10月8日，杰弗里·辛顿 (Geoffrey Hinton) 和 John Hopfield两位教授2024年获得诺贝尔物理学奖。当诺奖委员会给Hinton打电话通知获奖的时候，他自己也感到震惊！
Geoffrey Hinton，被誉为“AI教父”，简单来说：他让机器能学会“看”世界。以前的计算机需要人写出明确的规则才能做事，比如识别图片中的物体。Hinton提出的神经网络和深度学习，就像模拟了人脑，让机器可以通过大量的数据自己学会判断，比如通过成千上万的图片学会区分猫和狗。这让人工智能变得更“聪明”，可以在没有明确指令的情况下，自己从数据中找到规律。这种技术如今广泛应用在语音识别、自动驾驶、医疗诊断等领域，改变了我们的生活。
Geoffrey Hinton在他的多伦多家中 来自《纽约时报》
Geoffrey Hinton于1947年出生在英国伦敦温布尔登，成长于一个知识分子家庭。他的曾曾祖父George Boole是是布尔代数的创始人。这一数学体系成为计算机科学的重要基础。Hinton的家族深受逻辑学和哲学的影响，这种学术背景促使他走向需要严格分析思维的领域。
Hinton本科在剑桥大学学习实验心理学，之后于1978年在爱丁堡大学获得人工智能领域的博士学位。他在心理学与人工智能领域的双重学术背景为其开创性研究提供了独特的视角，使他能够以独到的方式理解机器如何模仿人类的认知过程。
20世纪80年代，Hinton开始专注于神经网络的研究，而这一概念当时几乎被学术界所摒弃。彼时，主流的人工智能研究领域更倾向于符号AI，即依靠明确的规则和逻辑推理来实现智能。然而，Hinton相信神经网络，即模拟大脑神经元之间相互作用的系统，有着巨大的潜力。
1986年，Hinton与David Rumelhart和Ronald J. Williams共同提出了反向传播算法，这一算法成为训练神经网络的关键突破。它通过调整网络内部权重，使机器能够从数据中“学习”，显著提高了神经网络的准确性和灵活性。尽管反向传播算法早已被提出，但Hinton和他的团队对其进行了优化，并推动其在深度学习中的应用。
然而，即便有如此重要的发现，神经网络在当时仍不被广泛接受。它长期处于学术研究的边缘领域，研究资金和支持也相对匮乏。但Hinton始终坚持神经网络的潜力，坚信这一方向终将带来变革。
进入2000年代，Hinton的研究迎来了转折点。计算能力的提升、大规模数据的可获得性以及算法的进步使得神经网络在多个任务中超越了其他方法。Hinton对深度学习潜力的坚定信念终于得到了验证。
2006年，Hinton在Science上首次提出「深度学习」，但业内依然响应寥寥。
2012年，Hinton与他的学生Alex Krizhevsky和Ilya Sutskever开发了一种深度卷积神经网络，在ImageNet图像识别竞赛中远远超过其他模型。这一突破展示了深度学习模型在处理复杂任务（如图像和语音识别）中的卓越性能，促使学术界和工业界广泛采用神经网络。
这一段历史，华人教授李飞飞在她的新书《我看见的世界》里有详细的描述：
就是这位辛顿（Hinton），在20世纪80年代中期开发了反向传播技术，成为早期机器学习的先驱。反向传播的突破性方法首次实现了对大型神经网络的可靠训练。就是这位辛顿（Hinton），曾经指导过彼时还是他实验室学生的杨立昆
……
后来我才知道，在2012年之前的几年里，辛顿（Hinton）重拾激情，想要证明神经网络的可行性。2011年，他认为自己比以往任何时候都更接近转折点，于是开始以一种既对抗又合作的方式与同事沟通，他的表达方式听起来更像是提出挑战，而不是提出问题。
李飞飞
从此，Hinton的方法被谷歌等公司广泛采用，尤其在医疗、金融等多个行业的应用中深度学习技术成为核心技术驱动。深度学习的革命，由Hinton所引领，变革了自然语言处理、自动驾驶甚至药物发现等领域 。
2018年，Hinton和上文中提到的杨立昆，还有另一位深度学习大牛Yoshua Bengio，共同获得图灵奖。
讲到这里，你可能有一个疑问：这些跟物理学有什么关系呢？诺奖委员会的解释是，人工神经网络是用物理学工具训练的。
Hinton的研究，尤其是受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）的工作，进一步证明了这一跨学科的影响。RBM是一种随机神经网络，通过基于能量的模型来描述可见层与隐藏层之间的交互，这一系统与物理学家描述粒子在能量场中的相互作用有着相似之处 。
就这样，AI跟物理学强行联系上了。
随着人工智能逐渐渗透到日常生活中，Hinton的工作带来的社会与伦理问题开始备受关注。深度学习算法的强大功能开启了诸如医疗诊断、个性化广告甚至刑事司法系统中的新可能性，但也带来了隐私问题、偏见以及自动化对社会的影响等挑战。
根据Hinton的预测，人工智能系统在5年左右达到和人脑相同的连接，AI取代人类也许就在眼前了！
我们也时常在担忧，AI取代人类还有多远？
Hinton本人也对人工智能的潜在滥用表示担忧。近年来，他一直呼吁制定更强有力的框架来规范深度学习技术的使用，主张确保AI系统的公平性、透明性和问责性。Hinton的警告提醒我们，尽管人工智能拥有巨大的正面潜力，但如果不加控制的发展，可能会带来意想不到的负面后果 。
然而，另一面。李飞飞在接受采访时说：“我绝对尊重这一观点。我觉得还有其他风险，我愿称之为社会的灾难性风险，这些风险更为紧迫。比如错误信息、劳动力受限、偏见和侵犯隐私等实际存在的、贴近日常社会生活的问题。“
尽管人工智能在过去几十年中取得了巨大进展，Hinton仍专注于一个终极目标：创造通用人工智能（AGI）。AGI是指一种拥有类人认知能力的系统，能够学习人类可以执行的所有任务，具备一般知识和推理能力。与目前专注于特定任务的“狭义AI”不同，AGI将能够理解和适应各种上下文。
Hinton承认，虽然AGI仍是一个遥远的目标，但深度学习取得的进展为进一步研究奠定了基础。他近期的一个重要研究方向是胶囊网络（capsule networks）。它的核心思想是让AI在识别物体时，不仅仅关注像素点，还要理解物体的结构和空间关系。传统神经网络有时会因为一点变化就“认不出”物体，比如把一张图片旋转或稍微改变一下角度。而胶囊网络可以识别出物体的不同部分是如何排列的，像人一样“知道”这仍然是同一个物体。这样，AI在处理图像和视觉任务时会更加准确和灵活。
随着AI的持续发展，Hinton的贡献必将在未来的创新中继续发挥核心作用。不论是在追求通用人工智能、构建伦理AI系统，还是在将人工智能与其他科学学科结合的新方法上，Hinton的遗产将始终是一个真正的开拓者——不仅重塑了技术世界，也改变了我们对智能本质的理解。
再一次，恭喜Hinton教授！
✦
联系我们
✦
