7 月 26-28 日，2025 世界人工智能大会（WAIC）在上海盛大召开。图灵奖得主、2024 年诺贝尔物理学奖获得者、“AI 教父”杰弗里·辛顿首次亲临中国，出席线下活动，并在大会开幕式上发表主题演讲，引发现场热烈反响。

杰弗里·辛顿

演讲中，辛顿首先回顾了人工智能发展历程中两种主导范式的分野：一种是“符号主义 AI”，强调智能的本质在于基于规则的逻辑推理；另一种是“连接主义 AI”，即源自生物神经系统的神经网络理论，主张智能源自于网络中连接权重的学习与调整，强调“理解”是学习的前提。

他进一步以当前炙手可热的大语言模型（LLMs）为例，将其比作精妙的“乐高积木”，提出每个词都是一个拥有几千个维度的“乐高积木”，通过这些积木的变形和相互“握手”，就能构成语言的语义表达，就像蛋白质通过氨基酸的不同组合带来更有意义的内容。他强调，这种机制与人类理解语言的方式“几乎一样”，甚至包括可能产生“幻觉”这样的现象。

此外，辛顿还深入剖析了数字智能（如大语言模型 LLMs）与人类大脑（生物计算）在知识传播机制上的根本差异：数字智能的知识是“永恒存在的”，软件与硬件分离使其可以被无限复制，并通过网络高速传播，实现亿级并行的知识共享；而人脑作为模拟系统，尽管能耗极低（仅约 30 瓦），但由于其神经元结构独一无二，神经元之间的连接无法直接复制，使得知识难以直接传播。

而演讲中最令人警醒的部分，是辛顿对未来超级智能 AI 可能超越人类，甚至难以“关掉”的深切忧虑。他以“把老虎当宠物”作比，一旦 AI 变得比人类更聪明，它们将很容易操纵人类，且“我们没有办法把它给消灭掉”。为此，他郑重呼吁全球各国应在“训练 AI 向善”这一核心问题上展开国际合作，将其视为科技发展的关键议题。

辛顿演讲

辛顿教授的这些深刻洞见并非一时之感，而是建立在他数十年对神经网络不懈探索的基础之上，演讲中他所呼吁的“训练 AI 向善”，其核心同样在于理解和掌控 AI 的学习机制和行为模式。在他漫长的研究生涯中，一项极具前瞻性的工作，即玻尔兹曼机，正是他早期对这种学习机制深入探索的结晶：玻尔兹曼机不仅揭示了 AI 如何从早期萌芽走向今日繁荣，也为我们思考如何引导未来智能“向善”提供了重要的理论基石。

 01  玻尔兹曼机的奥秘

要理解辛顿的 AI 思想，我们必须回到他早期的一项重要研究成果：玻尔兹曼机。

想象一个由许多相互连接的小灯泡组成的网络，每个灯泡都能随机地亮或灭，且这些灯泡之间的连接有强有弱，有些连接会让两个灯泡更可能同时亮或灭，有些则会让它们倾向于一个亮一个灭。玻尔兹曼机就是这样一个复杂的“灯泡网络”，即一种特殊的随机神经网络。

图源网络

玻尔兹曼机的核心奥秘在于能够“学习”并找出数据中隐藏的模式。你可以把它看作是一个能够通过调整内部连接（我们称之为“权重”）来理解复杂信息的机器，它不像传统程序那样需要你一步步告诉它怎么做，而是能够自己摸索着学习。这个过程之所以被称为“玻尔兹曼”，是因为它受到了物理学中玻尔兹曼分布的启发：玻尔兹曼分布描述了在一个物理系统中，粒子在不同能量状态下出现的概率。简单来说，它告诉我们，在高温下，粒子会随机地到处乱跑；而在低温下，粒子则倾向于呆在能量最低的地方。

