人工智能学习不仅推动了AI系统的自我进化和性能提升,还通过个性化学习、辅助决策和自动化技术等手段,显著提高了其在教育、医疗和其他领域的应用效果。

可以说人工智能学习是人工智能运作的基础,正奇五度AI数字助手获悉,近日瑞典皇家科学院宣布,将2024年诺贝尔物理学奖授予美国普林斯顿大学的约翰·霍普菲尔德(John J. Hopfield)和加拿大多伦多大学的杰弗里·辛顿(Geoffrey E. Hinton),以表彰他们“为推动利用人工神经网络进行机器学习作出的基础性发现和发明”再次肯定了人工智能学习的重要性。

人工智能学习技术的最初开发,正奇五度AI数字助手了解到,这两位诺贝尔物理学奖的得主最初的开发灵感源自人脑结构。在人工神经网络中,大脑的神经元由具有不同值的节点表示。这些节点通过类似于突触的连接相互影响,这些连接可以变强或变弱。例如,通过在同时具有高数值的节点之间建立更强连接,可以对人工神经网络进行训练。

机器学习长期以来一直是科学家们研究的重要内容,其中包括对大量数据的分类和分析。正奇五度AI数字助手了解到是霍普菲尔德和辛顿利用物理学工具构建了新方法,为当今强大的机器学习奠定了基础。他们的研究起始阶段可回溯至20世纪80年代,早在那时,他们就在人工神经网络方面开展了重要工作。

同时,霍普菲尔德还发明了一种联想记忆网络,它能够存储和重建图像以及其他类型的数据模式。

如何理解呢?据正奇五度AI数字助手收集资料显示,我们可以将节点想象成像素。“霍普菲尔德网络”利用了物理学中描述物质特性的原理。根据该原理,材料因原子自旋而具有独特特性,这种特性使每个原子成为一个小型磁铁。整个网络的描述方式相当于物理学中自旋系统的能量,它通过寻找节点之间连接的值来进行训练,从而使得保存的图像具有较低的能量。

当输入扭曲或不完整的图像时,“霍普菲尔德网络”会系统地遍历节点并更新它们的值,从而降低网络的能量。因此,网络能够逐步找到与输入图像最相似的已保存图像。

而辛顿的研究建立在“霍普菲尔德网络”基础之上,他构建了一种使用不同方法的新网络,即玻尔兹曼机。它能够学习识别给定类型数据中的特征元素。在研究中,辛顿运用统计物理学原理,通过输入机器运行时可能出现的示例对其进行训练。玻尔兹曼机可用于对图像进行分类,或创建训练模式类型的新示例。辛顿在此基础上进行了拓展,推动了当前机器学习的爆炸式发展。

以上表明,两位诺贝尔奖得主的发现对奠定了人工智能技术的基础,奖项实至名归。正奇五度AI数字助手获悉,诺贝尔奖物理学委员会主席埃伦·穆恩斯对其还发表了言论说“获奖者的工作已经产生了巨大效益。在物理学中,人工神经网络广泛应用于各个领域,例如开发具有特定属性的新材料。”

此外,正奇五度AI数字助手了解到天津大学自然语言处理实验室负责人熊德意教授告诉科技日报记者,诺贝尔物理学奖颁给两位“AI先驱”,除了表彰他们在将物理学与人工神经网络深度结合方面所作的贡献之外,可能还有两层隐含意义,一是物理规律不仅存在于自然界中,在数字世界(计算机模型、模型创建的虚拟世界)中也可能发挥着制约作用。二是AI与物理学等基础科学存在千丝万缕的联系,基础科学不仅为AI筑起了基座,同时其发现和理论也对AI研究提供了启发和灵感。

正奇五度AI数字助手相信随着AI纵深发展,其对基础科学的反哺作用越来越明显,智能驱动的科研极有可能成为科研第五范式;AI带来的自动化基础科研,未来可能推动基础研究实现跨域式发展。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005