2024年诺贝尔物理学奖颁发给约翰·J·霍普菲尔德和杰弗里·E·辛顿，表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。他们的工作奠定了人工智能的基础，使得机器学习和深度学习成为可能。
霍普菲尔德创建了一个联想内存，可以存储和重建数据中的图像和其他类型的模式。辛顿则发明了一种方法，可以自主查找数据中的属性，从而执行诸如识别图片中的特定元素等任务。
诺贝尔物理学奖委员会主席艾伦·穆恩斯表示，虽然人工智能似乎不是诺贝尔物理学奖的有力竞争者，但具有学习能力的神经网络的发现及其应用是与物理学密切相关的。
霍普菲尔德和辛顿的工作灵感源自人脑，人工神经网络由人工神经元组成，它们共同合作以解决问题。人工神经网络可以完成多种工作，并能尝试解决复杂的问题，从而扩展人类的智力和能力。
人工神经网络的用途广泛，包括数据处理、医疗影像分类、社交网络筛选、金融预测等。同时，人工神经网络也具有计算机视觉，是拥有从图像和视频中提取信息并决策的能力。
2024年诺贝尔物理学奖颁发给霍普菲尔德和辛顿，认可他们在人工智能领域的基础性贡献。
机器学习早已渗透到各种线上服务中，网购便是其中最成功的领域之一。近年来，机器学习被应用于各种网购任务，例如用户查询、浏览记录、评论分析、产品属性提取等等。为了促进机器学习方法的发展，许多基准测试应运而生，旨在降低研究人员和工程师开发和评估针对真实网购任务的新颖解决方案的门槛。然而，现有的模型和基准通常是为特定任务量身定制的，无法完全捕捉网购的复杂性。大型语言模型 （LLM） 凭借其多任务和少样本学习能力，有可能通过减少特定任务的工程工作
锂电池起火的安全隐患常常令人担忧，为此科学家们提出了一种利用声音来提前预警电池火灾的方法。研究发现，锂离子电池在起火前会经历一系列的化学反应，这些反应导致电池内部压力逐渐升高，最终引发电池膨胀。图源备注：图片由AI生成，图片授权服务商Midjourney电池外壳通常是坚硬的，无法适应这种膨胀，因此电池内的安全阀会在压力过大时破裂，从而发出一种独特的声音。这种声音有点类似于打开汽水瓶时的咔哒声和嘶嘶声。为此，美国国家标准与技术研究所（NIST）的研究团队
近日，商业研究公司发布了2024年生成式人工智能市场报告，显示该市场在过去几年中迅速扩张。根据报告，生成式人工智能市场预计将从2023年的136.4亿美元增长到2024年的181亿美元，年均增长率（CAGR）达到32.7%。这一增长主要得益于计算能力的提升、数据的广泛可用性、研发的不断深入、行业应用的增加以及深度学习的突破。图源备注:图片由AI生成，图片授权服务商Midjourney在未来几年，生成式人工智能市场有望继续强劲增长，预计到2028年将达到579.6亿美元，年均增长率为.8%。报告指出，推
在人工智能领域，规模越大似乎就意味着能力越强。为了追求更强大的语言模型，各大科技公司都在疯狂堆叠模型参数和训练数据，结果却发现成本也随之水涨船高。难道就没有一种既经济又高效的方法来训练语言模型吗?来自哈佛大学和斯坦福大学的研究人员最近发表了一篇论文，他们发现，模型训练的精度（precision） 就像一把隐藏的钥匙，可以解锁语言模型训练的“成本密码”。什么是模型精度?简单来说，它指的是模型参数和计算过程中使用的数字位数。传统的深度学习模型通常使用
