諾貝爾物理學獎頒給人工神經網路學者 專家解析：生成式AI重要原理
今年諾貝爾物理學獎，由約翰．霍普菲爾（John J. Hopfield）和傑佛瑞．辛頓（Geoffrey E. Hinton）獲得殊榮，他們使用統計物理學的模型發展出方法，讓人工神經網路能夠用於機器學習，帶來突破性的研究與應用。台灣科技媒體中心今（10/8）邀請專家分析人工神經網路研究的重要性，指出兩位得獎者的研究奠定了廣大AI應用的基礎。
台灣科技媒體中心於今天（10/8）傍晚舉辦線上記者會，隨後透過新聞稿說明內容。國立清華大學物理學系特聘教授林秀豪說明，這次得獎的看似屬於電腦科學領域，但得獎者之一的霍普菲爾是物理學家，他參考統計物理學的理論，模擬人腦中的神經細胞連結，提出原始的人工神經網路，藉由神經元間的連結變強或變弱，達到學習與記憶的功能。
林秀豪指出，另一位得獎者辛頓的工作，則是將霍普菲爾的神經網路進一步發展，結合統計物理與資訊科學的技術，建構出能夠處理複雜資訊的人工神經網路，是現在人工智慧技術的基石。
林秀豪提到，人工神經網路領域的研究隨著電腦軟、硬體的進步，可以跑得動更多層、架構更複雜的神經網路，開始能夠解決實際世界的問題，同時換名字為深度學習。2012年開始在學界和應用上站穩腳步，開啟更多深度學習的研究，也讓辛頓和另外兩位研究者，約書亞．班吉歐（Yoshua Bengio）與楊立昆（Yann LeCun），共同在2018年拿到被認為是電腦科學領域的諾貝爾獎「圖靈獎」， 並列「深度學習三巨頭」。
東海大學應用物理學系教授施奇廷說，辛頓十分關心人工智慧造成的爭議，近期也提醒人工智慧領域的研究必須謹慎發展，避免造成傷害。施奇廷說明，這次得獎的研究初衷是向人腦學習，如同人類腦細胞互相連結，且學習和記憶的過程會重塑腦細胞之間的連結強度，兩位得獎者根據人腦細胞對外界刺激有不同反應的概念，做出了人工智慧的模型。
施奇廷表示，物理學家希望電腦的網路要符合物理定律，但是卻花太久時間找到最佳的連結模式，很難應用，後續的科學家逐漸簡化模型，加上限制條件，成為較單純、單方向傳遞訊息的人工神經網路，例如車牌辨識系統就是生活中常見的應用。
中興大學資工系吳俊霖主任透過台灣科技媒體中心表示，這幾年人工智慧在電腦視覺與自然語言處理，包含大家所熟悉的YOLO模型與ChatGPT的成功，都源自於這兩位得獎的學者傑出的研究。他認為，目前人工智慧在醫學，農業工業與運動科學上都正蓬勃發展著，這兩位學者的基礎研究帶來了現今與未來的AI時代。