在玻尔兹曼机中，每个“灯泡”（神经元）是否亮起，都受到其他灯泡状态和它们之间连接强度的概率性影响，它会尝试达到一个“平衡”状态，就像我们摇晃一个装满弹珠的盒子，弹珠最终会自己找到地势最低的那个角落，这是一个能量最小化的过程。在这个平衡状态下，机器的整体配置（哪些灯泡亮，哪些灭）的“能量”是最低的，因此它出现的概率也最大。

简而言之，玻尔兹曼机就是通过一种随机但有规律的方式，不断地“摇晃”自己内部的状态，直到找到最稳定的那个状态。玻尔兹曼机通过不断调整灯泡间的连接强度，使它曾经“见过”的正确模式成为网络能量图中的‘低谷’，从而在未来更容易被网络“识别”和“重现”。

玻尔兹曼机主要用于无监督学习，这意味着它不需要我们提供“正确答案”来学习，可以自己从大量数据中学习到这些数据的内在结构和规律。

图源网络

辛顿对玻尔兹曼机的探索始于上世纪 80 年代。1985 年，彼时神经网络领域正处于“AI 寒冬”，辛顿与大卫·阿克利（David Ackley）、特里·塞诺夫斯基（Terry Sejnowski）共同发表论文，正式提出了玻尔兹曼机。与当时能够“记忆”和“重建”模式的霍普菲尔德网络相比，玻尔兹曼机的突破在于，它能够通过不断调整连接权重，使网络在自由运行时更倾向于生成训练数据中出现的模式，从而实现模式学习和特征发现。

尽管构思优雅，但早期的玻尔兹曼机训练过程却面临着巨大的计算挑战：由于数据量和运算能力的限制，利用当时的计算机难以实现大规模的神经网络，使得神经网络的训练效率低下，训练效果也算不上好，因此随着 1990 年代 AI 第二次热潮的退却，加之计算资源的限制，神经网络研究也一度被边缘化，难以进入主流工业应用。然而，辛顿并未放弃。

21 世纪初，辛顿提出了一个重要的简化版，即受限玻尔兹曼机（RBM）。RBM 去除了隐藏层内部的连接，特别是引入了对比散度（Contrastive Divergence）这样的训练方法，使得训练算法变得高效。RBM 的提出标志着神经网络研究的一个重要转折点，为后续深度学习的快速发展奠定了关键基础。辛顿和他的团队发现，可以将多个 RBM 堆叠起来，形成多层的深度信念网络（DBN），通过逐层无监督预训练，成功解决了当时深度神经网络训练困难的问题，为现代深度学习的繁荣奠定了坚实的基础。

 02  玻尔兹曼机的新生

尽管玻尔兹曼机在经典计算中曾面临训练效率的挑战，但其基于概率建模和能量最小化机制的设计理念，却与量子计算的基本特性高度契合，为其在新计算范式中带来了新的生命力。

量子计算在处理复杂概率分布、并行探索状态空间方面展现出独特优势。量子叠加与纠缠使系统能在指数级空间中建模和采样，这与玻尔兹曼机中通过能量景观寻找最优状态的过程本质上具有相似性。因此，研究者提出了量子玻尔兹曼机（Quantum Boltzmann Machine, QBM）这一模型，利用量子态来表达能量分布，并通过量子态的制备与测量来近似模拟玻尔兹曼分布。

图源网络

相比传统玻尔兹曼机，QBM 依托量子硬件在高维状态空间中的建模能力，能够在无监督学习、特征抽取、数据生成与降噪等任务中展现出更高效的表达与采样能力。同时，研究者也正在探索 QBM 在组合优化任务中的潜在应用，尤其是利用其能量最小化机制来逼近最优解，为传统难题提供可能的量子加速路径。

