2024.11.8

专题：2024年诺贝尔物理学奖：人工智能的里程碑

专家：约翰·J·霍普菲尔德

图书推荐：《深度学习 DEEP LEARNING》

第 2 期

尊敬的读者朋友们：

在这个信息爆炸的时代，我们荣幸地为您带来《AI壹周刊》的第二期。本期，我们将带您走进人工智能（AI）的广阔天地，探索那些正在塑造未来的前沿技术。

首先，我们要介绍的是AI领域的重量级人物——约翰·J·霍普菲尔德。他是一位真正的跨界先锋，从物理学领域跨足到神经网络。他的研究成果不仅在学术界产生了深远影响，更为AI的发展奠定了坚实的基础。

2024年诺贝尔物理学奖的颁发，更是将AI的重要性推向了新的高度。这一里程碑式的奖项，是对霍普菲尔德和杰弗里·辛顿在人工神经网络领域开创性工作的肯定。他们推动了深度学习的革命，为我们展示了AI在模拟复杂系统方面的巨大潜力。

在本期的专题中，我们将深入探讨2024年诺贝尔物理学奖背后的意义，以及它如何标志着AI领域的一个重要转折点。我们相信，这一事件将激励更多的科学家和工程师投身于AI的研究与应用。

为了让您的AI之旅更加顺畅，我们还为您推荐了一款实用的AI工具——BgSub。这款工具能够帮助您轻松地为图片和视频添加字幕，极大地提高了内容创作的效率。

对于那些渴望深入了解AI的读者，我们特别推荐了《深度学习 DEEP LEARNING》一书。这本书是AI领域的经典之作，由深度学习领域的领军人物撰写，为您提供了深度学习的基础知识和最新进展。

此外，我们还将带您了解图神经网络（Graph Neural Network, GNN）这一新兴技术。GNN在处理图结构数据方面展现出了巨大的潜力，它正在逐渐成为AI领域的新热点。

《AI壹周刊》将继续为您提供最新、最深入的AI资讯和分。我们期待您的反馈和建议，因为您的参与是我们不断进步的动力。

让我们一起启航，探索AI的无限可能。

敬上！

随着数据中心逐渐成为互联网服务的核心，企业正将重点转向高级AI工作负载，传统的以CPU为中心的服务器正在通过集成新的专用芯片或“协处理器”得到增强。

芯片制造商、初创公司和云服务提供商正在开发专用的AI处理器和加速器，以应对不同规模和类型的AI工作负载。这些专用芯片在成本和功耗方面比GPU更高效，尤其适合于AI推理和特定工作负载的加速。

IBM云和行业平台总经理Rohit Badlaney指出，AI加速器设计主要以张量处理器核心为中心，能够处理许多矩阵数学和神经网络用例以及使用更少的功率。IBM采用混合云方法，在整个堆栈中使用多个GPU和AI加速器，为客户提供高性能和高效率的选择。

AI加速器的选用应基于工作负载的规模和类型、数据、持续迭代的可能性以及成本和可用性需求。Sustainable Metal Cloud首席技术官Daniel Kearney建议，企业应进行基准测试以评估性价比，并确保团队熟悉支持AI加速器的软件生态系统。

OpenAI开发者大会

新功能反响平平

近期，OpenAI在旧金山举办了第二届开发者大会，尽管活动规模较去年有所扩大，但今年发布的新功能相比去年的创新显得较为黯淡。会上，OpenAI推出了四项功能更新：实时API、API视觉微调、提示词缓存、API模型蒸馏，旨在提升开发者使用API的效率和体验。

然而，这些更新并没有超越模型API调用的范畴，缺乏去年那种令人兴奋的创新。去年，OpenAI推出了GPT商店和GPT Builder等重磅功能，以及ChatGPT集成的Dall-E、Data Analysis等，让人感受到了AI技术的巨大潜力。

此外，OpenAI在会后不久推出了Canvas功能，允许用户对生成的文章内容和代码进行逐句、逐段编辑，但这一功能并非首创，在其他AI写作工具中已有应用。

今年开发者大会的平淡反应可能与OpenAI内部人员变动有关，过去一年中，公司多位高管和技术负责人相继离职，可能影响了内部项目的研发进度。同时，市场对于AI应用的高预期也在逐渐回归理性。

