作家：旨趣

在咱们今天的生计中，东说念主工智能不错说是无处不在，从聊天机器东说念主到自动驾驶，再到东说念主脸识别，它鼓舞着好多科技的创新。而这场东说念主工智能翻新的中枢，是一种叫作念东说念主工神经收集机器学习的时候。10月8日，2024年诺贝尔物理学奖授予了该范畴的两位前驱：约翰·霍普菲尔（John J. Hopfield）德和杰弗里·辛顿（Geoffrey E.Hinton）。

接下来就让咱们来聊聊神经收集，以及此次诺奖背后的物理学旨趣。

东说念主工智能的神经收集时候着手是受到东说念主脑结构的启发。东说念主脑由数十亿个神经元组成，这些神经元通过突触相互发送信号。每个神经元都与多如牛毛的其他神经元相连，酿成一个复杂的收集，组成咱们的念念想、顾虑和步履的基础。

东说念主工神经收集则是基于筹备机的模拟，来师法这种生物结构。在东说念主工神经收聚首，神经元被“节点”所替代。节点是料理信息的基本单元，不错有不同的值，比如1或0。而突触则由节点之间的“连续”暗意，这些连续不错增强或消弱。

在1982年的时间，霍普菲尔德确立了一种东说念主工神经收集，不错用来储存和重建模式或图像。霍普菲尔德的灵感来自于他对磁性材料和原子自旋的贯通。自旋是粒子的一个基本量子属性，它使每个原子的步履像一块小磁铁，不错指向不同的标的，比如朝上或向下。相邻原子的自旋不错对皆（指向相通标的）或分歧皆（指向相背标的）。这些自旋间的相互作用影响了扫数系统的能量。在磁性材料中，若是相邻原子的自旋对皆，系统就会达到较低的能量情景，这么就会愈加厚实。相背，若是自旋分歧皆，系统的能量就会增多，这么的情景则不太厚实。在磁性材料中，酿成自旋标的一致的区域，被称为磁畴。磁畴代表了系统试图让能量最小化的尝试。

而霍普菲尔德神经收集的保存和检索图像的身手就依赖于能量最小化旨趣。在霍普菲尔德神经收聚首，收集的结构访佛于一个由自旋组成的物理系统，每个节点的步履就像一个原子的自旋——它不错处于两种情景中的一种，比如+1或-1，访佛于自旋朝上或向下。节点之间的连续暗意材料中自旋若何相互影响。

在这个收聚首，节点情景的每种可能树立——不管是代表部分图像照旧圆善图片——都有一个与之联系的特定能级。当咱们矜重收集记取某些模式（或图像）时，收鸠合休养节点之间的连续强度来“学习”这些模式。每个储存的模式或图像对应于收集的一个特定树立，也即是一个厚实的、桀黠量的情景。

是以，当你给收集一个诬陷或不圆善的图像时，它会从一个更高的能量情景运转。然后收集丝丝入扣地遍历节点并逐一更新它们的值，每次更新的见解都是减少收集的总能量，直到它参加一个厚实的桀黠量情景。通过这种方式，收鸠合“识别”并重建原始图像。

这就好比当咱们看到一个一又友的照蓦地，尽管相片可能很朦拢，但照旧能认出来。因为咱们的大脑会凭据储存的顾虑来填补缺失的细节。访佛地，霍普菲尔德神经收集不错通过参加代表顾虑的最桀黠量情景，从部分信息中回忆起圆善的顾虑。

然则，霍普菲尔德神经收集在学习更复杂的模式方面存在局限性。到了1985年，辛顿延长了霍普菲尔德的想法，他基于统计物理学的念念想确立了玻尔兹曼机（Boltzmann Machine）。

统计物理学是物理学的一个分支，它连络的是由大批粒子（比如气体中的原子）组成的系统。在这么的系统中，由于粒子的数目深广且不休在畅通，追踪每个单独的粒子是不切本色的。是以，物理学家连络的是它们的集体步履，来了解系统的总体特色。统计物理学使用概率来贯通不同的情景是若何分散的，以及若何将能量最小化以达到厚实的情景。

那么玻尔兹曼机是奈何运作的呢？让我来举一个例子。

当你在刷一又友圈时，你恰顺眼到了你的一又友发了一张全家福。即使你从未见过你一又友的家东说念主，你仍然不错凭据他们的共同特征，比如面部特征，立即离别出你们是一家东说念主。访佛的，玻尔兹曼机就像咱们的脑，经过矜重它就不错识别东说念主脸的模式。

在玻尔兹曼机中，神经收集有两层节点。一层是由可见节点组成的“可见”层，用于输入数据，比如眼睛、鼻子或浅笑等特征。另一层是由遮盖节点组成的“遮盖”层，它会试图贯通输入中的潜在模式。

当玻尔兹曼机得回一个新的输入，比如你一又友的家东说念主出面前，它可能会以一个与之前学习过的任何模式都不透彻匹配的树立运转。这访佛你着手对你一又友和你一又友的家东说念主的一样度的不细目。当玻尔兹曼机料理输入时，它会更新其节点，访佛于大脑给与到你一又友的家东说念主的更多细节。这个更新经由触及概率筹备，机器评估每个节点情景的可能性，比如某个特征是否与你一又友一样。

每次机器更新一个节点的情景，它的筹备是镌汰系统的全体能量。较低的能量情景对应于更接近学习模式的树立。比如你的大脑在料理更多细节后，就会减少对你一又友家东说念主身份的不细目性，缓缓对我方的评估更有信心。玻尔兹曼契机冉冉更新，直到它参加一个桀黠量情景，这代表了一个与储存模式密切一致的树立。

简而言之，玻尔兹曼机运用了能量最小化旨趣，通过迭代更新从较高的能量情景过渡到较低的能量情景，使其省略以访佛于咱们我方的剖析经由的方式灵验地学习和识别复杂模式。这种从例子中学习并生成新的访佛数据的特有身手使玻尔兹曼机成为东说念主工智能和神经收集发展的一个关键里程碑。

今天，机器学习的发展还是带来了巨大的影响，它不仅让咱们的生计变得愈加智能，也被应用在了好多科学范畴。举例，它不错匡助咱们寻找系生人星，分析来自粒子加快器产生的海量数据，以及筹备卵白质分子的结构等等。

咱们透彻有旨趣期待，改日东说念主工智能或将在科学范畴掀翻更大的翻新。

审核：安然宇，中国科学院微电子连络所连络员

本文为科普中国·创作教会筹备扶执作品

出品：中国科协科普部

监制：中国科学时候出书社有限公司、北京中科银河文化传媒有限公司