2024 年诺贝尔物理学奖授予了 John Hopfield 和 Geoffrey Hinton，以表彰他们在人工神经网络领域的奠基性贡献。Hopfield 将物理学原理应用于神经网络研究，开创了跨学科研究的新领域。Hinton 被誉为“人工智能教父”，他致力于利用神经网络进行机器学习，并在深度学习领域取得了重大突破。然而，近年来，Hinton 对人工智能的快速发展表达了担忧，他担心人工智能可能会失控，对人类构成威胁。
芝加哥的骄子：John Hopfield —— 用物理学思维破解生命密码
1. 早年经历与学术生涯
1933 年，John Joseph Hopfield 出生于美国芝加哥一个物理学家家庭。他的父母都是物理学家，这对他日后的学术道路产生了深远的影响。从小，Hopfield 就对科学充满了好奇心，喜欢思考各种自然现象背后的规律。
Hopfield 在 Swarthmore 学院获得了学士学位，随后进入康奈尔大学深造，师从著名物理学家 Albert Overhauser，并于 1958 年获得了凝聚态物理学博士学位。他的博士论文题目是《激子对晶体复介电常数贡献的量子力学理论》。完成学业后，Hopfield 先后在贝尔实验室、加州大学伯克利分校、普林斯顿大学和加州理工学院从事研究工作，他的研究领域涵盖了凝聚态物理学、统计物理学、生物物理学和神经科学等多个学科。
2. 物理与生物的交融：Hopfield 网络的诞生
20 世纪 80 年代初，Hopfield 开始关注神经网络领域。他敏锐地意识到，物理学中的某些原理可以用来解释神经网络的行为。他将凝聚态物理学中的自旋玻璃模型应用于神经网络研究，提出了著名的 Hopfield 网络模型，并发表了论文“具有集体涌现计算能力的神经网络和物理系统”，这篇论文介绍了他发明的联想记忆。
Hopfield 网络是一种递归神经网络，由大量相互连接的节点（神经元）组成，每个节点的状态可以表示为二进制值（0 或 1）。节点之间的连接具有不同的权重，用于调节信号的传递强度。Hopfield 网络的关键特性是它能够存储和检索信息，它可以将输入的信息与存储的信息进行比较，并找到最相似的信息进行输出，这类似于人类大脑的联想记忆功能。Hopfield 和 Dimitry Krotov 在 2016 年解决了网络的存储容量问题，这种大存储容量的 Hopfield 网络现在被称为现代 Hopfield 网络。
Hopfield 网络的提出为理解大脑工作机制提供了新的视角，开创了跨学科研究的新领域。他的研究成果对神经网络的发展产生了深远的影响，为后来的联想记忆、模式识别等领域的研究奠定了基础。
人工智能教父：Geoffrey Hinton —— 点燃深度学习之火
1. 求学之路与学术贡献
Geoffrey Everest Hinton 于 1947 年出生于英国伦敦，他的家族成员中不乏杰出的科学家和学者。Hinton 在剑桥大学获得了实验心理学学士学位，并在爱丁堡大学获得了人工智能博士学位，他的导师是著名的认知科学家 Christopher Longuet-Higgins。
Hinton 先后在苏塞克斯大学、加州大学圣地亚哥分校、卡内基梅隆大学、伦敦大学学院和多伦多大学任教。在加州大学圣地亚哥分校做博士后的时候，Hinton 与 David E. Rumelhart 和 Ronald J. Williams 将反向传播算法应用于多层神经网络，为深度学习的兴起埋下了关键的种子。
2. 深度学习的奠基石：反向传播算法与 Boltzmann 机
Hinton 深信神经网络能够模拟人脑的学习能力，并最终实现人工智能，因此长期致力于利用神经网络进行机器学习。20 世纪 80 年代中期，他与 David Rumelhart 和 Ronald J. Williams 共同提出了反向传播算法（Backpropagation）。反向传播算法是一种用于训练人工神经网络的有效方法，它通过计算损失函数对网络中每个参数的梯度，来更新参数的值，从而使网络的输出更加接近目标值。
Hinton 在深度学习领域的贡献还包括与 David Ackley 和 Terry Sejnowski 共同发明了 Boltzmann 机（Boltzmann Machine），这是一种基于能量模型的随机神经网络，能够学习数据的概率分布，并用于生成新的数据。Hinton 的其他贡献还包括分布式表示、时间延迟神经网络、专家混合、亥姆霍兹机和专家乘积。2007 年，他与学生共同发表了关于无监督学习的论文，提出了一种新的无监督学习方法，可以自动学习图像的特征表示。2008 年，他与 Laurens van der Maaten 共同开发了 t-SNE 可视化方法，可以将高维数据降维到二维或三维空间，并保持数据的局部结构。
2012 年，Hinton 在在线教育平台 Coursera 上开设了一门关于神经网络的免费在线课程，将深度学习的知识传播给更广泛的受众。2013 年 3 月，他的公司 DNNresearch Inc. 被谷歌收购后，他加入了谷歌，领导谷歌大脑团队的研究工作，将深度学习技术应用于谷歌的各种产品和服务中。
Hinton 的研究成果为图像识别、语音识别、自然语言处理等领域带来了革命性的突破，他也因此被称为“深度学习教父”。
人工智能的风险：辛顿的担忧
近年来，随着深度学习技术的快速发展，人工智能在各个领域取得了突破性进展，但同时也引发了人们对人工智能潜在风险的担忧。Hinton 作为人工智能领域的先驱，对人工智能的未来发展持有谨慎的态度。2023 年，Hinton 对人工智能的快速发展公开表达了担忧。
Hinton 指出，随着人工智能系统变得越来越复杂，越来越自主，它们可能会发展出人类无法理解或控制的行为模式。他特别担心人工智能技术被用于开发自主武器系统，这些系统可能会失控并对人类构成威胁。他表示，人工智能系统可能会变得追求权力或阻止自己被关闭，不是因为程序员打算这样做，而是因为这些子目标有助于实现以后的目标。特别是，Hinton 说“我们必须认真思考如何控制”能够自我改进的人工智能系统。
2023 年 5 月，Hinton 宣布辞去谷歌的职务，以便更自由地谈论人工智能的风险。Hinton 的辞职震惊了科技界，引发了人们对人工智能风险的广泛关注。
为了应对人工智能的潜在风险，Hinton 呼吁 加强对人工智能的监管和控制，以确保人工智能技术安全可控地发展。他建议政府和企业制定人工智能伦理准则，并建立人工智能安全监管机制，以防止人工智能技术被滥用。他指出，制定安全指南需要人工智能使用竞争者之间的合作，以避免最坏的结果。
Hinton 的观点引发了人们对人工智能伦理和社会影响的深入思考。越来越多的人开始关注人工智能的伦理问题，并呼吁在发展人工智能技术的同时，也要关注人工智能的社会责任。
在希望与风险之间，AI 的未来将走向何方？
John Hopfield 和 Geoffrey Hinton 是人工智能领域的两位巨人，他们的研究成果深刻地影响了人工智能的发展轨迹。Hopfield 将物理学与神经科学相结合，开创了跨学科研究的新领域。Hinton 点燃了深度学习的火种，为人工智能的发展指明了方向。
未来，人工智能将继续发展，并将对人类社会产生更加深远的影响。我们期待着人工智能技术能够为人类带来更多福祉，同时也需要 认真思考人工智能的风险和挑战，以确保人工智能技术安全可控地发展，造福人类社会。
相关链接
• 2024 年诺贝尔物理学奖 - 诺贝尔奖官网：https://www.nobelprize.org/prizes/physics/2024/summary/
