詳細揭密！最意外的2024諾貝爾物理學獎

2024諾貝爾物理學獎 爲什麼被AI教父搶走了 三分鐘帶你瞭解詳情 今年的這個諾貝爾物理學獎 頒給了對AI神經網絡領域 有巨大貢獻的 John Hoffield和Jeffrey Hinton 別說智商拉滿的GBT 覺得不是太合理 有獲獎者本人也是大震驚 諾獎委員會的這一通操作 讓Jeffrey Hinton 成爲歷史上第一位 雙殺了物理學 和計算機科學領域 最高獎項的人 Hinton也是我校計算機系教授 低調低調 先說John Hoffield 他的一項重要成就 是提出了Hoffield網絡 這是一種聯想記憶神經網絡模型 和傳統的計算機內存的 工作原理是有所不同的 計算機的每個儲存單元 都有一個物理位置 比如計算機要讀取 內存裏的某條數據 就需要知道對應的地址 然後CPU根據地址去進行讀取 這就和我們人腦的記憶 非常不一樣 我們的記憶 是沒有明確單一的物理位置的 而是以分佈式的方式儲存的 而且我們可以通過部分信息 去自動還原完整的記憶 比如說看到這張殘缺的照片 我們腦子裏就會自動 補全它完整的樣子 然後看到這個單詞 我們腦子裏就會去 自動補全缺失掉的 20世紀70年代 Hoffield受到了 生物神經網絡的吸發 開始研究如何通過計算機 去模擬神經系統 一方面我們人腦神經元 它既受到其他神經元的影響 又會影響其他神經元 形成分佈式的計算和決策 另一方面 人腦可以通過某個出發點 回憶起相關的記憶 也就是聯想記憶 於是Hoffield在1982年 發表的這篇標題賊長的論文裏 提出了一種神經網絡 後來就被稱爲Hoffield網絡 這種網絡常用於聯想記憶 也就是給定部分輸入後 網絡可以根據儲存的模式 恢復出完整的輸入 Hoffield的網絡 深深影響到了Jeffrey Hinton 也就是今年 諾貝爾物理學獎的另一位得主 他被叫做深度學習之父 也是計算機領域最高獎 Hinton的成就之一 就是把反向傳播算法 成功應用在深度神經網絡的訓練裏 這個算法通過計算神經網絡中的誤差 並且把這些誤差 反向傳播到各層的神經元 來調整網絡的權重 這個讓神經網絡 能夠逐步的去學習和改進 反向傳播的應用 解決了網絡深度增加後 難以訓練的瓶頸問題 Hinton的另一個巨大的貢獻 是提出了Boltzmann機 一種隨機神經網絡模型 可以用來學習和識別數據中的特徵模式 它和Hofffield網絡不同的是 Hofffield網絡的神經元 是沒有顯性和隱性的區分的 而Boltzmann機 包含了可見層和隱藏層 隱藏層就可以幫助模型 去捕捉更復雜的特徵 那說了這麼多 是不是還是沒有get到 獲獎者和物理學之間的關聯 其實是有的 第一是 雖然Hofffield網絡深深影響了 計算機領域神經網絡的研究進展 但John Hofffield是實打實的物理學家 人家是物理學PhD 第二是Hofffield網絡 受到了物理學裏自旋系統 和能量最小化模型的啓發 而Boltzmann機和統計物理學裏的 Boltzmann分不存在相似性 第三諾貝爾委員會官方的說法是 獲獎者的工作 也給物理學帶來了巨大的效益 因爲人工神經網絡 已經廣泛運用在物理學的多個領域了 所以說這個獎項和獲獎人 確實不像很多人以爲的那樣 毫不相干 雖然仍然是有那麼些牽強 但如果這個視頻對你有幫助 那你覺得諾貝爾物理學獎 這一波是在蹭AI的熱度嗎