xué)習(xí)的誕生，或者說(shuō)，深層人工神經(jīng)網(wǎng)絡(luò)的復(fù)興。2006年，辛頓提出了深度信念網(wǎng)絡(luò)的概念，這是現(xiàn)代深度學(xué)習(xí)的起點(diǎn)。在一個(gè)多深層的人工神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)能夠逐步提取到更為抽象和高層級(jí)的特征，從而從大量數(shù)據(jù)中學(xué)習(xí)到有意義的信息，這使得深度學(xué)習(xí)成為解決許多現(xiàn)實(shí)問(wèn)題的關(guān)鍵工具。辛頓的工作幫助深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域取得了突破性進(jìn)展，為今天的人工智能奠定了堅(jiān)實(shí)的理論和實(shí)踐基礎(chǔ)。2019年，杰弗里·辛頓與另外兩位深度學(xué)習(xí)領(lǐng)域的先驅(qū)者Yoshua Bengio 和Yann LeCun一起獲得了當(dāng)年的圖靈獎(jiǎng)。

物理學(xué)是研究物質(zhì)、信息、能量等對(duì)象及其相互作用的基本規(guī)律的學(xué)科，它既包括對(duì)具體現(xiàn)象的探索，比如理解自由落體、天體運(yùn)動(dòng)、電磁波的傳播、量子糾纏，也包括對(duì)描述和預(yù)測(cè)復(fù)雜行為的抽象模型的研究，如理解社會(huì)集體行為、設(shè)計(jì)優(yōu)化人工神經(jīng)網(wǎng)絡(luò)等等。以物理學(xué)家的思維方式解決來(lái)源于各種不同學(xué)科中具有普適性的科學(xué)問(wèn)題，使物理學(xué)的邊界超越了傳統(tǒng)領(lǐng)域。

人工神經(jīng)網(wǎng)絡(luò)研究曾經(jīng)歷“暗夜”時(shí)刻

在20世紀(jì)80年代初，當(dāng)時(shí)人工智能的主流是基于符號(hào)邏輯的專家系統(tǒng)，例如，基于語(yǔ)法規(guī)則實(shí)現(xiàn)機(jī)器翻譯，這些系統(tǒng)依靠大量手工編寫(xiě)的規(guī)則，試圖用邏輯推理模仿人類的思維過(guò)程，而神經(jīng)網(wǎng)絡(luò)的研究在那個(gè)時(shí)候并不受重視，很多人認(rèn)為它缺乏實(shí)用性。約翰·霍普菲爾德是一位具有分子生物學(xué)和神經(jīng)科學(xué)背景的物理學(xué)家，他受到生物神經(jīng)元工作的啟發(fā)，認(rèn)為可以通過(guò)數(shù)學(xué)模型模擬大腦處理信息的方式?；羝辗茽柕麓竽懙靥岢隽耸褂梦锢韺W(xué)中的能量最小化原理設(shè)計(jì)人工神經(jīng)網(wǎng)絡(luò)，使這些網(wǎng)絡(luò)能夠通過(guò)不斷調(diào)整自身狀態(tài)找到最符合保存信息的方式。

杰弗里·辛頓的研究旅程則充滿了堅(jiān)持與突破。辛頓出生在一個(gè)科學(xué)世家，他的曾祖父喬治·布爾發(fā)明了布爾代數(shù)，這種數(shù)學(xué)工具如今是計(jì)算機(jī)科學(xué)的基礎(chǔ)。辛頓延續(xù)了家族對(duì)科學(xué)的熱情，但他的道路并非一帆風(fēng)順。盡管人工神經(jīng)網(wǎng)絡(luò)的研究一度在上世紀(jì)80-90年代迎來(lái)了一波小熱潮，然而由于計(jì)算機(jī)計(jì)算能力的限制，許多人工智能方面的權(quán)威都認(rèn)為，人工神經(jīng)網(wǎng)絡(luò)只能用于解決一些相對(duì)簡(jiǎn)單的問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)的研究也因此進(jìn)入了長(zhǎng)達(dá)十余年的低潮期，很多研究人員選擇了轉(zhuǎn)向其他方向，在面對(duì)學(xué)術(shù)界的質(zhì)疑和研究資金的匱乏時(shí)，辛頓堅(jiān)持不懈地推動(dòng)神經(jīng)網(wǎng)絡(luò)的研究。他相信，正如同大腦的工作方式并不能被簡(jiǎn)單的邏輯規(guī)則描述，機(jī)器學(xué)習(xí)也應(yīng)該需要從概率和能量的角度來(lái)理解。因此，雖然當(dāng)時(shí)的計(jì)算能力無(wú)法支持復(fù)雜的深度網(wǎng)絡(luò)訓(xùn)練，但他相信這種方法在未來(lái)一定會(huì)實(shí)現(xiàn)。他的遠(yuǎn)見(jiàn)和堅(jiān)持為后來(lái)的深度學(xué)習(xí)鋪平了道路。深層神經(jīng)網(wǎng)絡(luò)在圖像和語(yǔ)音識(shí)別任務(wù)中表現(xiàn)出色，讓全球范圍內(nèi)的科學(xué)家們重新認(rèn)識(shí)到神經(jīng)網(wǎng)絡(luò)的潛力，也引起了工業(yè)界的廣泛關(guān)注。