AI芯片加速器兴起

数据中心新变革

资讯

商汤科技联合创始人、首席科学家王晓刚博士正带领绝影团队提出了自动驾驶大模型DriveAGI和车载AI Agent，旨在通过端到端的方式解决自动驾驶面临的挑战。这些模型能够在没有高精度地图的情况下，通过视觉感知来理解道路情况，并做出准确的驾驶决策。

商汤绝影已经与30多家国内外车企合作，产品覆盖超过100款车型，累计交付260万辆智能汽车。王晓刚博士及其团队的工作不仅限于交付一个单一的自动驾驶模型，他们还进一步提出了基于商汤原生多模态大模型的自动驾驶大模型DriveAGI和车载AI Agent，这些模型能够同时输入、处理多种数据类型的模型，为自动驾驶系统提供类似人类的认知能力。

王晓刚博士认为，端到端自动驾驶是实现真正无图自动驾驶的关键，而大模型则是实现端到端自动驾驶的前提。商汤绝影的DriveAGI模型就是基于这样的理念，通过一段式端到端的方式，输入视频直接输出预测轨迹，从而提高汽车自动驾驶的准确性和安全性。

Deepfake泛滥成灾

AI技术滥用引忧

近期，Deepfake这项能够通过人工智能制作出以假乱真的音视频的技术，引发了人们对其滥用的担忧。

Deepfake技术因其易于操作和获取，使得其被滥用的情况愈发严重。早在2017年，Deepfake刚出现时，就遭到了全球范围的封杀，但如今却愈演愈烈。其原因在于，Deepfake的制作并不需要高深的技术知识，普通人也能轻易上手，这使得其成为了网络恶搞甚至犯罪的工具。

为了应对这一挑战，需要从源头上加强监管和打击。这包括加强社交媒体上个人信息的保护，严格封禁相关软件的传播，以及加强对电商平台和二手交易平台的监管，切断Deepfake软件和预训练模型的流通渠道。

商汤王晓刚All in

端到端自动驾驶

资讯

随着大模型技术的发展和应用，教育硬件市场迎来了新的发展机遇，AI玩具成为这一领域的新宠。国内外众多公司纷纷推出搭载大模型API的智能玩具，旨在通过角色扮演对话等形式，为儿童提供互动式的学习体验。

在国际市场，玩具制造商Skyrocket推出了首批AI故事机版泰迪熊，初创公司Curio也发布了会说话的玩具系列。这些产品由ElevenLabs、微软Azure和GPT-4o等提供技术支持。

国内市场同样活跃，Haivivi跃然创新推出了毛绒玩具AI挂件BubblePal，而FoloToy也推出了基于AI的火火兔、仙人掌等玩具。这些产品通过订阅服务模式，可以为消费者提供持续的互动体验。

然而，尽管AI玩具在教育硬件市场中展现出了巨大的潜力，但目前的产品在语音识别、对话质量等方面仍存在不足，需要进一步的技术改进和优化。

AI旅游助手遭吐槽

实用性待提高

随着人工智能技术的快速发展，AI在旅游行业的应用越来越广泛，如旅游攻略、导游和美食搜索等。然而，假期期间一些网友尝试使用AI工具规划旅行，发现实际效果与宣传存在差距。

例如，有程序员尝试使用AI软件规划北京到沈阳的自驾行程，发现AI推荐的路线细节粗糙，景点推荐不够精准，甚至有些信息不准确。还有人使用AI搜索当地美食，却发现推荐的店铺已经关门。此外，一些AI导游软件在定位准确性和互动性方面也存在不足。

尽管AI在文案创作等方面表现出优势，如快速生成旅游攻略和推荐文章，但在实际旅游应用中，AI技术仍有很大改进空间。专家表示，AI需要更多的时间和数据来提高其准确性和可靠性。

对于追求小众旅游体验的用户来说，AI技术目前尚难以满足他们的需求，人类智慧在提供个性化和精准建议方面目前来说仍然不可替代。

AI玩具成新宠

教育硬件市场生变

资讯

John J. Hopfield 出生于美国，早期的学术兴趣集中在物理学领域。他在斯坦福大学获得学士学位，随后在康奈尔大学获得物理学博士学位。Hopfield 最早的研究集中在固体物理和化学物理方面，然而他对复杂系统的兴趣逐渐扩展到了神经科学和计算领域。

Hopfield 的跨学科背景使他成为神经网络研究领域中的特殊人物。他通过物理学的原理，创造性地提出了一种描述神经元行为的计算模型，并提出了一些能解释大脑处理信息过程的机制。

