2024诺奖颁奖现场，AI之父Hinton演讲：当AI已经开始理解人类的喜好和情绪（附视频）

人工智能：理解人类思维的革命性突破

　　2024年12月8日，诺贝尔物理学奖首次授予了人工智能领域的科学家，John Hopfield和Geoffrey Hinton因其在神经网络领域的开创性贡献获此殊荣。在瑞典斯德哥尔摩的颁奖典礼上，被称为"人工智能之父"的Hinton讲述了他对人工智能如何逐渐学会理解人类的深刻见解。

　　Hinton提到，为什么打开短视频推荐的内容总是那么合胃口？为什么购物平台总能准确预测购物偏好？这些现象揭示了人工智能已经开始像人类大脑一样思考和理解。正如诺贝尔评审委员会所说：“神经网络理论让机器开始像人类一样思考，这将彻底改变人类社会的未来。”在演讲中，Hinton教授用通俗语言解释了人工智能如何“思考”的过程。

　　为了让更多读者理解他的理论，Hinton举了一个生活中的例子：想象你在寻找回家的路线，有多条路可以选择。有些路看起来很近但可能会堵车，有些路绕远一点但最终能更快到家。神经网络的工作方式也很像这个过程，它会不断尝试找到最好的“解释”，就像我们在找最佳路线一样。

　　接下来，Hinton介绍了Hopfield网络，这是一种以二元神经元版本来解释的网络，它们的状态只有1或0。这些网络会趋向于能量的最低点（energy minima）。Hopfield网络的核心是，每个神经元可以局部计算自己需要采取的动作来降低能量，也就是降低“坏度”（badness）。如果来自其他激活神经元的总加权输入是正的，该神经元应该打开（激活）；如果是负的，则应该关闭（不激活）。如果每个神经元按照这个规则行动，并且我们随机选择神经元持续应用这一规则，那么网络最终会稳定在一个能量最低点。

　　Hinton还探讨了神经网络在图像解读和生成方面的应用，特别是通过调整连接的权重，使网络具有两种可能的稳定状态，分别对应于对Necker Cube的两种不同解读。这引出了两个主要问题：搜索问题和学习问题。在搜索问题中，神经元的随机性扮演着关键角色；而在学习问题中，Hinton和Terry Sejnowski提出了一种简单而有效的学习算法，使网络在“做梦”时生成的图像更可能看起来像它在感知真实世界时看到的图像。

　　此外，Hinton还提到了受限玻尔兹曼机（RBM）在特征提取和图像识别中的应用，以及通过堆叠多个RBM来解决复杂问题的方法。这种方法使得网络能够逐渐捕获数据中越来越复杂的相关性，从而实现更高效的学习和更强的泛化能力。

　　尽管RBM在某些方面取得了成功，但它们的学习过程仍然非常缓慢。然而，通过改进算法和使用堆叠结构，Hinton和他的团队成功地克服了这些限制，使得RBM在实践中变得可行。例如，Netflix曾使用受限玻尔兹曼机结合其他方法来推荐新电影，并取得了显著的效果。

　　总的来说，Hinton的演讲展示了人工智能在理解人类思维方面的巨大潜力和革命性突破。通过不断的研究和改进算法，我们有理由相信人工智能将在未来发挥更加重要的作用并彻底改变我们的生活方式。