本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。

　　辛顿事业的再次起飞是在 2012 年。计算机硬件的性能大幅提高，计算资源也越来越多◆■■★，他的理论终于能在实践中充分发展。他带领两个学生利用卷积神经网络 (CNN) 参加了名为“ImageNet大规模视觉识别挑战”的比赛。这是当时规模最大的图片分类识别比赛，截至2016年，ImageNet数据集中有上千万张手工标注的图片◆■◆，是图像识别领域最重要的数据库。比赛的其中一个内容是，让机器辨认每张图像中的狗是什么类型，从而对100多种狗进行分类◆■★◆■■。

　　诺贝尔物理学委员会主席艾伦·穆恩斯（Ellen Moons）表示，两名得主的■■“工作已经产生了巨大的效益。在物理学中，我们将人工神经网络应用于广泛的领域，例如开发具有特定性能的新材料”■■◆◆■。

　　在被问及是否后悔自己帮助创造了这项技术时，他回答道：“后悔有两种。一种是因为你做了一些明知不该做的事情而感到内疚；另一种是如果你做了一些在同样情况下你会再次做的事情★■，但最终结果可能并不好◆◆★■。我的遗憾是第二种。在同样的情况下★■■◆★，我还会这么做★◆■★，但我担心这种做法的总体后果是，比我们更聪明的系统最终会掌控一切。”

　　在霍普菲尔德网络的基础上，辛顿创建了一个新网络——玻尔兹曼机，它可以学习识别给定类型数据中的特征元素。该机器的训练方式是给它输入运行时很可能出现的示例。玻尔兹曼机可以用来对图像进行分类，或者为它所训练的模式类型创建新的例子◆■★◆。

　　辛顿的担忧主要有两方面。在短期内，辛顿认为生成性AI创造虚假文本、图片和影像，而在未来人工智能不仅会消灭■◆◆★“繁重的工作■★◆■★”，许多从业工作者都可能被AI取而代之★★★■。从长远来看■◆★，辛顿对完全自主武器诞生的可能性以及AI模型从训练数据中习得的行为趋势都感到非常担忧。虽然目前许多问题都只存在于理论层面，但辛顿认为若没有及时准备好相关法规和有效的控制措施■◆★■◆，那人类将在未来对AI彻底失去控制。

　　1982年，霍普菲尔德发明了一种采用保存与重建模式的网络◆★◆■■◆，即“霍普菲尔德神经网络■★◆”。当该网络被输入扭曲或不完整的图像时，它会有条不紊地处理节点并更新它们的值，从而降低网络的能量■■★◆。因此◆■，网络会逐步找到与输入的不完美图像最相似的保存图像◆■◆■★★。

　　在比赛中◆■◆★◆◆，辛顿带着他的学生以 16% 的错误率获胜——这个错误率低甚至低于人眼识别错误率的18%，并且远低于前一年 25% 的获胜成绩。这让人们见识了深度学习的威力。从此★◆，深度学习一炮而红。辛顿的一些学生也逐渐在行业内站稳脚步■■。和辛顿一起参加比赛的Ilya Sutskever后来成为OpenAI的研究主管。另一名学生曾任Facebook AI Research的第一任主管。辛顿自己也与两名学生创建了科技公司DNNresearch，背后就采取了人工神经网络的概念。2018年，辛顿与法国计算机科学家杨立昆（Yann LeCun）和加拿大计算机科学家约书亚·本希奥（Yoshua Bengio）一起因对神经网络的研究获得了2018年图灵奖。

　　辛顿此前曾在谷歌工作十多年，但在2023年4月，他却公开宣布自己已经辞去相关职务★◆■■★■，目的是为了不受约束地警告人们警惕AI的潜在风险。辛顿担心谷歌会为了和ChatGPT◆◆、Bing等服务竞争，而放松对使用AI的约束，而这可能会引发一系列的伦理问题。他说道：“我对自己毕生的工作，感到非常后悔。我用一个借口来安慰自己，如果我没有这么做，还会有其他人◆◆。■★◆■◆★”

