未解之谜网

当前位置: 未解之谜网 > 技术创新 > AI 能像人类一样思考？诺贝尔物理学奖研究助力人工智慧模拟人类大脑

AI 能像人类一样思考？诺贝尔物理学奖研究助力人工智慧模拟人类大脑

即使再怎么模仿，AI 终究无法以与生物相同的方式思考吧?毕竟电脑的电子元件和我们大脑中的神经细胞结构截然不同。再怎么模仿，AI 终究无法以与生物相同的方式思考吧?

错，可以。

2024 年诺贝尔物理学奖跌破所有专家的眼镜，颁给了两位研究机器学习的科学家——约翰·霍普菲尔德（John Hopfield）和杰佛瑞·辛顿（Geoffrey Hinton）。他们以“人工”的方法打造了类神经网络，最终模拟出生物的“智慧”，奠定了当代深度学习的基础。

为什么解决人工智慧发展瓶颈的，竟然会是物理学?物理要怎么让 AI 更像人类?

从巴甫洛夫的狗到赫布理论：理解学习的基础

为了解答这个疑问，我们需要一些背景知识。

20 世纪初，俄罗斯心理学家巴甫洛夫发现，狗在食物还没入口前，就会开始分泌唾液。他进行了一系列实验，改变食物出现前的环境，比如让狗习惯在听到铃声后马上得到食物。久而久之，狗只要听到铃声，就会开始分泌唾液。

大约 50 年后，神经科学家赫布（Donald Hebb）提出了一个假说：大脑中相近的神经元，因为经常同时放电，会产生更强的连结。这种解释称为“赫布理论”，不仅奠定了神经心理学的发展，更成为现代深度学习的基础。

然而，赫布理论虽然描述了邻近神经元的关系，却无法解释大脑如何建构出如此复杂的联想网络。

霍普菲尔德网络：物理学家对神经网络的贡献

然而，赫布理论虽能描述神经元之间的关系，却缺乏数学模型。物理学家约翰·霍普菲尔德从数学家约翰·康威（John Conway）的“生命游戏”（Game of Life）中获得灵感，试图建立一个可以在电脑上运行的记忆系统。

霍普菲尔德受“生命游戏”启发，尝试建立电脑记忆系统。图/envato

“生命游戏”由数学家康威（John Conway）发明，玩家开始时有一个棋盘，每个格子代表一个细胞，细胞可以是“活”或“死”的状态。根据特定规则，细胞会根据邻居的状态决定下一次的生存状态。康威的目的是展示复杂的系统不一定需要复杂的规则。

霍普菲尔德发现，这个游戏与赫布理论有强大的关联性。大脑中的大量神经元，在出生时处于初始状态，经过刺激后，神经元间的连结会产生或断裂，形成强大的记忆系统。他希望利用这些理论，创造一个能在电脑上运行的记忆系统。

然而，他面临一个难题：赫布理论没有明确的数学模型来决定神经元连结的规则。而在电脑上运行，必须要有明确的数学规则。

物理学的启发：易辛模型

霍普菲尔德从物理学的研究中找到了类似的模型：易辛模型（Ising Model）。这个模型用于解释铁磁性物质的磁性特性。

在铁磁性物质中，电子具有“自旋”，自旋产生磁矩。电子的自旋方向只有“向上”或“向下”，这就像生命游戏中细胞的“生”或“死”。邻近的电子会影响彼此的自旋方向，类似于细胞之间的互动。

易辛模型能用数学描述电子间的相互影响，并通过计算系统能量，得出自旋状态的分布。霍普菲尔德借用了这个概念，将神经元的互动视为电子自旋的互动。

他结合了康威生命游戏的时间演化概念、易辛模型的能量计算，以及赫布理论的动态连结，创造了“霍普菲尔德网络”。这让电脑能够模拟生物大脑的学习过程。

突破瓶颈：辛顿与波兹曼机

约翰·霍普菲尔德于1982年发明联想神经网络，即“霍普菲尔网络”。图/wikimedia

然而，霍普菲尔德网络并非完美。它容易陷入“局部最小值”的问题，无法找到系统的全局最优解。为了解决这个问题，加拿大计算机科学家杰佛瑞·辛顿（Geoffrey Hinton）提出了“波兹曼机”（Boltzmann Machine）。

辛顿将“模拟退火”的概念引入神经网络，允许系统以一定的机率跳出局部最小值，寻找全局最优解。他还引入了“隐藏层”的概念，将神经元分为“可见层”和“隐藏层”，提高了网络的学习能力。

受限波兹曼机（Restricted Boltzmann Machine）进一步简化了模型，成为深度学习的基础结构之一。这些创新使得 AI 能够更有效地模拟人类的思维和学习过程。

AI 的未来：跨学科的融合

霍普菲尔德和辛顿的工作，将物理学的概念成功应用于人工智慧。他们的研究不仅解决了 AI 发展的瓶颈，还奠定了深度学习的基础，对现代 AI 技术产生了深远的影响。因此，2024 年诺贝尔物理学奖颁给他们，并非意外，而是对他们在跨学科领域的重大贡献的肯定。

AI 的发展，离不开物理学、生物学、数学等多学科的融合。霍普菲尔德和辛顿的工作，正是这种融合的典范。未来，随着科学技术的进步，我们有理由相信，AI 将越来越接近人类的思维方式，甚至可能超越我们的想象。