文章核心观点 - 文章通过回顾“深度学习之父”杰弗里·辛顿的传奇学术生涯与思想转变 探讨了坚持“信仰”对于人工智能领域突破性发展的重要性 并指出脑科学与人工智能的结合是通向通用人工智能的关键路径 [1][2][11] 人物背景与早期经历 - 杰弗里·辛顿于2024年因人工神经网络的基础性发现和发明获得诺贝尔物理学奖 是2018年图灵奖获得者 被公认为人工智能之父 [1][4] - 辛顿在剑桥大学本科期间频繁更换专业 从物理学辍学 后转向生理学、哲学 最终以心理学获得学士学位 毕业后曾成为一名木匠 [4][5] - 其家族学术背景显赫 父亲是剑桥大学教授、英国皇家学会院士 曾祖父是数学家兼科幻作家 曾祖父的岳父是布尔代数的创立者乔治·布尔 [5] - 辛顿早期远离学术选择成为木匠 被认为是对家族期望压力的逃避和对权威的无意识反抗 [6] 学术转折与研究信仰 - 辛顿在阅读心理学家唐纳德·赫布的《行为的组织》后深受启发 书中“共同放电则彼此连接”的赫布法则点燃了他用仿生方法研究大脑智能的火种 [7] - 他在一个心理工作坊中喊出“我真正想要的是一个博士学位” 从而决心重返校园 进入爱丁堡大学攻读人工智能博士学位 [7] - 当时神经网络研究正处严冬 人工智能先驱马文·明斯基在其著作《感知机》中批判神经网络是“死胡同” 主张符号主义AI 辛顿的导师也转投符号主义阵营 [7] - 辛顿坚信“让人工智能真正奏效的唯一途径 是让计算方式尽量像人脑” 并认为人工神经网络能做到人脑能做的一切 [9] 研究历程与行业影响 - 在近40年的时间里 辛顿因其对神经网络的执着而承受强烈的孤独感和学界敌意 其研究曾被普遍认为没有出路 [1][9] - 20世纪80年代中期 辛顿在麻省理工学院向明斯基等人展示其神经网络模型“玻尔兹曼机”时 场面一度凝重紧张 [9] - 四十多年后 深度卷积网络在图像识别领域大放异彩 Transformer架构重塑了自然语言处理 验证了辛顿当年的信仰之跃 [11] - 辛顿选择神经网络的部分原因是受其昆虫学家父亲从生物学角度理解生命的影响 他决意通过神经网络来创造通用人工智能这一新生命 [11] 人工智能领域发展启示 - 清华大学教授刘嘉在新书《通用人工智能：认知、教育与生存方式的重构》中借辛顿的故事提出 下一代人工神经网络的发展又到了需要赌一个像辛顿当年的“信仰”的时候 [2] - 刘嘉在1997年拜访马文·明斯基后因人工智能处于第二次寒冬而错过该领域 他现在的研究方向是让脑科学和人工智能结合 认为这对通向真正的通用人工智能可能有帮助 [2] - 脑科学与人工智能被描述为DNA的双螺旋结构 存在紧密且关键的联系 [2] - 真正的信仰被比喻为克尔凯郭尔笔下的“信仰骑士” 在于跃向绝望深渊时的决断 而非对结果的确定把握 [10][11]

神经形态计算技术突破 - 新加坡国立大学研究团队证明单个标准硅晶体管可模拟生物神经元和突触行为 通过调整块体终端电阻值控制穿透碰撞电离和电荷捕获现象 实现神经放电和突触重量变化的复制 [1][2][3] - 该技术基于商用CMOS平台 与现有半导体制造工艺兼容 具备高度可扩展性和可靠性 相比需要复杂晶体管阵列或新兴材料的方案更具产业化优势 [3] - 团队开发出双晶体管单元NS-RAM 在神经元或突触状态下运行时表现出低功耗特性 多个操作周期内性能稳定 不同设备间行为一致 满足实际应用需求 [3] 技术应用前景 - 该突破使硬件级人工神经网络(ANN)成为可能 相比基于软件的ANN(如ChatGPT底层技术)大幅降低计算资源需求 解决当前AI系统能耗过高的问题 [2] - 神经形态计算芯片采用内存计算(IMC)架构 实现信息处理方式接近人脑 研究显示人脑通过约900亿神经元和100万亿突触连接达成超高能效 该技术方向有望复制这种效率 [1][2] 行业影响 - 标志着紧凑型节能AI处理器开发取得重大进展 为开发更快响应速度的神经形态计算系统奠定基础 可能推动半导体行业新一轮技术迭代 [3] - 采用成熟CMOS工艺路线降低产业化门槛 有利于加速商业化进程 对现有半导体制造产业链具有直接兼容性 [3]