订阅我们的每日和每周新闻通讯，获取有关行业领先人工智能报道的最新更新和独家内容。了解更多
杰弗里·欣顿，一位领先的人工智能研究员，也是多伦多大学名誉教授，与普林斯顿大学的约翰·J·霍普菲尔德共同获得了2024年诺贝尔物理学奖。
瑞典皇家科学院将1100万瑞典克朗（约合106万美元）的奖金授予这两位科学家，由两位获奖者平分。
欣顿因其在人工神经网络方面的开创性工作而被各种媒体和同行研究人员称为“人工智能教父”，人工神经网络是现代人工智能的基础技术。
尽管获得了认可，欣顿对人工智能的未来越来越谨慎。2023年，他辞去了当时在谷歌DeepMind部门的职位，以便更自由地谈论不受控制的人工智能发展带来的潜在危险。
欣顿警告说，人工智能的快速发展可能会导致意想不到的有害后果，包括虚假信息、工作岗位流失，甚至存在性威胁——包括人类灭绝，即所谓的“x风险”。他表达了对这种他帮助创造的技术最终可能以不可预测的方式超越人类智能的担忧，他认为这种情况尤其令人不安。
正如麻省理工学院科技评论在2023年5月采访他后报道的那样，欣顿特别担心像威权领导人这样的坏人，他们可能会利用人工智能操纵选举、发动战争或执行不道德的目标。他表达了对人工智能系统在完成目标时可能会发展出危险的子目标的担忧，例如垄断能源资源或自我复制。
虽然欣顿没有签署呼吁暂停人工智能发展的知名信函，但他离开谷歌标志着科技行业的一个关键时刻。
欣顿认为，如果没有全球监管，人工智能系统可能会变得不可控，这种观点得到了该领域许多人的认同。他对人工智能的愿景现在既受到其巨大潜力的影响，也受到其带来的迫在眉睫的风险的影响。
即使在今天获得诺贝尔奖后反思自己的工作，欣顿也告诉CNN，生成式人工智能：
“……将与工业革命相当。但它不会在体力上超越人类，而是会在智力上超越人类。我们没有经验知道比我们更聪明的东西是什么样的……我们也必须担心一些可能的不良后果，特别是这些东西失控的威胁。”
杰弗里·欣顿获得诺贝尔奖对于熟悉他对人工智能的广泛贡献的人来说并不意外。
欣顿于1947年出生于伦敦，最初在爱丁堡大学攻读博士学位，在那里他接受了神经网络——当时大多数研究人员基本上都忽略了这一想法。
1985年，他和合作者特里·塞诺斯基创造了“玻尔兹曼机”，这是一种算法，以奥地利物理学家路德维希·玻尔兹曼命名，能够学习识别数据中的元素。
1987年加入多伦多大学后，欣顿与研究生一起进一步推动了人工智能的发展。他们的工作成为今天机器学习系统发展的中坚力量，为我们今天使用的许多应用程序奠定了基础，包括图像识别和自然语言处理、自动驾驶汽车，甚至像OpenAI的GPT系列这样的语言模型。
2012年，欣顿和多伦多大学的两名研究生伊利亚·苏茨克维尔和亚历克斯·克里热夫斯基共同创办了一家名为DNNresearch的衍生公司，专注于推进深度神经网络——特别是“深度学习”——它将人工智能模型建立在人脑的神经通路之上，以提高机器学习能力。
欣顿和他的合作者开发了一种神经网络，能够以前所未有的准确率识别图像（如花朵、狗和汽车），这一壮举长期以来似乎难以实现。他们的研究从根本上改变了人工智能对计算机视觉的处理方式，展示了神经网络在大量数据训练下所具有的巨大潜力。
尽管取得了重大成就，但DNNresearch在成立时并没有产品或直接的商业目标。相反，它被创建为一种机制，让欣顿和他的学生能够更有效地应对来自大型科技公司的日益增长的兴趣，这些公司最终将引发一场拍卖，从而引发了现代人工智能主导权的竞赛。
事实上，他们在2012年12月将公司拍卖，谷歌、微软、百度和DeepMind参与了激烈的竞标，正如凯德·梅茨在2021年发表的《连线》杂志文章中所述。欣顿最终选择以4400万美元的价格将公司出售给谷歌，尽管他本可以将价格抬高。这场拍卖标志着科技巨头之间人工智能军备竞赛的开始，推动了深度学习和人工智能技术的快速发展。
了解欣顿对人工智能的影响以及他的创新如何促使他今天获得诺贝尔物理学奖，这一背景至关重要，这反映出他的神经网络和机器学习工作对现代人工智能演变的基础性意义。
多伦多大学校长梅里克·格特勒祝贺欣顿取得的成就，强调了该大学对他这一历史性成就的骄傲。
约翰·J·霍普菲尔德是普林斯顿大学的教授，与欣顿共同获得了诺贝尔奖，他开发了一种联想记忆模型，被称为霍普菲尔德网络，它彻底改变了模式（包括图像）的存储和重建方式。
该模型将物理学原理，特别是原子自旋系统，应用于神经网络，使它们能够通过不完整或扭曲的数据进行工作，以恢复完整的模式，这与驱动图像和视频人工智能服务的扩散模型从训练中重建旧图像来学习创建新图像的方式类似。
他的贡献不仅影响了人工智能，还影响了计算神经科学和纠错，展示了他的工作跨学科的意义。
他的工作与原子自旋系统密切相关，为人工智能的进一步发展铺平了道路，包括欣顿的玻尔兹曼机。
虽然欣顿的工作将神经网络推向了现代时代，但霍普菲尔德早期的突破为神经模型中的模式识别奠定了至关重要的基础。
两位获奖者的成就极大地影响了人工智能的快速发展，导致了从技术到医疗保健等各个行业的变革性变化。
诺贝尔委员会强调，他们在人工神经网络方面的工作已经惠及了广泛的领域，特别是在材料科学等领域。