深度學(xué)習(xí)的應(yīng)用變革了科技產(chǎn)業(yè)

霍普菲爾德和辛頓的工作通過(guò)運(yùn)用物理學(xué)中的概念和方法，為機(jī)器學(xué)習(xí)提供了新的視角和理論框架。這種跨學(xué)科的合作超越了傳統(tǒng)科學(xué)研究的邊界，推動(dòng)了新的研究領(lǐng)域的發(fā)展。如今，越來(lái)越多的科學(xué)家投身于機(jī)器學(xué)習(xí)研究，不僅利用他們?cè)诮y(tǒng)計(jì)物理、統(tǒng)計(jì)學(xué)、信息論等方面的專長(zhǎng)推動(dòng)機(jī)器學(xué)習(xí)與人工智能領(lǐng)域的發(fā)展，還利用人工智能方法解決物理學(xué)、化學(xué)、生物學(xué)等學(xué)科中的難題，從而形成了“Science of AI”和“AI for Science”的雙向互動(dòng)。這種雙向互動(dòng)加速了許多新的突破。

尤其值得一提的是，深度學(xué)習(xí)還在生物醫(yī)學(xué)領(lǐng)域取得了顯著成果，例如用于蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的AlphaFold模型，這使得科學(xué)家能夠在極短的時(shí)間內(nèi)解決過(guò)去需要數(shù)月乃至數(shù)年才能完成的蛋白質(zhì)結(jié)構(gòu)解析，從而極大地推動(dòng)了生物化學(xué)和醫(yī)藥研究的發(fā)展。此外，今天的科學(xué)家可以利用深度學(xué)習(xí)模型來(lái)模擬和預(yù)測(cè)復(fù)雜的自然現(xiàn)象與物質(zhì)性質(zhì)，如氣候變化、材料特性、生物分子模擬以及量子系統(tǒng)中的粒子行為。深度學(xué)習(xí)的計(jì)算能力使得科學(xué)家們能夠處理大規(guī)模的數(shù)據(jù)，結(jié)合科學(xué)理論來(lái)進(jìn)行更精確的預(yù)測(cè)和分析。這種跨學(xué)科的應(yīng)用不僅提高了科學(xué)研究的效率，還為理解自然界提供了新的工具和方法。

從技術(shù)應(yīng)用的角度看，深度學(xué)習(xí)已成為推動(dòng)人工智能進(jìn)步的核心技術(shù)，廣泛應(yīng)用于未來(lái)產(chǎn)業(yè)和日常生活中的各種場(chǎng)景。例如，圖像和語(yǔ)音識(shí)別、智能手機(jī)中的語(yǔ)音助手、自動(dòng)駕駛技術(shù)、圖像與視頻生成技術(shù)等都得益于深度學(xué)習(xí)的突破。在未來(lái)高新技術(shù)產(chǎn)業(yè)的發(fā)展中，深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)將繼續(xù)扮演關(guān)鍵角色。例如，深度學(xué)習(xí)算法可以幫助車輛更好地理解周圍環(huán)境，實(shí)現(xiàn)更高水平的自動(dòng)駕駛；機(jī)器人技術(shù)也將在深度學(xué)習(xí)的幫助下變得更加智能和靈活，能夠處理圖像、聲音、力學(xué)、位置姿態(tài)等不同類型的信息、自主應(yīng)對(duì)更加復(fù)雜的任務(wù)。

深度學(xué)習(xí)的應(yīng)用不僅改變了科技產(chǎn)業(yè)，還推動(dòng)了多個(gè)傳統(tǒng)行業(yè)的變革。例如，在醫(yī)療行業(yè)中，深度學(xué)習(xí)用于醫(yī)學(xué)圖像分析，幫助醫(yī)生進(jìn)行更精確的診斷，從而提高治療的效率和準(zhǔn)確性；在制造業(yè)中，深度學(xué)習(xí)被用來(lái)實(shí)現(xiàn)生產(chǎn)過(guò)程的自動(dòng)化與智能化，提升生產(chǎn)效率和產(chǎn)品質(zhì)量；在能源行業(yè)中，深度學(xué)習(xí)被用于預(yù)測(cè)電力需求和優(yōu)化能源分配，幫助提高能源使用的效率，減少浪費(fèi)；在零售行業(yè)，深度學(xué)習(xí)被用于顧客行為分析和個(gè)性化推薦，幫助商家更好地理解顧客需求，提供更加精準(zhǔn)的服務(wù)；在物流行業(yè)，深度學(xué)習(xí)被用于優(yōu)化運(yùn)輸路線和倉(cāng)儲(chǔ)管理，通過(guò)實(shí)時(shí)分析交通情況和庫(kù)存數(shù)據(jù)，提高配送的效率，降低成本。

上述這些應(yīng)用使人工智能成為推動(dòng)各行各業(yè)變革的重要驅(qū)動(dòng)力。這些突破將改變?nèi)藗兛创澜绲姆绞?，推?dòng)科技進(jìn)步，為人類社會(huì)帶來(lái)深遠(yuǎn)的影響。

（作者：唐乾元，博士，香港浸會(huì)大學(xué)物理系助理教授。本文編輯：朱廣清）