▶ 本报特约作者 黄叒

　　2024年诺贝尔物理学奖授予美国和加拿大科学家约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton），以表彰他们使用人工神经网络实现机器学习的奠基性发现和发明。这是诺贝尔物理学奖历史上首次跨越传统边界，认可了计算机科学的重要进展。

　　人工神经网络拥有独特模拟能力

　　人工神经网络是一种模拟人脑神经元之间连接的计算模型，通过一个基于统计学的学习方法，在外界信息的基础上改变计算模型内部结构，实现对模型的优化。作为生物学、物理学与计算机科学的伟大结晶，人工神经网络在挖掘客观世界隐藏特征及其组合，进而实现对于客观世界的模拟方面拥有独特能力，已在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济、交通等领域辅助人类决策，成功地解决了许多现代计算机难以解决的实际问题。

　　约翰·霍普菲尔德创造性地提出了由可以“开”和“关”的二元神经元组成的类神经网络，即霍普菲尔德网络。它是一个模拟人类记忆的模型，通过用与物理学中自旋系统能量等同的一个概念描述网络的总体状态，并通过结合所有节点的值和它们之间的连接强度计算这个能量。

　　杰弗里·辛顿在霍普菲尔德网络的基础上创建了一种基于能量函数的概率模型，即玻尔兹曼机，其能够自动学习识别给定类型数据中的特征元素，在图像识别领域得到了广泛应用。除玻尔兹曼机外，1986年，辛顿等人在《自然》上发表的论文《Experiments on Learning by Back Propagation（反向传播学习实验）》，让训练多层神经网络的“反向传播算法”广为人知；2006年，辛顿在《科学》上首次提出“深度信念网络”概念。与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）过程，这可方便地让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”（fine-tuning）技术对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。他给多层神经网络相关的学习方法赋予了一个新名词——“深度学习”。辛顿在神经网络和机器学习方面的开创性工作，深刻影响了现代人工智能的发展，他被世人誉为“深度学习之父”。

　　辛顿是在获得图灵奖后又被授予诺贝尔奖。此前，仅赫伯特·亚历山大·西蒙（Herbert Alexander Simon，中文名司马贺）获得过此两项奖。在计算机科学方面，西蒙与艾伦·纽厄尔（Allen Newell）共同开发了“逻辑理论家”（Logic Theorist）和“通用问题解决者”（General Problem Solver）模拟程序，开创了人工智能的研究方向。这些早期的人工智能系统不仅展示了计算机在问题求解中的潜力，也为后来的机器学习与智能系统的研究奠定了基础。1975年，西蒙和艾伦·纽厄尔因在人工智能、人类心理识别和列表处理等方面进行的基础研究，荣获图灵奖；1978年，西蒙因创立“有限理性说”和“决策理论”，获诺贝尔经济学奖。

　　人工智能曾历经“三次浪潮两次寒冬”

　　在近年来深度学习兴起后，以生成式人工神经网络预训练模型研究为代表的人工智能科学研究迎来空前繁荣，众多落地应用普惠大众，具有较高认可度和良好前景。然而，历史上的人工智能科学研究并非一帆风顺，历经数次起伏。

　　业界一些学者将人工智能的发展历程归纳为“三次浪潮，两次寒冬”。自从1950年艾伦·图灵（Allen Turing）提出“图灵测试”向世人抛出“机器能思考吗”的人工智能概念以来，这一领域产生了1956-1974年、1980-1990年以及2006年至今的三次产业浪潮。前两次浪潮极大地推进了数学定理证明、问题求解、博弈、专家系统等方面的重大突破和进展，但每一次浪潮都险些被计算机算力瓶颈导致的昂贵、低效计算所搁浅。由于当时的计算机算力无法满足科学计算对其巨大的需求，投入产出比严重失调，各国政府随即大幅削减甚至停止了对于人工智能的资金投入，使得人工智能一夜间无人问津。