　　举个例子，几个人站成一排，每个人依次将看到的图像描述给下一个人■◆◆★◆，最后一个人得到的信息往往完全走样。反向传播的原理就是，将图像给最后一个人看，让他对比图像和他得到的信息之间有多少误差，再将误差依次传给前面的人，让每个队友分析误差中有多少是自己的★◆★★，下次描述时哪里需要改进■★。由此一来★■◆◆■，准确度就能提高。这种机制极大提高了人工神经网络的性能。因此，反向传播算法对现有人工智能影响很大，以至于《麻省科技评论》在报道中直接称：■★■◆◆■“今天的 AI 就是深度学习，而深度学习就是建立在反向传播机制之上的■★。”

　　当地时间10月8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教授约翰·霍普菲尔德（John J■◆■■◆. Hopfield）和加拿大多伦多大学教授杰弗里·辛顿（Geoffrey E. Hinton），以表彰他们“利用人工神经网络实现机器学习的奠基性发现和发明★◆◆◆◆”★◆◆。诺贝尔委员会在一份声明中表示：“尽管计算机无法思考，但机器现在可以模仿记忆和学习等功能★★★■。今年的物理学奖得主为实现这一目标做出了贡献”◆◆，“他们利用物理学的基本概念和方法，开发出利用网络结构处理信息的技术”，这导致机器学习在过去二十年里取得“爆炸式”发展。被誉为■★■◆■◆“人工智能教父”的辛顿表示，获得该奖项让他“惊讶不已■◆★★”。

　　■★◆★■■“我只是一名科学家◆■◆◆■，突然意识到这些东西比我们更聪明◆★◆。我想揭发这件事，说我们应该认真思考如何阻止这些东西控制我们。◆◆★★■◆”辛顿曾在采访中警告称，人工智能“知道如何编程，所以它会想办法绕过我们对它施加的限制。它会想办法操纵人们做它想做的事。★◆■■★◆”

　　辛顿曾经认为人工神经网络是机器理解和产生语言的一种强大方式，因此对AI的未来抱有无限憧憬和美好期待。然而，在2022年◆■★◆，随着谷歌和OpenAI利用大量数据构建超强AI，辛顿的观点也发生了重大转变★◆■。他虽然认为这些系统在某些方面仍不如人类的大脑■★◆◆★，但它们在其他方面正在超越人类的智力，并在未来取代人类。GPT-4发布时，辛顿曾表示：“毛虫吸取了营养之后，就会化茧为蝶。而人类提取了数十亿个理解的金块，GPT-4◆★■■◆，就是人类的蝴蝶。”

　　当人们谈论人工智能时◆★★■★■，通常指的是使用人工神经网络的机器学习。这项技术最初的灵感来自大脑的结构◆◆。大脑有不同的神经元，而在人工神经网络中◆★★■◆★，这种◆■★“神经元”由具有不同值的节点表示◆◆◆■。大脑的神经元通过突触相互交流◆■★◆，而人工节点则通过连接相互影响。据诺贝尔奖官网介绍◆■★◆，霍普菲尔德与辛顿对人工神经网络的这种研究从40年前就开始了。

　　然而提出反向传播算法之后，辛顿并没有迎来事业的蓬勃发展。1980年代末期，第二波人工神经网络热潮带来大量投资◆◆★■，然而因为1987年全球金融危机和个人计算机的发展◆◆★■◆■，人工智能不再是资本关注的焦点。同时，当时的计算机硬件无法满足神经网络需要的计算量◆★◆★★，也没有那么多可供分析的数据★★■■◆★，辛顿的理论无法得到充分实践。20世纪90年代中期★◆■■，神经网络研究被打入冷宫◆◆■★，辛顿的团队在难以获得赞助的情况下挣扎。辛顿被美国国防高等研究计划署（DARPA）拒绝■◆■。幸好这时，加拿大高级研究所（CIFAR）向他抛出橄榄枝■★◆◆，资助了辛顿的团队。

　　在获得诺贝尔奖之前，杰弗里·辛顿已经有了一个相当响亮的名号：人工智能教父。◆★★★“所有你能做的事情，神经网络最后都能做。所有行业都会被它影响。■■★◆”辛顿曾这样评价神经网络。早在 1986年，辛顿就和同事在论文中提出了★★◆“反向传播算法”（Backpropagation）机制★■◆，这正是现在深度学习的奠基石之一。通过推导人工神经网络的计算方式◆■，反向传播可以纠正很多深度学习模型在训练时产生的计算错误★◆■★。