您现在所在位置: kaiyun开云体育 > 新闻中心 > 行业动态

公司资讯

Company information

行业动态

Industry dynamics

为何能拿物理学奖?美媒专访诺奖得主“AI教父”辛顿

发布日期:2024-10-09 12:51 浏览次数:

  

为何能拿物理学奖?美媒专访诺奖得主“AI教父”辛顿

  凤凰网科技讯 北京时间10月9日,当地时间周二,加拿大多伦多大学的“AI教父”杰弗里辛顿(Geoffrey E. Hinton)、美国普林斯顿大学的生命科学家约翰霍普费尔德(John J. Hopfield)因推动人工神经网络的发展获得了诺贝尔物理学奖。人工神经网络对于当今谷歌等搜索引擎、ChatGPT等聊天机器人的发展至关重要。

  霍普费尔德和辛顿的获奖得益于他们两人开发的技术:霍普菲尔德在1982年开发的“霍普菲尔德神经网络”(Hopfield network)、辛顿在1985年发明的随机神经网络模型“玻尔兹曼机”(Boltzmann machine)。

  2019年,辛顿博士等三人共同获得了图灵奖,以表彰他们在神经网络领域的工作。这一奖项常被称为“计算机领域的诺贝尔奖”。去年,辛顿登上了新闻头条,因为他辞去了在谷歌担任研究员的工作,并警告称他所帮助创造的人工智能技术有朝一日可能会毁灭人类。

  但是,辛顿不是一名物理学家。他曾经在一次学术会议上被介绍成了这样一个人:“物理学不及格,放弃了心理学,然后加入了一个根本没有标准的领域:人工智能”。

  辛顿出生在英国,性格幽默,经常自嘲。他很喜欢重复这个故事,但是会换一种说法。“我并不是在物理学上不及格、放弃了心理学,”他说道,“而是我在心理学上不及格,放弃了物理学,这样说要体面得多。”

  在得知自己获得诺贝尔奖后不久,辛顿接受了《》的采访,谈到了获奖感受并回答了记者的一些提问。

  辛顿:霍普菲尔德网络以及它的延伸玻尔兹曼机都是基于物理学的。霍普菲尔德网络使用了一种能量函数,而玻尔兹曼机则借鉴了统计物理的理念。因此,当时的神经网络发展确实很大程度上依赖于物理学的理念。

  但是,构建当今人工智能模型的是一种被称为“反向传播”的不同技术,它与物理学的关系较小。反向传播指的是对多层人工神经网络进行梯度下降的算法。

  辛顿:目前,它们之间没有太大联系。它们是两种关于如何让神经网络运行的替代理论。

  在早期研究时,我曾设法将它们结合起来,使用玻尔兹曼机对反向传播网络进行“预训练”。但现在人们不再这样做了。

  辛顿:这让我想起了物理学家理查德费曼(Richard Feynman)在获得诺贝尔奖时曾说过的话。

  一位记者问他:“费曼教授,你能在几分钟内解释一下你为什么获得诺贝尔奖吗?”费曼回答说:“听着,朋友,如果我能在几分钟内解释清楚,那这项技术就不值得获得诺贝尔奖了。”

  记者:对于人工智能来说,玻尔兹曼机可以说是一个死胡同。研究方向已经转向其他地方了吗?

  辛顿:我把它看作是一种酶。酶能够帮助你跨越一个障碍,即使它不是最终解决方案的一部分。

  玻尔兹曼机就像一种酶。它帮助我们克服了“如何训练深度神经网络?”这个障碍。它使训练变得更容易。一旦我们学会了如何做到这一点,我们就不再需要玻尔兹曼机了。

  辛顿:没有。我读过他的论文。但我的一位主要合作者特里塞若斯基(Terry Sejnowski)与霍普菲尔德合作过,并在霍普菲尔德的指导下完成了他的博士学位。

  辛顿:如果有诺贝尔计算机科学奖,我们的工作显然更适合得这个奖项,但目前并没有这样的奖项。

  记者:是的,也许我们需要一个诺贝尔计算机科学奖。无论如何,你因为协助创造了一项你现在担心会给人类带来严重危险的技术,而获得了诺贝尔奖。你对此有何感想?