诺贝尔奖2024昨天公布物理学奖，两位获奖者是美国科学家霍普菲尔德(John Hopfield)，以及英国出生的加拿大电脑科学家欣顿(Geoffrey E. Hinton)。他们的贡献涉及用物理学方法来训练「人工神经网络」(artificial neural networks)，有份推动如今炙手可热的人工智能(AI)技术，被视为电脑模仿人脑学习的重要推手。

瑞典皇家科学院表示，向霍普菲尔德和欣顿颁发物理学奖，是要表扬「他们的基础发现和发明，令电脑得以藉着人工神经网络机器来学习」。公告称，二人是利用物理学，在资讯海中找出规律(used physics to find patterns in information)、并用物理学训练人工神经网络(trained artificial neural networks using physics)。目前民众得以用电脑翻译语言、解读图像，甚至跟电脑对话，一切都要拜电脑藉由「人工神经网络」学习所赐。

电脑要从例子中学习，类似于人脑的「人工神经网络」是关键。科学家早于上世纪四十年代已开始研究人脑的神经元(neurons)及突触(synapses)背后的数学原理，亦有神经科学家提出当神经元在工作时，它们之间的连接会加强。神经元是大脑和神经系统中的基本功能单元，负责接收、处理和传递资讯，各神经元之间由突触相互连接，形成複杂的网络。

不少人都会「噏到口唇边」、有粗略记忆但又说不出想说词语的经历。霍普菲尔德发明有「联想记忆力」的「霍普菲尔德网络」(The Hopfield network)，重点是懂得「储存」和「重构」图像或其他数据规律。该网络以模仿神经元的「节点」(nodes)连接而成，经过「训练」后，能够从不完整或轻微扭曲的规律中，找出已储存的最相近规律——就像人们从脑海中一大堆差不多的词语中，找出正确的一个。

至于欣顿则从「霍普菲尔德网络」的基础上，发明了名为「玻尔兹曼机」(Boltzmann machine)的人工神经网络。它的重点是可以在茫茫数据中，自动找出箇中属性、透过例子摸索出特定规律，可用于识别图片中的特定元素等。诺贝尔物理学委员会主席穆恩斯表示，两位得奖者利用统计物理学的基本概念，设计出人工神经网络，构建了机器学习的基础。相关技术已被用于推动多个领域的研究，包括粒子物理、材料科学和天体物理等，也已用于日常生活中的人脸识别和语言翻译等。

原文刊登于 AM730 https://www.am730.com.hk/国际/美加双雄获物理学诺奖-研人工神经网络-助电脑学习发展ai/495179?utm_source=yahoorss&utm_medium=referral