諾貝爾獎與AI時代

神們自己

科普作家，著有《貓、愛因斯坦和密碼學：我也能看懂的量子通信》《機器新腦》

2016年，當Alpha Go戰勝世界頂級圍棋選手李世石時，我第一次意識到人工智能（AI）時代的到來。于是，我創作了《機器新腦：人工智能將如何進化》一書。在該書前言中，我引用了AI研究先驅杰克·施瓦茨的話：“創造超級人工智能所需的技術，可能需要數百個諾貝爾獎作為墊腳石。”

然而，AI的發展速度遠比我想象的更快。短短幾年時間，Chat GPT引領的大模型技術就橫空出世，成了人們日常生活和工作的重要助手。2024年，杰克·施瓦茨的預言成為現實：備受關注的諾貝爾物理學獎和化學獎都頒發給了在AI領域做出重要貢獻的科學家，心甘情愿地當起了人工智能的“墊腳石”。人工智能明明是計算機領域的，但如果你細看2024年諾貝爾物理學獎給約翰·霍普菲爾德和杰弗里·辛頓兩位科學家的頒獎理由，就會發現其實一點也不違和。

霍普菲爾德原本是一名物理學家，在機緣巧合下，他加入一個心理學家和生物學家組成的研究團隊，專門研究“思想究竟如何從大腦中產生”的課題。他在1982年發明了“霍普菲爾德神經網絡”，首次成功模擬了人類大腦的記憶機制。

霍普菲爾德發現，如果不斷迭代更新神經元的參數，神經網絡最終會收斂到一個穩定的狀態。他借鑒了物理學中的類似概念，稱之為“能量最小化”。“能量最小化”在物理世界中隨處可見，就像人們常說的“人往高處走，水往低處流”。樹上的蘋果總是掉到地上，而不是飛到天上，因為地球引力使蘋果在地上“躺平”的勢能最小。同樣地，當神經網絡處于“能量最小化”狀態時，意味著它已經記住了之前輸入的訓練數據，性能達到最佳狀態。

霍普菲爾德用圖片訓練這個神經網絡。由于受當時算力的限制，訓練用的圖片只是黑白方塊組成的九宮格。如果用0代表白、1代表黑，一張圖片就是9個數字組成的矩陣。神經網絡訓練穩定之后，達到“能量最小化”狀態，此時挑一張訓練圖片稍加修改，比如把一個黑方塊改成白方塊，再輸入神經網絡，它的輸出竟是修改之前的原圖！這證明神經網絡和人一樣有了記憶能力，能夠“記住”圖片，并“聯想”到最接近的數據。

如今的人工智能當然比“霍普菲爾德神經網絡”復雜很多，但本質是一樣的：所謂“AI訓練”，就是將海量數據輸入模型，通過不斷地修正和更新，直到模型“收斂”——也就是達到“能量最小化”狀態。可以說，AI的底層原理和物理學思想有著異曲同工之妙。

如果說霍普菲爾德堪稱人工智能科學的祖師爺，那么杰弗里·辛頓就是現代生成式人工智能的奠基人。“霍普菲爾德神經網絡”雖然能記住數據，但無法生成新的數據。而現代生成式AI，如Chat GPT這樣的大模型，卻能根據用戶的問題“隨機應變”，生成互聯網上搜不到的全新內容。這一能力源于辛頓提出的“波爾茲曼機”。

物理學中，波爾茲曼分布描述了在一個由大量粒子組成的熱力學系統中，粒子處于某個能量狀態的概率和溫度的關系。比如由無數分子組成的空氣，當溫度較低時，大多數的分子運動緩慢，少量分子能獲得高動能；當溫度升高時，分子平均運動速度更快，更多的分子能獲得高動能。波爾茲曼分布能定量計算出在某個溫度下，到底有多少比例的分子具備多少份額的能量。

如果物理世界的大量粒子遵循波爾茲曼分布規律，那么一個大型神經網絡中的神經元也遵循著類似規律嗎？于是，辛頓借（照）鑒（抄）了波爾茲曼分布公式，他把能量E替換為神經網絡的能量函數，用溫度T來控制隨機性。訓練初期，他使用高溫讓系統更隨機，可以廣泛探索狀態空間。隨著訓練趨于穩定，他逐漸降溫讓系統來到低能量狀態。這個降溫的辦法使模型更容易收斂到最佳參數。從此，深度網絡訓練問題得到了解決，AI深度學習迎來了復興。幾乎所有現代AI都和辛頓的“波爾茲曼機”一樣，使用概率分布來控制模型的隨機化輸出。所以你問Chat GPT同一個問題，它每次的答案都不太一樣。

人工智能不僅僅是計算機編程，而是融合了物理學、數學、腦神經科學等多個領域的交叉學科。在大模型崛起之后，通用人工智能很可能在幾年之內就會問世，而出現在科幻電影中的“超級人工智能”也不再是可望而不可即的幻想。

2024年7月，某研究機構用全套高考真題測試7種AI，其中文科最高成績546分，已達一本分數線，理科最高成績468分，達到二本分數線。等你參加高考時，AI很可能已經具備大學本科生甚至研究生的智力水平了！未來需要的人才，不是只會解題的“做題家”，而是會提出問題、創造需求、為AI技術找到應用場景的人。

怎樣與加速進化的AI共存發展？這是未來的你需要持續思考的問題。