推動機器學習技術“爆炸式”發展

◎本報記者 張佳欣

還記得那個橫空出世即一路“狂飆”的ChatGPT嗎？從2023年起，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，瑞典皇家科學院宣佈，將2024年諾貝爾物理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現機器學習而作出的基礎性發現和發明。

諾貝爾獎委員會稱：“儘管計算機無法思考，但現在，機器已經可以模仿人的記憶並具備學習等功能。今年的物理學獎得主爲實現這一目標作出了貢獻。”

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，AI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。這些節點通過類似於突觸的連接相互影響，這些連接可以變強或變弱。例如，通過在同時具有高數值的節點之間建立更強連接，可以對人工神經網絡進行訓練。

機器學習長期以來一直是科學家們研究的重要內容，其中包括對大量數據的分類和分析。霍普菲爾德和辛頓利用物理學工具構建了新方法，爲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。

利用物理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其他類型的數據模式。

如何理解呢？我們可以將節點想象成像素。“霍普菲爾德網絡”利用了物理學中描述物質特性的原理。根據該原理，材料因原子自旋而具有獨特特性，這種特性使每個原子成爲一個小型磁鐵。整個網絡的描述方式相當於物理學中自旋系統的能量，它通過尋找節點之間連接的值來進行訓練，從而使得保存的圖像具有較低的能量。

當輸入扭曲或不完整的圖像時，“霍普菲爾德網絡”會系統地遍歷節點並更新它們的值，從而降低網絡的能量。因此，網絡能夠逐步找到與輸入圖像最相似的已保存圖像。

辛頓的研究建立在“霍普菲爾德網絡”基礎之上，他構建了一種使用不同方法的新網絡，即玻爾茲曼機。它能夠學習識別給定類型數據中的特徵元素。在研究中，辛頓運用統計物理學原理，通過輸入機器運行時可能出現的示例對其進行訓練。玻爾茲曼機可用於對圖像進行分類，或創建訓練模式類型的新示例。辛頓在此基礎上進行了拓展，推動了當前機器學習的爆炸式發展。

智能驅動科研或成新範式

“獲獎者的工作已經產生了巨大效益。在物理學中，人工神經網絡廣泛應用於各個領域，例如開發具有特定屬性的新材料。”諾貝爾獎物理學委員會主席埃倫·穆恩斯說。

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，諾貝爾物理學獎頒給兩位“AI先驅”，除了表彰他們在將物理學與人工神經網絡深度結合方面所作的貢獻之外，可能還有兩層隱含意義，一是物理規律不僅存在於自然界中，在數字世界（計算機模型、模型創建的虛擬世界）中也可能發揮着制約作用。二是AI與物理學等基礎科學存在千絲萬縷的聯繫，基礎科學不僅爲AI築起了基座，同時其發現和理論也對AI研究提供了啓發和靈感。

與此同時，熊德意認爲，隨着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爲科研第五範式；AI帶來的自動化基礎科研，未來可能推動基礎研究實現跨域式發展。

（科技日報北京10月8日電）

來源：科技日報