时时信息网
人工智能研究人员John Hopfield和Geoffrey Hinton宣布成为今年的诺贝尔物理学奖获得者，这引发了人们对人工智能在科学和社会中的地位的庆祝和恐慌。然而，在日本，另一种情绪占主导地位：沮丧。《朝日新闻》的一篇社论宣称：“日本研究人员也应该获胜。”。日本神经网络学会向Hopfield和Hinton表示祝贺，并尖锐地补充道：
“我们不能忘记日本先驱研究人员在奠定神经网络研究基础方面所发挥的作用。”神经网络是当代人工智能的核心。它们是机器通过结构独立学习的模型，这些结构通常只是松散地受到人脑的启发。那么，这些开创性的日本人工智能研究人员是谁呢？1967年，Shun’ichi Amari提出了一种自适应模式分类方法，该方法使神经网络能够通过暴露于重复的训练示例来自我调整模式分类的方式。
Amari的研究预测了一种类似的方法，称为“反向传播”，这是Hinton对该领域的关键贡献之一。1972年，Amari概述了一种学习算法（一组执行特定任务的规则），该算法在数学上等同于诺贝尔奖引用的Hopfield 1982年关于联想记忆的论文，该论文允许神经网络在部分或损坏的输入下识别模式。北美研究人员分别与日本的研究小组合作，独立得出结论。
后来，在1979年，Kunihiko Fukushima创建了世界上第一个多层卷积神经网络。这项技术一直是最近深度学习热潮的支柱，深度学习是一种人工智能方法，它通过更复杂的架构产生了无监督学习的神经网络。如果今年的诺贝尔奖是为了表彰“利用人工神经网络实现机器学习的基础性发现和发明”，为什么不奖励阿玛瑞和福岛呢？片面的观点
人工智能社区本身一直在讨论这个问题。
关于为什么Hopfield和Hinton更适合诺贝尔“物理学”类别，以及为什么国家平衡很重要，有令人信服的论点，因为和平奖颁给了日本的Nihon Hidankyō。那么，我们为什么还要担心呢？答案在于历史片面性的风险。我们对人工神经网络的标准描述是基于北大西洋的——而且绝大多数是北美的——历史。人工智能在20世纪50年代和60年代经历了一段快速发展时期。到1970年，它进入了一个“人工智能冬天”
，在此期间研究停滞不前。20世纪80年代，通过Hopfield和Hinton等人的努力，冬天终于变成了春天。据说，后者与谷歌和OpenAI的联系促进了基于神经网络的人工智能的当前繁荣。然而，正是在这个所谓的“冬天”，芬兰、日本和乌克兰的研究人员等建立了深度学习的基础。随着社会面临这一变革性技术，将这些发展纳入我们的人工智能历史是至关重要的。
当我们以不同于硅谷当前愿景的方式谈论人工智能时，我们必须扩展我们的意思。在过去的一年里，京都大学的Yasuhiro Okazawa、东京国立自然科学博物馆的Masahiro Maejima和我领导了一个口述历史项目，该项目以福岛国彦和日本放送协会的实验室为中心，他在那里开发了Neocognitron，这是一种视觉模式识别系统，成为卷积神经网络的基础。NHK是日本的公共广播公司，相当于英国广播公司。
令我们惊讶的是，我们发现福岛研究的背景源于对电视观众的心理和生理研究。这促使NHK于1965年创建了一个“视觉仿生学”实验室。在这里，电视工程师可以为推进人类心理学和生理学（生物体如何运作）的知识做出贡献。事实上，福岛认为自己的工作致力于理解生物有机体，而不是严格意义上的人工智能。神经网络被设想为视觉信息处理在大脑中如何工作的“模拟”，并被认为有助于推进生理研究。
Neocognitron专门旨在帮助解决关于复杂感觉刺激是否对应于大脑中一个特定神经元（神经细胞）的激活，还是对应于分布在神经元群体中的激活模式的争论。人性化方法
在福岛工作的工程师Takayuki Itō将导师的方法描述为“人文科学”。但在20世纪60年代，美国研究人员放弃了基于人类模型的人工神经网络。他们更关心的是将统计方法应用于大型数据集，而不是对大脑复杂性的患者研究。
这样，模仿人类认知就变成了一个随意的隐喻。1968年福岛访问美国时，他发现很少有研究人员同情他以人脑为中心的人工智能方法，许多人将他的工作误认为是“医学工程”。他对用更大的数据集升级Neocognitron缺乏兴趣，最终使他与NHK对应用人工智能技术日益增长的需求产生了分歧，导致他于1988年辞职。对于福岛来说，开发神经网络从来不是为了在社会中的实际应用，例如，在取代人力和决策方面。
相反，他们代表了一种尝试，试图掌握是什么让像人类这样的高级脊椎动物变得独特，从而使工程更加人性化。事实上，正如Takayuki Itō在我们的一次采访中指出的那样，这种“人文科学”方法可能有助于更紧密地拥抱多样性。尽管福岛本人没有走这条路，但自20世纪90年代末以来，伊藤的工作一直集中在与老年人和残疾人的认知特征相关的“可访问性”上。这项工作还识别了不同于主流人工智能研究的智能类型。
如今，福岛与机器学习保持着一定的距离。“我的立场，”他说，“总是向大脑学习。”与福岛相比，日本以外的人工智能研究人员走捷径。主流人工智能研究越是落后于人脑，就越是产生难以理解和控制的技术。失去了生物过程的根源，我们无法再解释人工智能为什么工作以及它是如何做出决策的。这被称为“黑匣子”问题。回归“人文科学”方法会解决其中一些问题吗？可能不是单独的，因为精灵已经从瓶子里出来了。
但是，在全球对超级智能人工智能导致人类终结的担忧中，我们应该考虑一部充满对人工智能的不同理解的全球历史。令人遗憾的是，今年的诺贝尔物理学奖没有提及人工智能。
