原标题：学科交叉研究为人工智能开辟新天地
10月8日，美国科学家约翰·霍普菲尔德和英裔加拿大科学家杰弗里·辛顿，因在利用人工神经网络机器学习方面的根本性创造和发明而荣获2024年诺贝尔物理学奖。
得知诺奖付与人工智能领域的研究者，上海交通大学人工智能学院教授张娅既震荡又激动。“震荡的是诺贝尔物理学奖竟然颁给了打算机科学家，激动的是人工智能领域得到了更广泛的认可。”张娅说。
在人工智能领域作出奠基性贡献
人工神经网络是一种仿照人脑神经元事情办法的机器学习模型，旨在通过模拟大脑的事情办法来处理繁芜的打算问题。如今人工神经网络被广泛运用于医学、工程等各个领域，而且有望用于设计下一代打算机。
“表面上看，2024年诺贝尔物理学奖付与了人工智能领域，但从更广泛的意义上讲，这个奖实际上付与了理论物理学。”中国科学院自动化研究所研究员、联合国人工智能高层顾问机构专家曾毅说，两位获奖者的研究背景都起源于物理学。
刚刚获奖的两位科学家，在人工神经网络研究方面做了很多奠基性事情。
“辛顿提出了反向传播算法，让人工神经网络的演习成为了一种可能；霍普菲尔德提出了霍普菲尔德网络，这个网络对早期人工神经网络发展具有主要意义，20世纪80年代，许多物理学家都曾利用霍普菲尔德网络实现了由物理学到神经科学的超过。”张娅说。
“1986年，辛顿揭橥了反向传播算法的经典论文。虽然反向传播算法出身于20世纪60年代，但这篇论文让人们真正认识到它的主要性，掀起了神经网络研究领域的‘文艺复兴运动’。”商汤智能家当研究院院长田丰说，本日，天生式人工智能大模型、多模态大模型的演习都离不开反向传播算法。
“从人工智能的视角不雅观察，可以说他们两位最核心的科学贡献，是未来源于理论物理、生物物理两个学科的理论成功运用于构建人工智能科学理论。学科交叉研究为人工智能开辟了新天地。”曾毅说。
曾毅认为，霍普菲尔德对影象与关联学习的智能理论打算模型贡献很大，该模型在构造上是一个范例的循环神经网络，其构造类似于人脑中的海马体脑区；而辛顿对深度神经网络及其演习方法的贡献，紧张在层次化与抽象化学习的智能理论打算模型方面，该模型在构造上是一个范例的层次化神经网络，相似的构造可以在人类大脑皮层连接模式中找到。
坚守曾经走不通的冷门专业
被誉为“AI教父”的辛顿，是当代俗称的人工智能三巨子之一，目前国际上生动的很多人工智能专家都是他的学生或同事，比如，openAI曾经的首席科学家伊利亚·苏茨克韦尔便是他的博士生。
“辛顿在1978年得到人工智能博士学位后，正遇上人工智能低谷期。那个时候人工智能领域的主流理论是符号主义和专家系统，神经网络这条路一度走不通。然而，辛顿并没有放弃，一贯坚持在神经网络领域做探索。”田丰说，直到2000年旁边GPU兴起，辛顿才取得一些重大打破。此后，他带领学生一起披荆斩棘，在人工智能领域得到多个里程碑式成果。
“可以说，辛顿在青年期间很苦，那时候神经网络这个研究方向看不到希望，由于那时候既没有海量的互联网数据，也没有强大的GPU算力，只有算法，神经网络这条路显然是走不通的。同时人工智能也是一个冷门专业，学这个专业的人也不好找事情。”田丰见告科技日报，而人工智能的快速发展，却得益于辛顿在学术上的坚守。
现在，辛顿高度关注人工智能的安全风险。“针对人工智能可能产生滥用恶用、人工智能对人类可能造成的生存风险，辛顿不仅进行了理论研究，还积极面向"大众开展演讲，以提升公众年夜众对人工智能风险的认知。”曾毅说。
在曾毅看来，与诸多得到诺贝尔奖的科学成果一样，霍普菲尔德和辛顿的科学贡献都经受住了韶光和实践的考验。
“受理论物理与生物物理启示的人工神经网络理论与模型，不仅是当代人工智能最主要的理论根本之一，近两年在诸多科学领域也取得了显著和广泛的运用效果，正在改变乃至是颠覆诸多学科的研究范式。”曾毅说。
（ 陆成宽）