剛剛，諾貝爾物理學獎頒給AI教父！

衡宇 2024-10-08 19:00:30 來源：量子位

編輯部 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

諾貝爾物理學獎，今年頒給AI！

機器學習先驅Hinton、Hopfield共同獲獎，出乎所有人意料。

沒錯，不是事前預測中熱門的凝聚態(tài)或量子物理等方向，就是AI，是機器學習，更具體來說，神經(jīng)網(wǎng)絡。

以表彰他們?yōu)槔萌斯ど窠?jīng)網(wǎng)絡進行機器學習做出的基礎性發(fā)現(xiàn)和發(fā)明”。

那么，他們的貢獻與物理關聯(lián)何在呢？

諾貝爾獎委員會揭秘：

他們利用了物理學方法來尋找信息的特征，構建了為當今強大的機器學習奠定基礎的方法。

Hopfield提出的“Hopfield神經(jīng)網(wǎng)絡”，以相當于物理學中自旋系統(tǒng)能量的方式進行描述。

Hinton提出的“玻爾茲曼機”，則使用了統(tǒng)計物理學中的工具。

后來Hinton在這項工作的基礎上，幫助啟動了當前機器學習的爆炸性發(fā)展，也就是我們熟知的深度學習革命了。

人工神經(jīng)網(wǎng)絡的第一塊重要基石

約翰·霍普菲爾德（John Joseph Hopfield）出生于1933年7月15日。

1954年獲得斯沃斯莫爾學院物理學學士學位。1958年在康奈爾大學獲得博士學位。

他早期聚焦于物理化學和凝聚態(tài)領域研究。后來在貝爾實驗室工作期間，對分子生物學產(chǎn)生了濃厚興趣。

從20世紀40年代起，研究人員開始推理大腦神經(jīng)元和突觸網(wǎng)絡背后的數(shù)學邏輯。

后來，人們便開始嘗試利用計算機來模擬大腦網(wǎng)絡功能。也就是開始構建人工神經(jīng)網(wǎng)絡。

在這些網(wǎng)絡中，大腦的神經(jīng)元被賦予不同值的節(jié)點所模仿，突觸由節(jié)點之間的連接表示，這些連接可以變得更強或更弱。唐納德·赫布的假設仍然被用作通過稱為訓練的過程更新人工網(wǎng)絡的基本規(guī)則之一。

之后很長一段時間里，學界都在嘗試用數(shù)學、物理的方法來探索生物神經(jīng)學。

比如Hopfield，他曾利用他在物理學的背景來探索分子生物學的理論問題。

當他被邀請參加一個關于神經(jīng)科學的會議時，他遇到了關于大腦結構的研究。他對所學到的東西感到著迷，并開始思考簡單神經(jīng)網(wǎng)絡的動態(tài)。

當神經(jīng)元一起作用時，它們可以產(chǎn)生新的和強大的特性，這些特性對于只觀察網(wǎng)絡單獨組件的人來說并不明顯。

1980年，Hopfield離開了他在普林斯頓大學的職位，他的研究興趣已經(jīng)超出了他在物理學的同事們工作的領域，他跨越大陸搬到了加利福尼亞州帕薩迪納的加州理工學院（Caltech），那里他可以免費使用計算機資源進行實驗，并發(fā)展他對神經(jīng)網(wǎng)絡的想法。

然而，他并沒有放棄他在物理學方面的基礎，并在其中找到了靈感，理解了如何系統(tǒng)地使用許多小組件一起工作可以產(chǎn)生新的和有趣的現(xiàn)象。

他特別受益于對磁性材料的學習，這些材料由于它們的原子自旋——一種使每個原子成為微小磁鐵的屬性——具有特殊特性。

鄰近原子的自旋相互影響；這可以允許形成自旋方向相同的域。他能夠通過使用描述材料如何發(fā)展的物理學來構建一個具有節(jié)點和連接的模型網(wǎng)絡，當自旋相互影響時。

大腦的神經(jīng)網(wǎng)絡是由具有先進內部機制的活細胞神經(jīng)元構成的。它們可以通過突觸向彼此發(fā)送信號。當我們學習事物時，一些神經(jīng)元之間的連接變得更強，而其他連接變得更弱。

人工神經(jīng)網(wǎng)絡是由編碼有值的節(jié)點構建的。節(jié)點相互連接，當網(wǎng)絡被訓練時，同時活躍的節(jié)點之間的連接變得更強，否則它們變得更弱。

Hopfield構建的網(wǎng)絡節(jié)點通過不同強度的連接相互連接。

每個節(jié)點可以存儲一個單獨的值——在Hopfield的第一次工作中，這可以是0或1，就像黑白圖片中的像素格一樣。

Hopfield用一個屬性來描述網(wǎng)絡的總體狀態(tài)，這相當于物理學中自旋系統(tǒng)中的能量；能量是使用一個公式計算的，該公式使用所有節(jié)點的值和它們之間所有連接的強度?；羝辗茽柕戮W(wǎng)絡通過將圖像輸入到節(jié)點，賦予它們黑色（0）或白色（1）的值來編程。

然后，網(wǎng)絡的連接使用能量公式進行調整，以便保存的圖像獲得低能量。當另一個模式輸入到網(wǎng)絡時，有一個規(guī)則是逐個檢查節(jié)點，看看如果改變該節(jié)點的值，網(wǎng)絡的能量是否會降低。

