美英2科學家研究「人工神經網路」奪諾貝爾物理獎　奠定AI基礎

【編譯張翠蘭、陳怡妏／綜合外電】2024諾貝爾物理獎今天（10/8）揭獎，由美國學者霍普菲爾德和英國出生的加拿大學者辛頓共同獲獎，以表彰其「藉由人工神經網路實現機器學習的基礎性發現與發明」。他們用物理學來訓練人工神經網路，幫助啟動了目前機器學習（machine learning）的爆炸性發展。

諾貝爾委員會10月8日宣布，美國學者霍普菲爾德（ John J. Hopfield）和英國出生的加拿大學者辛頓（Geoffrey E. Hinton）共同獲得2024諾貝爾物理獎。得獎者可共享1100萬瑞典克朗（約3417萬元台幣）的獎金。

根據諾貝爾獎網站，當談及人工智慧（artificial intelligence，AI）時，通常指的是使用人工神經網路的機器學習。這項技術最初靈感來自於大腦的結構。在人工神經網路中，大腦的神經元由具有不同值的節點（node）來表示；這些節點透過類似於突觸的連接點相互影響，並且可以變得更強或更弱；舉例來說，可以透過同時具有高值的節點之間建立更強的連接，來訓練該網路。

機器學習長期以來對於研究非常重要，包括對大量資料的排序和分析。兩位科學家使用物理學工具，構建了為當今強大「機器學習」奠定基礎的方法。基於人工神經網路的機器學習，目前正在徹底改變科學、工程和日常生活。儘管電腦無法思考，但機器現在可以模仿記憶和學習等功能。今年的物理學獎得主幫助實現了此目標，2人利用物理學的基本概念和方法，研發出利用網路結構來處理資訊的技術。

今年的獲獎者從20世紀80年代起就在人工神經網路方面展開重要工作。霍普菲爾德創建了一種聯想神經網路、後來更被直接稱為霍普菲爾德網路（Hopfield network），可以儲存和重建圖像以及資料中其他類型的結構。辛頓使用了霍普菲爾德的神經網路進而發明了一種方法，可以自動尋找資料中的屬性，從而執行識別圖片中特定元素等任務，這對於現在使用的大型人工神經網路來說非常重要。

動機器學習爆炸性發展

霍普菲爾德發明的使用方法，可保存和重新創建模式，利用物理學描述材質因原子自旋而產生的特性，當輸入扭曲或不完整的圖像時，該網路會系統地透過節點並更新數值，進而找到最接近其輸入不完美影像的已儲存影像。

而辛頓使用霍普菲爾德網路為基礎，用不同方法創做出新網路基礎：「玻爾茲曼機」（Boltzmann machine）），可用於對影像進行分類或建立新的訓練模式類型範例。辛頓在這項研究的基礎上，幫助啟動了目前機器學習的爆炸性發展。

諾貝爾物理學委員會主席穆斯（Ellen Moons）說：「獲獎者的工作已經帶來了最大的好處。在物理學中，我們在廣泛的領域中使用人工神經網路，例如開發具有特定屬性的新材料。」

諾貝爾物理學獎最年輕的得獎者為25歲，最高齡得主是美國學者艾許金（Arthur Ashkin），因發明學鑷子及其在生物系統領域的應用，以96歲摘下桂冠。

今年首個獎項生醫獎已在7日公布，由美國2名生物學家安布羅斯（Victor Ambros）和魯夫昆（Gary Ruvkun）獲獎，以表彰其小分子核糖核酸（microRNA，又稱微RNA）及其在轉錄後基因調控中的作用。

■諾貝爾物理獎得主小檔案

■相關新聞：
諾貝爾物理獎｜2人的發明大幅提升電腦能力　讓AI更強大
諾貝爾物理獎｜「深度學習之父」辛頓助攻催生ChatGPT　卻示警AI有風險

發稿時間：18:10
更新：新增內容

⭐️ 即刻下載《知新聞》App！免費！