文章專區

Take Home Message
▶ 今（2024）年諾貝爾物理學獎首次將獎項頒發給人工智慧（AI）領域的研究，得獎主題為霍普菲爾德和辛頓在類神經網路和AI 的貢獻，引起物理學界關注。
▶ 霍普菲爾德運用物理學原理中的集體現象設計類神經網路，而辛頓則發展了奠基於統計物理學的波茲曼機，兩人的貢獻為現代AI 發展奠定重要基礎。
▶ AI 技術雖然在科學研究中展現巨大潛力，但兩位得主都表達了對 AI 發展的憂慮，強調需要更深入理解和控制AI 風險。

約翰．霍普菲爾德
John Hopfield（1933 ～）
國籍｜美國
任職單位｜普林斯頓大學
研究領域｜物理學、分子生物學、神
經科學

傑佛瑞．辛頓
Geoffrey Hinton（1947 ～）
國籍｜英國、加拿大
任職單位｜曾任職Google
研究領域｜機器學習、類神經網路、
人工智慧、認知科學

雖然每年的諾貝爾物理學獎都標記著人類科學研究史上的重大進展，得獎者也不乏聲名顯赫的大師，然而，總有些年份特別為人熟知、津津樂道，而今年就是其中之一。今年的兩位得主分別為美國科學家霍普菲爾德（John Hopfield），以及加拿大電腦科學家和心理學家辛頓（Geoffrey Hinton），得獎原因是他們在類神經網路（artificial neural network）及人工智慧（artificial intelligence, AI）研究發展路上的里程碑，而非一般印象中的物理學。這是諾貝爾委員會首次將物理獎頒給AI 研究，由於得獎主題實在是太出乎大家的意料之外，不少觀看諾貝爾獎直播的物理學家一時錯愕，不知該做何感想。這有一部分是字面上的意義，畢竟有不少物理學家是真的不熟悉AI。

先不論得獎研究內容是否屬於物理學的範疇，霍普菲爾德雖說非常斜槓又跨領域，至少妥妥當當是個物理學家。但辛頓可是電腦科學家，壓根沒想到自己居然會得獎，他在接受《紐約時報》（The New York Times）專訪時的感想是：「震驚、驚訝，目瞪口呆。」

既然AI 不屬於典型的物理學領域，為什麼他們關於類神經網路的研究能得獎呢？

有物理魂的AI 開創者－霍普菲爾德

霍普菲爾德不是一般的科學家，他的工作橫跨生物物理學、化學、電腦科學，並在這些領域都取得了重大突破。他對於大腦的結構和運作原理著迷，憑藉物理背景，他靈光一閃：「為什麼不用物理學的原理教電腦記憶？」

時間回到1980 年代，當時個人電腦開始蓬勃發展，像十多年前的手機一樣，大家都在思考各種可能的應用。除了努力讓電腦的運作更快、功能更強大之外，也有科學家開始思考如何讓電腦更像人腦，學習和辨識圖像。霍普菲爾德在1970 年代在生物分子的電子轉移、生化反應間的糾錯校正有許多開創性研究，不過因研究興趣稍微偏離主流物理，因此他在1980 年離開了美國普林斯頓大學（Princeton University），接受了美國加州理工學院（California Institute of Technology, Caltech）關於生物化學的教職。在那裡，他能夠自由使用電腦資源，以研究和實驗他關於類神經網路的構想。

然而他並沒有拋棄他的物理魂。物理系統中常能發現集體現象（collective phenomena），例如磁鐵中的原子就像一群小磁針彼此互相影響，最終指向同一個方向，形成磁力。而流體中的小分子則像一群互相追逐的小魚，它們彼此影響並沿著相似的路徑運動，最終形成了旋轉的結構、產生渦流，成為穩定的流動模式。他從這裡得到靈感，把集體現象的概念應用到類神經網路中，設計出了霍普菲爾德網路（Hopfield neural network）。他把每個神經元想像成一個小磁針，它們之間的連結就像磁力，在彼此互相影響後，最後達到一個穩定的狀態，有如將一群意見分歧的人，透過討論後達成共識。

霍普菲爾德網路像一張錯綜複雜的網，每個神經元都和其他的神經元相連，資訊在網路中不斷流動，形成一個互相影響的動態系統。當訓練的時候，網路接收並觀察訓練資料的機率分布，調整網路中連結的權重，最後達到一個能量的穩定態。而這個穩定態就代表了網路學習到的記憶，記住了之前觀察的訓練資料，能模仿這個機率分布並產生新的資料（圖一）。

霍普菲爾德網路是一種尋求能量低點的模型。我們可依照能量高低想像成一個有山峰、山谷、山坡的能量景觀（energy landscape），在訓練過程中，能量會往低點（具有吸引力的盆地）走去，狀態會朝向區域中的能量谷底，也就是吸引子（attractor）走。

霍普菲爾德網路也可以視為一種糾錯校正的過程。當網路的起始值是一個不正確的狀態時，動態系統會被吸引到附近的能量低點，進而達到糾錯校正的效果。也由於霍普菲爾網路的物理血統，在數學理論及計算上，常常能利用物理學中已有的工具和技巧。像是模型記憶容量等的基礎性質估計，可以利用自旋玻璃理論來幫助計算分析，研究磁性材料中的自旋磁矩形成的複雜系統。

雖然現在的深度學習中較少使用霍普菲爾德網路，但這方面的研究不僅促進了AI 的發展，還為生物學和物理學之間的交叉研究提供了新視角。……【更多內容請閱讀科學月刊第660期】