Photo: Carolina Svensson

人工智能在化学和物理学领域都获得了诺贝尔奖，最近成为了头条新闻。在化学领域，研究人员因使用人工智能预测蛋白质结构而获得表彰，这对于医学和生物技术具有重要意义。在物理学领域，机器学习先驱约翰·霍普菲尔德和杰弗里·辛顿因其在人工神经网络方面的基础工作而获奖。

目前尚没有专门针对语言学的诺贝尔奖类别，但语言学家有可能在相关领域获得认可。例如，诺贝尔文学奖有时会颁给那些作品对语言主题和人类交流有重大探索的作者。此外，涉及语言学和其他领域（如认知科学、心理学，甚至人工智能）的跨学科研究有可能在医学、物理学或化学的诺贝尔奖中获得认可。

另外值得一提的是，有语言学家曾经获得过搞笑诺贝尔奖（Ig Nobel Prize），该奖项表彰不寻常或幽默的科学成就。2015年，尼克·恩菲尔德教授及其同事因其研究成果而获得搞笑诺贝尔奖，该研究表明“huh？”是一个通用的词语，用于在不同语言的对话中表示误解。参：几乎每种语言中的每个人都会说 "Huh"？

诺贝尔奖已经随着时间的推移而发展，随着语言和交流在各种科学和文化背景中的重要性越来越得到认可，有可能对语言学领域的开创性工作进行表彰。

受大脑启发

机器学习的人工神经网络受到大脑工作原理的启发。大脑中神经元之间的连接具有不同的值，当这些连接在不同的任务上进行训练时，就会在大网络中创建记忆。自20世纪40年代以来，科学家们一直在试图理解如何利用这一原理来创建能够学习不同事物的机器。

当诺贝尔奖得主约翰·霍普菲尔德在20世纪80年代进行神经网络实验时，他创建了一个能够记忆存储在网络中的图像的人工网络。霍普菲尔德证明，即使图像有一些像素错误，这种方法也能很好地工作。为了实现这一点，霍普菲尔德使用了统计物理学的方法，即处理所谓的自旋玻璃。

杰弗里·辛顿通过调整连接来开发这种技术，使网络能够识别数据集中的特征。辛顿证明了隐藏神经元对于这一点是必要的。今天的深度网络包含许多层隐藏神经元。辛顿还发明了一种调整网络连接的技术来训练网络。一个著名的例子是能够区分T和C。

《ChatGPT来了——语言科学如何看待ChatGPT》（杨旭 / 罗仁地主编；上海教育出版社，2024年）

缺少大量数据

哥德堡大学复杂系统教授伯恩哈德·梅利格说：“他1986年的科学论文非常出色。关于机器学习的几乎所有内容都在其中：如何做、需要什么以及为什么有效。”

有几个原因导致这些神经网络花了30年才发展到可以成为我们日常生活中的一部分的程度。

哥德堡大学物理学高级讲师马茨·格拉纳特说：“一开始，缺乏实现这项技术所需的大量数据。随着互联网的出现，出现了精心编制的庞大的图像库，这些网络可以被训练来识别不同的图案。计算机中的处理器还需要处理这些数据集。”

技术威胁？

如今，机器学习和人工智能的发展非常迅速。问题是，我们能跟上吗？今年的诺贝尔奖得主杰弗里·辛顿也表达了对神经网络技术可能被用于错误目的的担忧。

格拉纳特先生说：“辛顿认为这项技术存在威胁。我们需要了解机器学习和人工智能的优势和劣势。”

伯恩哈德·梅利格于2002年开始在哥德堡大学教授机器学习，但一开始并不有趣。

他说：“当时应用很少，兴趣也很低。但大约在2015年，突然涌入了大量的学生报名这门课程，今年的诺贝尔奖让它变得特别有趣。”然后他匆匆赶去下午的讲座。

一门跨学科的学科

今年的诺贝尔物理学奖引起了哥德堡大学许多学科研究人员的兴趣。在这里，您可以阅读一些评论。

哲学、语言学和科学哲学系的多名研究人员研究语言模型，即所谓的“大型语言模型”，这些模型最终基于诺贝尔奖得主的研究。研究人员正在研究这些语言模型能做什么和不能做什么，如何构建能够解释其判断和决定的AI，以及如何将基于规则的语言模型与神经语言模型相结合。

高级讲师阿萨德·巴希尔·赛义德说：“杰弗里·辛顿对人工智能及其发展方向有着争议性的看法，但他的工作是我们现在在语言技术课程中教授的基础。”

计算机科学与工程系在机器学习和人工智能方面开展了广泛的研究，从算法和大型语言模型到人工智能在医疗保健和研究中的应用。

数据科学和人工智能研究领域的助理教授斯特凡诺·萨拉奥·曼内利说：“辛顿和霍普菲尔德的研究在20世纪60年代经历了一段艰难时期后，重新激发了神经网络领域的研究，为机器学习、神经科学和认知科学的基础发现铺平了道路。人工智能现在已经成为科学家用来做出发现的工具箱的一部分，这影响着所有领域，包括物理学、化学和生物学。在那些使用人工智能的人群中，与科学有着明确的共生关系。这是进一步的证明。通过强调物理学在机器学习中的重要性，我希望更多的物理学家选择利用他们的知识来理解我们在人工智能方面面临的许多未解决的问题。”