刚刚，AI 教父获得诺贝尔物理学奖，曾表示后悔毕生工作，警告 AI 取代人类可能比想象中快 - 通信人家园

我在加利福尼亚的一家经济型酒店，那里没有良好的互联网或手机信号。我今天本打算做核磁共振扫描，但我得取消了！

我估计在五到二十年之间。人工智能有 50% 的概率会比我们更聪明。当它变得比我们更聪明时，我不知道它接管的概率有多大，但在我看来，这是很有可能的。

今年的两位诺贝尔物理学奖获得者利用物理学工具开发了现代强大机器学习的基础方法。约翰·霍普菲尔德创造了一种联想记忆，能够存储和重建图像及其他数据模式。杰弗里·辛顿则发明了一种能够自主识别数据属性的方法，从而执行识别图像中特定元素等任务。

谈到人工智能时，我们通常指的是使用人工神经网络的机器学习。这项技术最初受大脑结构的启发。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。这些节点通过类似突触的连接相互影响，并可以变得更强或更弱。

网络的训练，例如，通过在同时具有高值的节点之间建立更强的连接。今年的获奖者自 1980 年代起就在人工神经网络领域进行了重要工作。

约翰·霍普菲尔德发明了一种保存和重建模式的方法网络。我们可以将节点视为像素。霍普菲尔德网络利用描述材料特性与原子自旋相关的物理学——这一特性使每个原子成为微小的磁体。

整个网络以与物理学中自旋系统的能量相当的方式进行描述，并通过寻找节点之间连接的值进行训练，以确保保存的图像具有低能量。

当霍普菲尔德网络接收到扭曲或不完整的图像时，它会系统性地处理节点并更新其值，使网络的能量降低。网络逐步寻找与输入的瑕疵图像最相似的保存图像。

<figure></figure>杰弗里·辛顿则以霍普菲尔德网络为基础，开发了一种不同的方法：玻尔兹曼机。

该机器能够学习识别特定类型数据中的特征元素。辛顿利用统计物理学的工具，这是一门研究由许多相似组件构成的系统的科学。该机器通过输入在运行时非常可能出现的示例进行训练。

玻尔兹曼机可用于分类图像或创建与其训练模式相同的新示例。辛顿在此基础上进一步研究，帮助推动了当前机器学习的爆炸性发展。