周二，诺贝尔物理学奖被授予两位科学家，他们的发现为ChatGPT等非常流行的工具所使用的人工智能奠定了基础。

　　诺贝尔评审团表示，被称为“人工智能教父”的英裔加拿大人杰弗里·辛顿和美国物理学家约翰·霍普菲尔德因“利用人工神经网络实现机器学习的发现和发明”而获奖。

　　但这些都是什么，这又意味着什么呢?以下是一些答案。

　　牛津大学机器学习专家马克·范德威尔克告诉法新社，人工神经网络是一种受人脑“松散启发”的数学结构。

　　我们的大脑有一个叫做神经元的细胞网络，它们通过向彼此发送信号来对外界刺激做出反应，比如我们的眼睛看到或耳朵听到的东西。

　　当我们学习东西时，神经元之间的一些联系变得更强，而另一些则变弱。

　　与更像阅读食谱的传统计算不同，人工神经网络大致模拟了这一过程。

　　生物神经元被简单的计算取代，有时被称为“节点”，它们从中学习的输入刺激被训练数据取代。

　　这个想法是，这可以让网络随着时间的推移而学习——因此被称为机器学习。

　　

　　但在机器能够学习之前，人类的另一个特征是必要的:记忆。

　　曾经努力记住一个单词吗?想想那只鹅。你可能会反复阅读类似的词——暴徒、好人、食尸鬼——然后才会碰到鹅。

　　范德威尔克说:“如果给你的模式不完全是你需要记住的东西，你需要填补空白。”

　　“这就是你记住特定记忆的方式。”

　　这就是这位物理学家在20世纪80年代早期提出的“霍普菲尔德网络”(也被称为“联想记忆”)背后的思想。

　　Hopfield的贡献意味着，当人工神经网络被赋予一些稍有错误的东西时，它可以通过先前存储的模式循环找到最接近的匹配。

　　事实证明，这是人工智能向前迈出的重要一步。

　　

　　1985年，辛顿展示了他自己对这个领域的贡献——或者至少是其中之一——玻尔兹曼机。

　　这个概念以19世纪物理学家路德维希·玻尔兹曼的名字命名，引入了随机性的元素。

　　这种随机性是今天人工智能驱动的图像生成器能够对同一提示产生无尽变化的最终原因。

　　Hinton还指出，网络的层数越多，“其行为就越复杂”。

　　法国机器学习研究员弗朗西斯·巴赫告诉法新社，这反过来又使“有效地学习期望的行为”变得更容易。

　　尽管这些想法已经到位，但许多科学家在20世纪90年代对该领域失去了兴趣。

　　机器学习需要能够处理大量信息的强大计算机。这些算法需要数百万张狗的图像才能区分狗和猫。

　　

　　巴赫说，直到2010年代，一波突破才“彻底改变了与图像处理和自然语言处理相关的一切”。

　　从阅读医学扫描到指挥自动驾驶汽车，从预测天气到制作深度伪造，人工智能的用途现在多得难以计数。

　　辛顿已经获得了图灵奖，这被认为是计算机科学的诺贝尔奖。

　　但几位专家表示，他是物理学领域当之无愧的诺贝尔奖得主，开启了通向人工智能的科学之路。

　　法国研究人员达米安·奎利奥兹指出，这些算法最初是“受到物理学的启发，将能量的概念转移到计算领域”。

　　范德威尔克表示，第一届“人工智能方法论发展”诺贝尔奖表彰了物理界和获奖者的贡献。

　　虽然ChatGPT有时会让人工智能看起来真的很有创意，但记住机器学习的“机器”部分很重要。

　　"There is no magic happening here," van der Wilk emphasized.

　　“最终，人工智能中的一切都是乘法和加法。”

　　?2024法新社

　　引用神经网络，机器学习?获得诺贝尔奖的人工智能科学解释(2024年10月8日)从2024年10月8日https://techxplore.com/news/2024-10-neural-networks-machine-nobel-ai.html检索

　　作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司

　　内容仅供参考之用。