　　近20年来，在摩尔定律的推动下，互联网、大数据和高性能计算机的发展为人工智能第三次产业浪潮奠定了坚实基础，语音识别和图像识别作为先锋队打响了人工智能回归大众视野的第一枪。2012年，辛顿带领团队提出的AlexNet深度卷积神经网络，在ImageNet大规模视觉识别竞赛中夺得冠军，在Top-5错误率（在神经网络给出的5个最有把握的预测结果中没有出现正确答案的比例）指标上领先亚军超过10%，使得业界研究人员惊叹于大型深度卷积神经网络架构的神奇威力，AlexNet因此成为深度学习和人工智能自第二次“人工智能寒冬”后重要的里程碑，引发了深度学习革命。

　　人工智能不再是科幻与遐想

　　此次诺贝尔物理学奖花落人工智能领域，再次印证了人类对智能科技的探索与突破已达到前所未有的高度。瑞典皇家科学院将2024年诺贝尔物理学奖授予约翰·霍普菲尔德与杰弗里·辛顿这两位在人工智能领域深耕多年的先驱者，不仅是对他们个人卓越成就的认可，更是对整个人工智能领域发展的巨大鼓舞。

　　对人类社会而言，约翰·霍普菲尔德与杰弗里·辛顿的工作成果意味着智能技术的飞跃，直接促进了社会生产力的提升和生活方式的变革。他们的研究奠定了现代深度学习的基础，使得机器学习方法能够处理复杂的数据模式，模拟人类的学习过程，从而在语音识别、图像识别、自然语言处理等多个领域取得突破性进展，进而为致力于整合来自不同感官通道（如视觉、听觉、触觉等）的信息、实现更自然更高效人机交互的人工智能多模态研究提供了可能性。多模态研究是通往人工智能发展的终极目标——通用人工智能（Artificial General Intelligence, AGI）的必经之路，通用人工智能旨在创造出能够理解和处理人类所有智力任务的系统，使得机器能够像人类一样，通过综合多种感官信息来理解和响应世界。这些行为不仅包括逻辑推理、数学计算，还涵盖艺术创造、情感理解等复杂的人类思维活动。约翰·霍普菲尔德与杰弗里·辛顿在深度学习领域的突破，为通用人工智能的发展奠定了坚实的理论基础和技术支撑，使得这一曾经遥不可及的梦想逐渐显现出圆梦之路的方向。

　　通用人工智能研究将从智能家居、自动驾驶到远程医疗，从虚拟现实到增强现实，推动人工智能更加深入地融入人类社会的各个层面，促进人与机器的和谐共生。这一奖项的颁发传递了一个强烈的信号：人工智能不再是科幻小说中的人类遐想，它正在逐步融入人类社会的每一个角落，成为推动社会进步的重要力量，促使社会各界开始更加深入地思考人工智能的伦理、法律和社会影响，增强跨学科、跨国界的合作与交流，共同构建一个更加包容、公正、可持续的智能社会框架。在这一过程中，约翰·霍普菲尔德与杰弗里·辛顿的成就鼓励更多科学家、工程师和社会学家投身于人工智能的持续健康发展之中。

　　未来高新技术产业将受益于人工智能技术的不断成熟与普及，人工智能在与其他产业的深度融合后，将催生出更多新兴业态和商业模式，譬如为交通运输等传统行业带来革命性变化。在雄安新区，无人驾驶巴士已成为常态，其反应速度远超人类驾驶员，凭借高科技传感器实现了车辆周边240米范围的环境感知。通过多功能信息杆柱和智能运营中心系统，雄安新区还构建了智慧路灯、智慧斑马线等智能交通设施。这些设施利用大数据智能分析和多传感器融合技术，实时采集道路信息，为交通信号协同控制提供了重要数据支撑。

　　约翰·霍普菲尔德与杰弗里·辛顿荣获2024年诺贝尔物理学奖，是对人工智能领域发展成就的肯定，也是对未来无限可能的期许。它标志着人类社会正站在一个崭新的起点上，准备迎接由人工智能引领的科技革命，共同创造一个更加智慧、高效、和谐的世界。

　　（作者：黄叒，博士，交通运输部规划研究院工程师）