霍普菲尔德与辛顿的神经网络及人工智能的未来
霍普菲尔德与辛顿的神经网络及人工智能的未来
2024年诺贝尔物理学奖授予霍普菲尔德与辛顿
2024年诺贝尔物理学奖授予了约翰·H·霍普菲尔德（John H. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），以表彰他们在“推动人工神经网络（ANNs）实现机器学习的基础性发现与发明”。这两位科学家的贡献深刻地塑造了现代人工智能（AI），为AI嵌入日常生活奠定了基础。
基于此，来自美国宾夕法尼亚州大学的王则教授团队近日在Cell Press细胞出版社旗下期刊Patterns上发表了一篇题为“Hopfield and Hinton’s neural network revolution and the future of AI”的论文。作者在文中探讨了诺贝尔奖得主霍普菲尔德与辛顿的基础性发现如何影响了他们的研究，讨论了人工智能领域的新兴机遇与未解难题，以及神经网络和机器学习所面临的困难和挑战。
霍普菲尔德与辛顿的基础性贡献
霍普菲尔德和辛顿在各自的职业生涯中都取得了卓越的成就，在多个领域中作出了基础性贡献。霍普菲尔德对人工智能、系统生物学和物理学产生了深远影响，而辛顿的研究覆盖了人工智能、心理学和认知科学。
霍普菲尔德最广为人知的成就是发明了霍普菲尔德网络，这是一种基于能量的关联记忆模型，通过能量最小化收敛达到一种稳定状态。该模型是对记忆和模式识别等认知过程的早期尝试，为人工神经网络（ANNs）的发展奠定了基础。
辛顿的主要贡献包括共同发明玻尔兹曼机，这是一种推动无监督学习和生成模型发展的关键创举；同时，他还推动了反向传播算法的发展，这一算法使得深度人工神经网络（ANNs）训练成为了可能。
人工智能的新兴方向与未解挑战
尽管出于安全性和意外后果的担忧使得许多人主张暂停大型人工智能实验，但在全球性的紧迫挑战当中，如气候变化、公共卫生危机、贫困、粮食安全、环境退化、心理健康、人口增长和教育方面，人工智能可能发挥突出贡献。而实现人工智能向好发展的前提是技术创新与人类核心价值观保持一致。我们认为，在与人工智能有效合作的能力上保持谨慎乐观是极为重要的。
人工神经网络（ANNs）在识别庞大数据集模式方面表现优异，这也解释了它们在语言处理和计算机视觉任务中的有效性。但世界充满了主观性、模糊性和个体差异，人工智能是否能够超越特定的学习任务，处理这种复杂性，将决定这项技术未来的发展方向。
霍普菲尔德和辛顿展示了来自不同科学领域的交汇所产生出突破性进展。人工智能与其他学科结合可能有助于克服一些局限性。例如，应用人工智能进行气候建模，帮助预测和减缓气候风险。除了实际应用，人工智能还可能进行更深层次的智力探索，比如是否有可能训练人工智能理解超越人类知识边界，生成原创的抽象猜想，或者帮助证明像黎曼猜想，解决P与NP问题等未解之谜。
尽管已经取得了显著进展，人工智能研究中仍然存在诸多挑战。霍普菲尔德、辛顿等学者和商业领袖曾指出，人工智能可能会超越人类智能，带来重大的利益或灾难性后果。但我们认为，人工智能短期内不太可能超越人类智能，甚至可能永远不会超越。人工智能依赖于从统计模式、符号处理和优化中学习，而人类智能是多维度的，是想象力、判断力、情商（EQ）和意识等能力综合运用的结果。
一个显著的差距在于理解叙事。人工智能在理解更深层次的意义或主题方面存在困难，而人类能够自然地创造并理解复杂的叙事结构。情商（EQ）是另一个人工智能无法匹敌的领域。虽然人工智能在情感识别方面取得了一些进展，但它缺乏生活经验，无法真正体验情感或将情感应用于决策中。
创造力对人工智能来说也是一大挑战。人类能够生成新颖的想法，这一点在数学和艺术中表现得尤为明显。例如，文森特·梵高的作品依然不断出现新的见解（如图3所示）。人工智能缺乏像人类那样的想象力和跨学科的创造力，无法进行这样的创新。
图3 自动笔触提取揭示了文森特·梵高画作中的节奏结构
人类的直觉和常识，使得快速决策成为可能，而无需明确的规则，这仍然是人工智能难以实现的。在伦理和道德推理方面，人类将复杂的考量融入日常决策，通常是在瞬间完成的。人工智能受限于预定义规则或学习数据集，在面对前所未见或道德复杂的情境时表现不佳。另一个限制是人工智能缺乏内在的动机和自我决策能力。
人类智能是广泛而适应性的，能够整合各种能力，处理复杂任务，并在陌生领域做出决策。这些能力使我们能够创造伟大的艺术作品，发展惊人的技术。所以，终极问题是：“人工智能能够拥有真正的创造力和情感吗？”
结论
霍普菲尔德和辛顿的开创性工作已经彻底改变了人工智能，并将激励未来几代人。尽管人工智能取得了显著进展，但仍面临诸多挑战。人工智能的未来将依赖于它在解决全球问题和丰富人类生活方面所做出的贡献。在确保技术创新始终与人类价值观保持一致的前提下，推动社会发展进步，增进全球人民福祉。
本文原文来自澎湃新闻