约翰·J·霍普菲尔德：从物理学到神经网络的跨界先锋

在人工智能的众多奠基者中，约翰·J·霍普菲尔德（John J. Hopfield ）是一位具有独特视角的科学家。作为物理学家出身的他，将物理学与神经科学的结合引入了人工智能领域。他因提出Hopfield 网络这一自联想型神经网络模型而闻名，该模型在神经网络理论、计算神经科学和优化问题的研究中产生了重大影响。Hopfield 的研究不仅推动了计算机科学的发展，还将生物神经网络的研究提升到了一个新的层次。

专家

1982年，Hopfield 发表了一篇开创性的论文，提出了一种受生物神经网络启发的计算模型——Hopfield 网络。这一模型被归类为递归神经网络的早期形式，它能够通过网络中的节点（类似于神经元）进行信息存储和自联想。

Hopfield 网络具有两大显著特点：

1.自联想记忆：该网络可以通过训练学习模式，并在模式部分损坏或缺失时通过自联想机制进行恢复。这种特性使得 Hopfield 网络成为研究记忆和信息处理的一个经典模型。

2.能量最小化：Hopfield 网络的状态可以通过类似物理系统中的能量最小化过程来优化，这一特点使得其广泛应用于解决组合优化问题。

该模型的提出奠定了现代神经网络研究的理论基础，并在多个领域内获得了广泛应用，包括模式识别、优化算法以及大脑神经活动的模拟研究。

Hopfield 的工作不仅在计算机科学中具有重要意义，也为神经科学研究提供了新的视角。他提出的大脑工作方式与物理系统类似，能够在复杂环境下进行自组织和优化。这一假设帮助科学家们更好地理解生物神经元的集体行为。

此外，Hopfield 的研究还影响了后来的深度学习模型。

尽管现代的深度学习框架与Hopfield 网络有所不同，但Hopfield 网络的基础思想在某种程度上启发了神经网络的权重更新和优化算法。

专家

在提出Hopfield 网络后，Hopfield 并没有停下他在科学研究中的脚步。他后来专注于神经科学，尤其是生物神经元之间的计算和信号处理机制。尽管AI技术在过去几十年里发生了翻天覆地的变化，Hopfield 网络的基本思想仍然具有持久的影响力。现代AI系统中的一些优化方法、记忆模型和自联想技术依然可以追溯到他的开创性工作。

Hopfield 的职业生涯是跨学科科学思维的典范。他最初的物理学背景为他提供了一种独特的理解复杂系统的方式，这种方式让他能够用物理学中的能量和状态空间概念来解释神经元活动与信息处理。这样的思维跳跃使他能够在神经网络和人工智能领域开辟出一片新天地。

正是这种跨学科的研究方法，帮助Hopfield 解决了许多人工智能和生物神经科学中长期存在的难题。他的工作展示了不同领域之间的知识如何互相渗透，并推动技术和理论的发展。

John J. Hopfield 的职业生涯是一段跨越物理学、神经科学与人工智能领域的科学之旅。他提出的Hopfield 网络不仅影响了神经网络的研究，还为优化和记忆问题的解决提供了强有力的工具。通过将物理学的原理引入神经网络，Hopfield 向我们展示了跨学科科学思维的巨大潜力。

2024年诺贝尔物理学奖的揭晓，不仅在物理学界引发了广泛关注，也为人工智能（AI）领域带来了深远的影响。此次获奖者是约翰·霍普菲尔德（John J. Hopfield）和杰弗里·辛顿（Geoffrey E. Hinton），他们在人工神经网络和机器学习领域的基础性贡献得到了认可。这不仅标志着AI技术飞速发展背后的科学原理受到了重视，也凸显了人工智能技术对社会、科学和经济产生的广泛影响。

2024年诺贝尔物理学奖：人工智能的里程碑

专题

约翰·霍普菲尔德：作为普林斯顿大学的教授，霍普菲尔德的研究跨越了物理学与计算机科学的边界。他最为著名的贡献是提出了“霍普菲尔德网络”，一种模仿人类大脑记忆功能的数学模型，对神经网络和机器学习领域产生了深远影响。

