與 AI 息息相關的機器學習法在過去 15～20 年呈爆炸性成長，電腦本身無法思考，但透過物理學的基本概念和方法，機器可以模仿記憶與學習，今年 2 位諾貝爾物理學獎得主 John Hopfield、Geoffrey Hinton，便是奠定強大機器學習基礎的重要推手。
當今人工神經網路非常龐大且由多層建構，被稱為深度神經網路，其訓練方式被稱為深度學習。傳統軟體工作原理像遵照食譜，軟體接收數據，根據清晰描述進行處理並產生結果，就像按照食譜製作蛋糕一樣；機器學習最初靈感則來自大腦結構，讓電腦像人腦一樣、建立一種可從錯誤中學習並持續改善的適應型系統，從而嘗試解決那些模糊、複雜、無法透過指令處理的問題，比如判讀圖片並識別其中物件。
▲ 模仿大腦運作的人工神經網路。（Source：諾貝爾獎官方網站）
在人工神經網路中，大量類神經元透過類似突觸的聯結進行計算，今年第一位諾貝爾物理學獎得主 John Hopfield 便建立一種以物理學自旋系統進行描述的網路，每個節點都可儲存一個單獨的值，透過尋找節點之間的連接值進行訓練以儲存、重建資訊，系統性地透過節點工作並更新值，隨著網路逐步運作，該方法可以找到最相似的儲存模式。
Geoffrey Hinton 則使用 Hopfield 網路發明另一種能獨立尋找資料屬性、從而執行識別圖片特定元素等要求的方法：玻爾茲曼機（Boltzmann machine）。該機器透過更新連接中的值進行訓練，可以從給定範例辨識新資訊中的熟悉特徵，比如當見到一對兄弟姊妹立刻看出他們有親屬關係，玻爾茲曼機能以類似方式去識別另一個全新例子。
憑藉他們的研究工作，John Hopfield 和 Geoffrey Hinton 為 2010 年左右開始的機器學習革命奠定基礎，促使機器學習爆炸性發展。
（首圖左為 John J. Hopfield，右為 Geoffrey E. Hinton，來源：諾貝爾獎官方網站）
科技新報粉絲團
加入好友
訂閱免費電子報
