未來的某一天，人工智能“天網”覺醒，它制造出可怕的機器人，代號“終結者”，企圖消滅所有人類，但人類在約翰·康納的帶領下，與終結者進行著殊死搏斗。天網制造出了時間機器，派終結者去殺死約翰·康納的母親以阻止康納的出生。

這就是我小時候最愛看的科幻電影《終結者》的故事背景。我當時就在想，既然這樣，那么人類也可以派出特工回到過去，阻止發明 AI 的那位關鍵科學家，這樣，天網就不會，至少不會那么快就誕生了。

假如科幻成真，人類應該回到哪一年？又該去阻止哪位科學家呢？

今天，諾貝爾獎委員會給出了答案——未來人應該回到 1982 年，去找一位名字果然也叫約翰的物理學家，他的全名是約翰·J·霍普菲爾德（John J. Hopfield）。然后，再去找一位叫杰弗里·E·辛頓（Geoffrey E. Hinton）的科學家。阻止他倆，就能阻止（至少是大大減緩）人工智能的發展。

這兩位科學家就是 2024 年諾貝爾物理學獎的獲獎人，或許，諾獎委員會在用這種方式給未來人拯救人類提供關鍵線索。

那么，他們倆到底對人工智能的誕生做出了怎樣的貢獻呢？我一個個來說。

約翰·霍普菲爾德老爺子 1933 年出生于美國芝加哥，今年已經 91 歲高齡。他 25 歲在康奈爾大學獲得物理學博士學位，28 歲到加州大學伯克利分校教授物理學，開始了自己的物理學生涯。1982 年，他 49 歲，說實話，這對于搞理論的物理學家來說，已經算是高齡了，學術的黃金年齡已經過去。但是，對于約翰·霍普菲爾德來說，這一年卻是他產出最重要成果的一年。這一年，他提出了“霍普菲爾德網絡”模型，首次將物理學中的統計力學原理引入神經網絡，開創了人工神經網絡中的關聯記憶概念。

霍普菲爾德神經網絡

實際上，在霍普菲爾德之前很多年，神經網絡的基本雛形就已經被提出了。我們把模擬人類大腦神經元的工作機制的計算機算法模型稱為神經網絡模型。人的大腦中擁有海量的神經元細胞，這些細胞長得就像有很多觸手的章魚，神經元與神經元之間的觸手可以相互連接，也可以斷開。我們每個人的大腦中神經元細胞的總數大體差不多，但是，我們每個人大腦中的神經元的相互連接方式卻是獨一無二的，而且，這些神經元之間的連接方式在我們的成長過程中，也在不斷地產生變化。神經元之間的這種網狀連接結構存儲了我們的記憶，而我們每個人的思想，不過是電信號在這些無窮無盡的神經元中游走所涌現出來的一種現象。

模擬人腦神經元的工作機制來實現人工智能是比較容易想到的一種方式，不過，這只不過是眾多 AI 實現流派中的一派，甚至是并不被特別看好的一派。這是因為，它有一個天然的劣勢，就是需要的計算量非常龐大。因此，這一派一直在努力提高算力的使用效率。霍普菲爾德的貢獻就是另辟蹊徑，從物理學的角度解決問題。

我來講講他的解決思路大概是怎樣的。不過千萬注意，我這是做科普，是把他的思路簡化再簡化之后的講解，但也能讓我們普通人略微領略一下諾獎大神的思想魅力了。

人工神經網絡之所以會很消耗算力，很大一部分是有很多無效的計算。這就像是讓一個盲人尋找房間出口，一定是磕磕碰碰很多次才能嘗試出門在哪里。這些磕磕碰碰就是浪費掉的算力。

但是，浴室中的水會直奔下水道，不會到處亂撞。這是因為下水道入口在浴室地板的最低處，而水一定是往低處流的。

這個換做更加物理的說法那就是，下水道入口的位置處于重力場勢能最低的地方，而一個物體傾向于在能量最低狀態保持平衡。

霍普費爾德就是把這個原理應用到了神經網絡算法中。他設想，是否可以用計算機算法來實現一個虛擬的力場呢？想到就干，霍普費爾德先用軟件虛擬出一個神經網絡，然后再用神經網絡虛擬出一個遵守物理規律的力場，這就是他獲得諾獎的那個重要成就——霍普費爾德網絡。具體實現的數學方法非常復雜，我們不講數學，我只給你講他的思路。

