人工神经网络为人工智能发展奠定了基础，并扩展了人类的智力和能力。

10月8日，2024年诺贝尔物理学奖揭晓。当天，瑞典皇家科学院宣布，将本年度诺贝尔物理学奖授予约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。

人工智能对于今天的人们并不陌生，而对这一前沿技术做出奠基性贡献的正是这两位科学家。他们是这一领域的先驱，有了他们的研究工作，才有人工智能今天的蓬勃发展。

霍普菲尔德的贡献是，创建了一个联想内存，后者可以存储和重建数据中的图像和其他类型的模式。辛顿则发明了一种方法，可以自主查找数据中的属性，从而执行诸如识别图片中的特定元素等任务。

诺贝尔物理学奖委员会主席艾伦·穆恩斯表示，虽然人工智能似乎不是诺贝尔物理学奖的有力竞争者，但具有学习能力的神经网络的发现及其应用是与物理学密切相关的。“这些人工神经网络已用于推动粒子物理学、材料科学和天体物理学等各种物理学主题的研究。”

扩展人类的智力和能力

20世纪80年代，霍普菲尔德研发了一个网络，用一种方法来保存和重新创建模式。这个网络相当于物理学中自旋系统中的能量，并通过查找节点之间的连接值进行训练，而节点就相当于像素。当这个网络收到失真或不完整的图像时，它会有条不紊地通过节点并更新它们的值。因此，网络能逐步找到它所保存的最相似图片。

辛顿则利用霍普菲尔德网络来使用物理工具，如使用玻尔兹曼机。由此可以学习识别给定数据类型中的特征元素，辛顿通过向机器提供规范示例来训练机器。而玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型。辛顿以这项工作为基础，帮助启动了当前机器学习突飞猛进的发展。

霍普菲尔德和辛顿创建人工神经网络的灵感源自人脑。人的脑细胞（神经元）构成了一个复杂、高度互联的网络，并能互相发送生物电信号，帮助人类处理纷繁复杂的信息。人工神经网络则由人工神经元组成，它们共同合作以解决问题。

实际上，人工神经网络就是一种人工智能方法，用来教会计算机以人脑的方式处理数据。机器学习过程也称为深度学习，类似于人脑的分层结构中的互连节点或神经元。机器学习可以创建自适应系统，计算机使用该系统从错误中进行学习并不断改进。

因此，人工神经网络可以完成多种工作，并能尝试解决复杂的问题，从而扩展人类的智力和能力。

现在人们熟知的大型语言模型（LLM）就是基于大量数据进行预训练的超大型深度学习模型。其底层转换器是一组神经网络，这些神经网络由具有自注意力功能的编码器和解码器组成。编码器和解码器从一系列文本中提取含义，并理解其中的单词和短语之间的关系，以及语法。OpenAI的GPT系列，就是大语言模型的典型代表。

人工神经网络用途广泛

人工神经网络并非只用于数据处理，而是有广泛的用途，相当于扩大了数亿人的大脑功能。人工神经网络可以进行归纳和推理，帮助做出正确的决策，因为它们可以学习非线性和复杂的输入数据与输出数据之间的关系，并为其建模。

人工神经网络还可以完成一系列任务，通过医疗影像分类进行诊断，通过社交网络筛选和行为数据分析进行有针对性的营销，通过处理金融工具的历史数据进行金融预测等。

同时，人工神经网络也具有计算机视觉，是拥有从图像和视频中提取信息并决策的能力。而借助人工神经网络，计算机可以区分和识别与人类相似的图像，因而可以应用到多个领域。

比如，自动驾驶汽车中的视觉识别，使汽车能够识别道路标志和其他道路使用者；用于内容审核，从图像和视频归档中自动删除不安全或不适当的内容；用于面部识别，以进行安全保障；还可以进行语音识别，并模拟某个特定个体（如明星、政治人物）等的音调、语气、语言和口音，当然，这也为诈骗提供了基础。

人工神经网络为机器学习奠定了基础，使得人工智能成为可能，由此也将人的有限能力扩大、深化和发展为趋近无限，进而提升经济和发展文明，让人类社会更加美好。

因此，2024年诺贝尔物理学奖授予这一基础发现和发明，可谓独具慧眼。