人类大脑能够同时处理多项任务，这一点令人惊叹。最终，超越一代人工智能的技术创新将会出现。

令人惊讶地宣布，2024年诺贝尔物理学奖和诺贝尔化学奖都是人工智能相关奖项。为什么有这么多与人工智能相关的奖项？普林斯顿大学名誉教授约翰·霍普菲尔德（John Hopfield）和多伦多大学名誉教授杰弗里·辛顿（Jeffrey Hinton）创立了人工神经网络的概念，并对深度学习的发展做出了巨大贡献。获得诺贝尔物理学奖的突破性是什么？其背景是，2021 年诺贝尔物理学奖颁发给“复杂物理系统”，该奖项与此相关，据说是由首席研究员津田一郎跨越了该领域的界限。我们将发表三篇解释性文章。

◆◆◆◆

人工智能的突破也有助于物理学研究的发展
希格斯粒子模拟图像 https://commons.wikimedia.org/wiki/File:CMS_Higgs-event.jpg

正如我们所看到的，Hopfield 和 Hinton 在 20 世纪 80 年代对 ANN（人工神经网络）的研究植根于物理理论，尤其是统计物理学，研究的不断深入导致了今天的生成式 AI 的出现。带来了突破。此外，委员会强调人工智能研究成果对物理学研究的进步做出了巨大贡献。

例如，希格斯玻色子的发现为基本粒子提供了质量（2013年诺贝尔物理学奖），它得到了数据分析技术的支持，该技术可以从大量数据中识别特征模式，如果没有技术创新，这是不可能实现的。通过学习进行模式识别。

此外，通过人工智能生成系统（AlphaFold）的应用，从氨基酸序列预测蛋白质的三维结构（折叠方式）也成为可能。这个问题是生物物理学的重大挑战之一，但今年诺贝尔化学奖的颁发是因为如果没有人工智能的创新就很难研究。当今人工智能的突破正在改变物理学（甚至化学和生物学）的研究方法。组委会强调，这是此次获奖者成就的意义之一。

二氧化碳排放问题继续下去可以吗？
生成式人工智能的爆炸性进展令人瞩目，诺贝尔物理学奖授予为其奠定物理基础的学者，本身就表明它将加速人工智能研究和物理研究的未来发展。从你得到它的意义上来说，这是一件值得高兴的事情。此外，化学奖也针对机器学习，这将为人工智能研究提供进一步支持。

然而，也存在很大的担忧。到目前为止，对于由于机器变得有意识并拥有意志而对人类未来构成威胁的伦理反应一直存在争议。在这里，我想从一个稍微不同的角度来思考“恐惧”。这就是确保足够的能源来维持当前人工智能研究的问题，以及二氧化碳排放的问题。

当前一代人工智能由大量神经元和参数组成。大约有几千亿到一万亿。此外，还需要基于大量数据的大量学习。处理大数据已经成为可能，但这需要大量的学习。这需要大量的能量。

根据各种研究论文以及斯坦福大学总结它们的报告（2023 AI Index Report，引用数据的最新研究论文是 V. Bolon-Canedo et al., Neurocomputing 599 (2024) 128096），据说规模语言模型“BLOOM”在学习语言时排放 25 吨。这个量大约是一个人一年呼出量的68倍，约为365公斤（全人类约29亿吨：由全球环境研究中心估计）。耗电量超过400MWh（兆瓦时）。这相当于美国普通家庭大约40年的用电量。然而，这个数字偏小；据估计，GPT-3 在机器学习过程中排放的二氧化碳量超过 500 吨。耗电量约为1,300MWh，超过一座核电站一小时的耗电量（约1,000MWh=100万千瓦时）。

在日本，NTT集团正在进行降低学习成本的研究，并声称“Tsuzumi”在训练数据为3000亿代币时可以将学习成本降低至1/300，推理成本降低至1/70（NTT东日本）公告）。日本擅长这种技术创新，所以我对它寄予厚望。

为什么大脑可以节省能量并同时执行多项任务？走向自然智能研究？
然而，考虑到未来，有必要开发更便宜、更具成本效益、更可持续的人工智能。这将通过向生物大脑学习来促进自然智能的研究来实现。事实上，通过生物进化经历了功能分化的大脑神经系统是一个拥有大约100亿个神经元和大约100万亿个连接的庞大系统，但却是一个极其节能的系统。