如果發(fā)現(xiàn)如果黑色像素是白色，能量會降低，它就會改變顏色。這個過程繼續(xù)進行，直到無法找到進一步的改進。

當達到這一點時，網(wǎng)絡通常已經(jīng)在它被訓練的原始圖像上復制了自己。

如果只保存一個模式，這可能看起來并不那么引人注目。

也許你想知道為什么你不只是保存圖像本身并與正在測試的另一個圖像進行比較，但Hopfield的方法之所以特別，是因為可以同時保存多張圖片，網(wǎng)絡通?？梢栽谒鼈冎g進行區(qū)分。

Hopfield將搜索網(wǎng)絡以尋找保存的狀態(tài)比作在有摩擦減緩其運動的山峰和山谷景觀中滾動一個球。

如果球被放在一個特定的位置，它會滾進最近的山谷并在那里停止。如果網(wǎng)絡被給予一個接近保存模式之一的模式，它將以同樣的方式繼續(xù)前進，直到它最終到達能量景觀中的山谷底部，從而找到記憶中最接近的模式。

Hopfield等人之后更進一步深入研究霍普菲爾德網(wǎng)絡，包括可以存儲任何值的節(jié)點，不僅僅是0或1。

如果將節(jié)點視為圖片中的像素，它們可以有不同的顏色，不僅僅是黑色或白色。

改進的方法使得保存更多圖片成為可能，并且即使它們非常相似，也能區(qū)分它們。同樣可以識別或重建任何信息，只要它由許多數(shù)據(jù)點構建。

不過記住一個圖像是一回事，解釋它所代表的內容是另一回事。

即使是非常小的孩子也可以指向不同的動物，并自信地說它是狗、貓還是松鼠。

他們可能偶爾出錯，但是能很快正確分辨。孩子甚至可以在沒有看到任何圖表或解釋物種或哺乳動物等概念的情況下學習這一點。在遇到每種動物的幾個例子后，不同的類別在孩子的腦海中形成了。人們通過體驗周圍的環(huán)境來學習識別貓，或理解一個詞，或進入一個房間并注意到有些事情已經(jīng)改變。

當Hopfield發(fā)表他的聯(lián)想記憶文章時，Hinton正在卡內基梅隆大學工作。

他之前在英國和蘇格蘭學習實驗心理學和人工智能，并想知道機器是否能夠以類似于人類的方式學習處理模式，為排序和解釋信息找到自己的類別。

Hinton：現(xiàn)在是圖靈諾貝爾雙料得主

Hinton的研究正是建立在霍普菲爾德神經(jīng)網(wǎng)絡之上。

當時Hinton在卡內基梅隆大學工作，他之前曾在英國研究過實驗心理學和人工智能，想知道機器是否可以學習，是否可以與人類類似的方式處理信息。

他與同事Terrence Sejnowski一起，利用統(tǒng)計物理學的思想擴展霍普菲爾德網(wǎng)絡。

統(tǒng)計物理學描述由許多相似元素組成的系統(tǒng)，例如氣體中的分子。

追蹤氣體中的所有單獨分子是困難或不可能的，但可以將它們集中考慮以確定氣體的壓力或溫度等總體特性。

氣體分子有許多潛在的方式以各自的速度在其體積中擴散，可以使用統(tǒng)計物理學來分析各個組件可以共同存在的狀態(tài)，并計算它們發(fā)生的概率。

十九世紀物理學家路德維?！げ柶澛梅匠堂枋隽擞行顟B(tài)比其他狀態(tài)更有可能發(fā)生。

Hinton利用了該方程，提出玻爾茲曼機。

玻爾茲曼機與今天的深度神經(jīng)網(wǎng)絡一樣，可以從例子中學習，通過更新網(wǎng)絡連接中的值來進行訓練。

最初版本的玻爾茲曼機效率相當?shù)停?strong>到20世紀90年代，許多研究人員對人工神經(jīng)網(wǎng)絡失去了興趣，Hinton是少數(shù)堅持下來的人。

到2006年，他和同事們一起在玻爾茲曼機的基礎上開發(fā)了“深度信念網(wǎng)絡”（Deep Belief Nets），其中提出了無監(jiān)督的逐層訓練方法，后來成為深度學習的基礎。

在最后，諾貝爾獎委員會提到，Hopfield和Hinton兩人在80年代的工作為2010年左右開始的機器學習革命奠定了基礎。

物理學為機器學習的發(fā)展貢獻了工具，相應的，現(xiàn)在機器學習也惠及了物理研究。

例如，機器學習長期應用于希格斯粒子發(fā)現(xiàn)等諾獎領域，用于處理海量數(shù)據(jù);它還可用于減少引力波測量中的噪聲，或搜尋系外行星。

近年來，這項技術還開始被用于計算和預測分子及材料的性質，如計算決定蛋白質功能的分子結構，或設計性能更佳、可用于高效太陽能電池的新型材料。

One More Thing

眾所周知，作為深度學習三巨頭之一的Hinton，也是2018年圖靈獎得主。

往前看，在Hinton之前，同樣一手諾貝爾獎一手圖靈獎的科學家，有且僅有一位。

赫伯特·亞歷山大·西蒙（Herbert Alexander Simon，中文名司馬賀）。

與Hinton一樣，西蒙也是先拿圖靈獎，再拿諾貝爾獎——

1975年，西蒙和艾倫·紐厄爾（Allen Newell）因在人工智能、人類心理識別和列表處理等方面進行的基礎研究，榮獲圖靈獎。

（他倆是符號主義的創(chuàng)始人和代表人物，提出了物理符號系統(tǒng)假說）

1978年，西蒙因為“有限理性說”和“決策理論”獲諾貝爾經(jīng)濟學獎。

參考鏈接：
[1]https://www.nobelprize.org/
[2]https://www.cs.toronto.edu/~fritz/absps/ncfast.pdf