学科交叉研究为人工智能开辟新天地-全球新要闻

10月8日，美国科学家约翰·霍普菲尔德和英裔加拿大科学家杰弗里·辛顿，因在使用人工神经网络机器学习方面的基础性发现和发明而荣获2024年诺贝尔物理学奖。

【资料图】

得知诺奖授予人工智能领域的研究者，上海交通大学人工智能学院教授张娅既震惊又激动。“震惊的是诺贝尔物理学奖竟然颁给了计算机科学家，激动的是人工智能领域获得了更广泛的认可。”张娅说。

在人工智能领域作出奠基性贡献

人工神经网络是一种模拟人脑神经元工作方式的机器学习模型，旨在通过模仿大脑的工作方式来处理复杂的计算问题。如今人工神经网络被广泛应用于医学、工程等各个领域，而且有望用于设计下一代计算机。

“表面上看，2024年诺贝尔物理学奖授予了人工智能领域，但从更广泛的意义上讲，这个奖实际上授予了理论物理学。”中国科学院自动化研究所研究员、联合国人工智能高层顾问机构专家曾毅说，两位获奖者的研究背景都起源于物理学。

刚刚获奖的两位科学家，在人工神经网络研究方面做了很多奠基性工作。

“辛顿提出了反向传播算法，让人工神经网络的训练成为了一种可能;霍普菲尔德提出了霍普菲尔德网络，这个网络对早期人工神经网络发展具有重要意义，20世纪80年代，许多物理学家都曾利用霍普菲尔德网络实现了由物理学到神经科学的跨越。”张娅说。

“1986年，辛顿发表了反向传播算法的经典论文。虽然反向传播算法诞生于20世纪60年代，但这篇论文让人们真正认识到它的重要性，掀起了神经网络研究领域的‘文艺复兴运动’。”商汤智能产业研究院院长田丰说，今天，生成式人工智能大模型、多模态大模型的训练都离不开反向传播算法。

“从人工智能的视角观察，可以说他们两位最核心的科学贡献，是将起源于理论物理、生物物理两个学科的理论成功应用于构建人工智能科学理论。学科交叉研究为人工智能开辟了新天地。”曾毅说。

曾毅认为，霍普菲尔德对记忆与关联学习的智能理论计算模型贡献很大，该模型在结构上是一个典型的循环神经网络，其结构类似于人脑中的海马体脑区;而辛顿对深度神经网络及其训练方法的贡献，主要在层次化与抽象化学习的智能理论计算模型方面，该模型在结构上是一个典型的层次化神经网络，相似的结构可以在人类大脑皮层连接模式中找到。

坚守曾经走不通的冷门专业

被誉为“AI教父”的辛顿，是现代俗称的人工智能三巨头之一，目前国际上活跃的很多人工智能专家都是他的学生或同事，比如，openAI曾经的首席科学家伊利亚·苏茨克韦尔就是他的博士生。

“辛顿在1978年获得人工智能博士学位后，正赶上人工智能低谷期。那个时候人工智能领域的主流理论是符号主义和专家系统，神经网络这条路一度走不通。然而，辛顿并没有放弃，一直坚持在神经网络领域做探索。”田丰说，直到2000年左右GPU兴起，辛顿才取得一些重大突破。此后，他带领学生一路披荆斩棘，在人工智能领域获得多个里程碑式成果。

“可以说，辛顿在青年时期很苦，那时候神经网络这个研究方向看不到希望，因为那时候既没有海量的互联网数据，也没有强大的GPU算力，只有算法，神经网络这条路显然是走不通的。同时人工智能也是一个冷门专业，学这个专业的人也不好找工作。”田丰告诉科技日报记者，而人工智能的快速发展，却得益于辛顿在学术上的坚守。

现在，辛顿高度关注人工智能的安全风险。“针对人工智能可能产生滥用恶用、人工智能对人类可能造成的生存风险，辛顿不仅进行了理论研究，还积极面向公众开展演讲，以提升公众对人工智能风险的认知。”曾毅说。

在曾毅看来，与诸多获得诺贝尔奖的科学成果一样，霍普菲尔德和辛顿的科学贡献都经受住了时间和实践的检验。

“受理论物理与生物物理启发的人工神经网络理论与模型，不仅是现代人工智能最重要的理论基础之一，近两年在诸多科学领域也取得了显著和广泛的应用效果，正在改变甚至是颠覆诸多学科的研究范式。”曾毅说。

( 陆成宽)