也就是说，它每秒只消耗20瓦的能量和5卡路里的热量。尽管如此，大脑仍然可以记忆很多东西，思考和推理，有时可以并行做多件事，并通过正确使用有意识和无意识思维来解决各种问题。如果我们能够阐明这一机制，毫无疑问将获得进一步的技术创新来取代当前的生成式人工智能（A. Pitti、I. Tsuda等人的《Doing more with less：自然智能原理》），出版于罗伊。

数学家史蒂芬·斯梅尔（1966年菲尔兹奖获得者：数学上没有诺贝尔奖）在2000年提出“21世纪数学家应该解决的18个问题”。第 18 个问题很有趣：“定义自然智能和人工智能的极限。”现在我们可以认识到这个问题的重要性了。

日本在神经网络研究方面的先驱作用
如前所述，对神经网络的研究旨在从理论上阐明大脑的机制。霍普菲尔德和辛顿的研究一开始可能有类似的动机，但随着应用的进展，他们远离了大脑研究。

在日本，神经网络研究作为脑研究的理论框架，最近由南云真一、高桥英俊、甘利俊一、中野薰、福岛邦彦、长野俊、杉江升、冢田稔等人领导。自 20 世纪 60 年代以来，一直不间断地进行视觉信息处理和感觉运动耦合的理论研究，由 Mitsuo Kawato、Toshiro Inui 和 Kenji Doya 领导，一直持续到今天。使用神经振荡器作为元件的神经电路是基于高桥英俊的手下后藤英一的“参数激励[i]”的研究，该研究利用了逻辑电路中被称为参数激励[i]的振荡器的共振现象。被认为是这个意义上的先驱，其血统可以追溯到 20 世纪 50 年代。

此后，许多数学研究取得进展，包括冢田的时空学习规则[iii]和栗川智树将记忆视为动力系统的分支结构的原创理论研究。动态脑小组（冢田稔、藤井浩、奈良茂利、相原一之和作者）与美国弗里曼小组一起，领先于世界其他地区进行了脑动力学研究[iv]。大脑是如何创造思维的？我相信我自己在某种程度上对这一趋势做出了贡献。批判性地审视诺贝尔物理学奖的主题HN，我们使用更接近大脑神经网络的非平衡神经网络模型来改进情景记忆和康托编码理论[v] ，可以应用于混沌行程等数学，这是通过创建一个概念而提出的。混沌历史是一个描述记忆巩固过程的数学模型。大脑用“混沌”来解释记忆途中的状态暂时保留在神经回路中，并在多个神经元之间以混沌状态来回移动，最终成为有序的记忆。正在编辑中。

当然，日本的神经网络理论不仅限于此，还有很多精彩的研究，不可能一一介绍。这种连续性的背景与Hinton个人在所谓的第二个人工智能研究冬天（20世纪80年代）期间仍坚持继续他的研究不同。日本的神经网络研究不断发展，建立了一个系统，其中工程研究人员（例如上述Amari）和医学研究人员（例如神经科学研究人员Masao Ito和Keisuke Toyama）可以共同组建研究小组，这被认为是其中的一个主要因素。最重要的是走在正确的道路上，不用担心大奖的命运。

[i]参数激励：由于摆弦长度或重力加速度的周期性变化而导致振幅增加的现象。一个例子是在秋千上划船，身体随着振动而弯曲和伸展双腿，提高和降低重心，从而改变钟摆的长度并增加其摆动。

[ii] Parametron：从20世纪50年代中期到1960年代，日本制造了大量的parametron型计算机，声称可以在配置计算机时大幅减少真空管和晶体管的使用量。

[iii]时空学习规律 大脑海马体暂时存储外界时空事件作为上下文，因此时空学习规律是有效的。

[iv] 弗里曼集团，以神经科学家沃尔特·弗里曼为中心。他基于复杂系统理论，提出了整合整个大脑的机制理论，以了解大脑是如何由大量脑细胞组成的。津田从数学角度对这一理论做出了贡献。

[v] 一个数学模型，使用数学康托集作为模型，考虑大脑海马体中情景记忆的形成。