获奖者简介

霍普菲尔德和辛顿的研究共同推动了神经网络的发展。

霍普菲尔德在1982年发明了“联想记忆网络”，这一网络能够存储和重建数据模式，并成为人工神经网络研究的基础。随后，辛顿进一步在此基础上发明了玻尔兹曼机，突破了神经网络的应用瓶颈，使其能够学习数据特征并应用于机器学习中。

两位学者的开创性工作不仅加速了AI技术的发展，也改变了整个世界范围理解和利用信息的方式。

获奖原因

专题

杰弗里·辛顿：加拿大多伦多大学的杰出教授，被誉为“深度学习之父”。辛顿因其在人工神经网络，特别是玻尔兹曼机（Boltzmann Machine）上的开创性工作而享誉全球，并曾获得计算机科学界的最高荣誉——图灵奖。

诺贝尔物理学奖一直以来被视为物理学领域的至高荣誉，而此次授予人工智能领域的科学家，表明了AI技术与物理学之间的深刻联系。

霍普菲尔德和辛顿的研究证明了物理学在理解和优化复杂系统中的重要性，这些系统的核心逻辑也适用于神经网络和机器学习领域。通过表彰他们的工作，诺贝尔奖向全球传达了科学前沿的跨学科性质，展示了物理学和AI技术交叉发展的巨大潜力。

跨界的意义

专题

杰弗里·辛顿利用霍普菲尔德网络的基本原理，提出了玻尔兹曼机（Boltzmann Machine），这是一种能够通过随机过程学习数据分布的神经网络。玻尔兹曼机通过模拟粒子的运动，计算系统能量的变化，从而调整神经元之间的连接权重。玻尔兹曼机的创新在于其可以通过无监督学习方法，从大量数据中自主提取特征。这一突破直接推动了人工神经网络的发展，成为后续深度学习模型（如卷积神经网络和循环神经网络）的重要理论基石。

玻尔兹曼机

辛顿和其他学者的研究使人工神经网络从理论走向实际应用，尤其是在21世纪初的深度学习革命中占据了核心地位。辛顿的研究团队提出了“反向传播算法”，这一算法在神经网络训练过程中具有里程碑式的意义，使得深度神经网络能够处理大量复杂的任务，如图像识别、语音识别和自然语言处理。深度学习的快速发展使AI技术在商业和科学研究中的应用变得更加广泛。

深度学习的兴起

霍普菲尔德网络（Hopfield Network）于1982年由约翰·霍普菲尔德提出，这种神经网络是一种具有自我稳定功能的联想记忆网络，类似于人类大脑如何在不完整的情况下通过联想回忆完整的记忆。它通过能量最小化的方式来重构和存储数据模式，并且在计算神经科学、记忆研究以及图像处理等领域获得了广泛应用。霍普菲尔德的研究让科学家们意识到，通过数学建模可以模拟出大脑某些功能，为后来的深度学习奠定了理论基础。

霍普菲尔德网络

在物理学、天体物理学、材料科学等多个科学领域，人工神经网络已被广泛用于推动前沿研究。例如，AI技术已帮助科学家更好地处理大规模数据集，用于粒子物理中的实验数据分析、材料科学中的结构预测等。同时，人工智能的预测能力也加速了新材料和新药物的开发。

AI在科学领域的应用

专题

作为AI领域的领军人物，辛顿多次表达了对技术发展的担忧，尤其是人工智能超越人类智能的潜在风险。他认为，随着更智能系统的出现，人类可能会逐渐失去对这些系统的控制，因此在推动AI技术发展的同时，必须保持对其潜在风险的高度警惕。

辛顿的担忧

未来，人工智能产业预计将在所有行业引发更大的变革。随着深度学习、神经网络等技术的不断发展，AI技术的应用范围将进一步扩大。同时，AI系统的安全性、透明性和公正性也将成为研究和应用中的重要议题，推动AI技术更加规范地发展。

未来的展望

人工智能技术已深刻融入现代生活，尤其是基于神经网络的应用，如人脸识别、语音识别、自动驾驶汽车、机器翻译、推荐系统等。通过深度学习模型，AI系统能够理解、学习和适应复杂的用户需求，从而提升了人类社会的自动化水平。

AI在日常生活的应用

AI技术的快速发展对全球经济和社会带来了深远的影响。通过自动化系统和智能工具，生产效率得到了显著提升，同时也推动了新兴产业的崛起，如自动驾驶、智能医疗、智能制造等领域。然而，随着AI技术的广泛应用，也带来了劳动力市场的变化和技术伦理的挑战。