我們可以把這個力場想象成是一個高低起伏的二維平面，這個平面上哪里高、哪里低，哪里是一個山峰，哪里是一個低谷，都是由神經網絡里的參數決定的。

訓練神經網絡的時候，需要喂給模型很多數據，這些數據就像是一個一個的小球，把它們放到虛擬的力場里，它們就會自動滾落到最低的能量低谷里。

比如說，我們希望這個模型可以判斷出照片里面有沒有狗，在一個神經網絡的虛擬力場里，不同位置代表不同的結果，分別有貓、狗、狼、石頭等等，那么，狗的位置就是勢能最低的地方，然后是狼、貓、石頭的勢能依次增大。

在真實的物理世界中，假如一個位置的力場勢能高低我們不清楚，我們可以從不同位置放下一個一個的小球，通過小球的運行狀態來探測力場的真實情況。

不過，當我們訓練一個神經網絡模型的時候，情況就不太一樣了，因為神經網絡里的這個場的形狀應該是什么樣子的我們并不知道。但我們可以不斷地把真實的貓的照片數據喂給模型，如果這個力場是正確的話，那么這個訓練數據最后應該落在貓的位置，如果落到的是其他位置，就說明這個力場是錯的。

這個時候就需要調整模型參數，然后再用測試數據試一下，直到測試的數據能夠正確下落到代表貓的位置為止。

只要這個虛擬的力場訓練出來了，這時候再給模型輸入數據，就能判斷它到底是不是貓的照片了，這就像浴室里的水一樣，直奔下水道，而不需要到處碰壁嘗試了。

但是，霍普費爾德網絡有一個問題，那就是它最后訓練出來的那個虛擬的力場并不是只有一個低谷，雖然最低的那個低谷仍然是正確答案，但是在它周圍還有幾個深淺不一的小凹坑。于是就可能出現，給模型輸入一個數據之后，這個數據的確是往低處滾動，但是滾動到了一個周圍的小坑里靜止了，這樣它就永遠不會滾動到正確的最深谷里了。

霍普菲爾德網絡訓練可能產生的誤差

這個問題，霍普菲爾德沒有解決，但他的這個思想，已足以讓他名垂青史。不過，霍普菲爾德沒能解決的問題，被杰弗里·辛頓發明的“玻爾茲曼機”給解決了。

杰弗里·E·辛頓， 1947 年出生于英國倫敦，今年 77 歲。他本科拿的是英國劍橋大學的實驗心理學文憑，本科畢業后前往愛丁堡大學學習計算機，獲得人工智能的博士學位。你沒聽錯，早在 1975 年，大學里面就已經有人工智能專業了。他在 2018 年獲得圖靈獎，今年 2024 年又獲得諾貝爾物理學獎，他是全世界除了赫伯特.西蒙，同時獲得圖靈獎和諾貝爾獎的第二人。

首先，玻爾茲曼是另外一個物理大神的名字，玻爾茲曼在物理學中的貢獻被稱為玻爾茲曼分布。這是用來描述類似氣體分子這樣微小粒子的狀態的。氣體分子有什么特點呢，就是它們是在持續不斷運動的，而且這個運動還和溫度有關，溫度越高動能越高，溫度越低動能越低。

玻爾茲曼機模型

剛才提到的霍普費爾德網絡，一個數據容易陷入到局部最低的小低谷里面出不來，如果這個數據是具有溫度的氣體分子呢？那么它是會不斷運動的，即便是不小心到了一個小低谷里面，它仍然有可能翻出去，直到進入全局的那個低谷。

如果用人工智能的術語來說，那就是霍普費爾德網絡更容易出現過擬合，但是在霍普費爾德網絡虛擬出來的那個簡化版物理世界里，再把玻爾茲曼分布的規律也引入進去，就可以比較好的避免過擬合的現象。

直到現在，“溫度”仍然是人工智能里的非常重要的概念。ChatGPT 這樣的 AI 工具，通常有一個高級設置，設置模型的溫度。溫度越高，模型給出的答案會越有創意，溫度越低則是會越遵守原有的數據。

最后，我來總結一下：

霍普菲爾德和辛頓之所以會獲得今年的諾貝爾物理學獎，是因為提出了霍普費爾德網絡和玻爾茲曼機這兩個神經網絡模型。其實如果單純說對現在人工智能的貢獻，這兩個模型的直接貢獻其實并不算突出，它們更多的是為神經網絡的發展引入了新思想和新的發展模式。現在大部分的大語言模型都沒有直接使用這兩個模型，但是，追根溯源，他們的思想被延續了下來。
這也是為什么諾貝爾物理學獎居然頒給了搞計算機神經網絡算法的科學家，因為他們是最早將物理學引入到人工智能領域的科學家。
他們就是終結者要保護的人！