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《纽约时报》的采访，谈到了获奖感受并回答了记者的一些提问。

以下是采访对话：

记者：恭喜恭喜。你听到今早的获奖消息时是什么反应？

辛顿：我很震惊、惊讶和目瞪口呆。我从来没有想到会获得诺贝尔奖。

记者：神经网络是计算机技术，它与物理学有什么关系？

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。

记者：玻尔兹曼机和反向传播之间的关系是什么？

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。

记者：你说的预训练是什么意思？你能用通俗易懂的语言给读者解释一下吗？

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。

记者：你曾经在这些想法上直接与与霍普菲尔德合作过？

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。

记者：你获得这个物理学奖是否很奇怪？

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：你说得很好

辛顿：这也是一个提示。

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？

辛顿：获得诺贝尔奖可能意味着人们会更认真地对待我。

记者：在你警告未来危险时，更认真对待你？

辛顿：是的。

来源：凤凰网科技