AI对经济和社会的影响

诺贝尔物理学奖委员会主席艾伦·穆恩斯在颁奖仪式上强调，技术进步带来了新的责任。科学家和企业需要在创新过程中更加注重AI的安全和伦理问题，以确保这项技术始终服务于人类利益，而不是对社会构成威胁。

技术的责任

2024年诺贝尔物理学奖授予霍普菲尔德和辛顿，不仅表彰了他们在人工神经网络和机器学习领域的开创性工作，也凸显了人工智能技术在科学和社会中的重要性。随着AI技术的不断进步，人类将面临更多的机遇和挑战，而这次诺贝尔奖的跨界之举无疑是AI发展历程中的一个重要里程碑。

工具推荐：

BgSub

推荐指数：⭐⭐⭐⭐⭐

网站地址：

https://bgsub.com/

标签：

#图像处理 #AI抠图 #隐私保护 #高分辨率 #艺术滤镜

工具

BgSub是一款利用先进AI技术自动去除或替换图像背景的工具。该软件无需上传图像，从根本上保护用户隐私，支持高分辨率图像处理，适合个人、网站开发者、摄影师、电子商务从业者和媒体从业者使用。

我们可以很轻松地在网页上实现图片的抠图效果了，有需要的不妨试一试！

图书介绍

本书由全球知名的3位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

AI图书推荐：

《深度学习 DEEP LEARNING》

AI圣经，人工智能和机器学习榜长久不衰的经典畅销书。由全球知名的3 位专家撰写，深度学习领域奠基性图书。

图书

作者介绍

Ian Goodfellow，谷歌公司（Google）研究科学家，2014年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习，主要是生成模型以及机器学习的安全和隐私。他在研究对抗样本方面是一位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。

Yoshua Bengio，2018年图灵奖得主，蒙特利尔大学计算机科学与运筹学系（DIRO）教授，蒙特利尔学习算法研究所（MILA）负责人，CIFAR项目的共同负责人，加拿大统计学习算法研究主席。Yoshua Bengio的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程（IFT6266），并培养了一大批研究生和博士后。

Aaron Courville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA实验室的成员。目前他的研究兴趣集中在发展深度学习模型和方法，特别是开发概率模型和新颖的推断方法。Aaron Courville主要专注于计算机视觉应用，在其他领域，如自然语言处理、音频信号处理、语音理解和其他AI相关任务方面也有所研究。

图神经网络简介

图神经网络是一种专门处理图结构数据的深度学习模型。在传统的神经网络中，数据通常以向量或矩阵形式表示，但在许多现实世界的应用中，数据自然形成图的结构。例如，社交网络中的用户及其关系、分子中的原子及其键等，都是以图的形式呈现的。

什么是：图神经网络（Graph Neural Network, GNN）

知识

图神经网络的应用

社交网络分析：

在社交网络中，GNN可以用于分析用户之间的关系，进行社交推荐、社区发现等任务。通过对用户节点及其关系的建模，GNN能够从复杂的社交结构中提取出有价值的信息。

推荐系统：

GNN在推荐系统中有广泛的应用。例如，在电商平台上，用户和商品可以建模为图，通过GNN捕捉用户和商品之间的关系，从而为用户提供更精确的推荐。

生物和化学分析：

在分子结构中，原子和它们的化学键可以建模为图。GNN可以用来预测分子性质，进行药物发现和材料科学研究。

图神经网络的基本概念

图的组成：

图由**节点（Node）和边（Edge）**组成，节点表示个体，边表示个体之间的关系。在图神经网络中，模型通过聚合每个节点的邻居信息来更新节点的表示。这意味着，每个节点的特征不仅与自身相关，还会受到与它相邻节点的影响。

信息传递机制：

图神经网络通过信息传递机制，逐层传播和聚合邻近节点的信息。每一层的网络会将来自邻居节点的信息传递到目标节点上，从而使节点特征逐步包含其邻居的特征。这一机制使得GNN能够有效地捕捉图中节点之间的依赖关系。

常见的GNN模型：

1.Graph Convolutional Networks (GCN)：GCN是利用卷积操作从邻近节点中提取特征，逐步更新每个节点的表示。

2.Graph Attention Networks (GAT)：GAT引入了注意力机制，允许模型在聚合邻居信息时，分配不同的权重，从而更加灵活地捕捉重要的节点关系。

合作电话：18623002399

AI壹周刊第2期

内容简介