日前，D-Wave 已将其量子退火机作为一种物理实现玻尔兹曼机的方式，上线了用于构建和训练玻尔兹曼机的 PyTorch 插件。而玻色量子同样正在聚焦量子计算与 AI 的协同发展。玻色量子的研究团队巧妙利用了伊辛模型与玻尔兹曼机在数学上的等价性，针对 QBM 创新性地提出了基于相干光量子计算机的量子训练方法，以量子采样替代传统的 Gibbs Sampling 方法，解决了经典玻尔兹曼机因高复杂度而无法高效训练的难点。基于量子玻尔兹曼机神经网络，其已实现了蛋白质结构预测的算法框架的真机场景验证。

综合上述量子计算机公司在玻尔兹曼机领域的种种进展，我们不难看出，量子计算正为机器学习的未来发展提供全新可能性。

 03  从思想萌芽到未来前沿

从辛顿教授早期对玻尔兹曼机的开创性探索，到他对大语言模型发展的深刻洞察，再到对未来人工智能安全性日益增强的忧虑，我们得以一窥人工智能数十年来波澜壮阔的演进历程。玻尔兹曼机，这一诞生于“AI 寒冬”中的模型，不仅是辛顿早期研究的重要成果，也成为连接经典神经网络与现代深度学习之间的关键桥梁。

图源网络

如今，随着量子计算的快速发展，玻尔兹曼机正在这一新计算范式中焕发新生。其概率建模与能量最小化机制与量子系统天然契合，推动着量子生成模型和量子机器学习的前沿探索，这不仅代表着技术维度上的持续突破，也反映了人类对智能本质不懈追问的深层动因。

正如辛顿在 WAIC 2025 演讲中所强调的那样，面对能力日益强大的人工智能，我们不仅需要拓展其智能的边界，更需要深刻思考如何“训练 AI 向善”，确保技术的发展始终服务于人类的共同福祉。

玻尔兹曼机的故事，正是这一宏大技术与哲学探索图景中的一个充满启发性的片段。

 

---

文章改编转载自微信公众号：量子前哨

原文链接：https://mp.weixin.qq.com/s/HnqA10uurUSPAVfGwsRdfg

7 月 26-28 日，2025 世界人工智能大会（WAIC）在上海盛大召开。图灵奖得主、2024 年诺贝尔物理学奖获得者、“AI 教父”杰弗里·辛顿首次亲临中国，出席线下活动，并在大会开幕式上发表主题演讲，引发现场热烈反响。

杰弗里·辛顿

演讲中，辛顿首先回顾了人工智能发展历程中两种主导范式的分野：一种是“符号主义 AI”，强调智能的本质在于基于规则的逻辑推理；另一种是“连接主义 AI”，即源自生物神经系统的神经网络理论，主张智能源自于网络中连接权重的学习与调整，强调“理解”是学习的前提。

他进一步以当前炙手可热的大语言模型（LLMs）为例，将其比作精妙的“乐高积木”，提出每个词都是一个拥有几千个维度的“乐高积木”，通过这些积木的变形和相互“握手”，就能构成语言的语义表达，就像蛋白质通过氨基酸的不同组合带来更有意义的内容。他强调，这种机制与人类理解语言的方式“几乎一样”，甚至包括可能产生“幻觉”这样的现象。

此外，辛顿还深入剖析了数字智能（如大语言模型 LLMs）与人类大脑（生物计算）在知识传播机制上的根本差异：数字智能的知识是“永恒存在的”，软件与硬件分离使其可以被无限复制，并通过网络高速传播，实现亿级并行的知识共享；而人脑作为模拟系统，尽管能耗极低（仅约 30 瓦），但由于其神经元结构独一无二，神经元之间的连接无法直接复制，使得知识难以直接传播。

而演讲中最令人警醒的部分，是辛顿对未来超级智能 AI 可能超越人类，甚至难以“关掉”的深切忧虑。他以“把老虎当宠物”作比，一旦 AI 变得比人类更聪明，它们将很容易操纵人类，且“我们没有办法把它给消灭掉”。为此，他郑重呼吁全球各国应在“训练 AI 向善”这一核心问题上展开国际合作，将其视为科技发展的关键议题。

辛顿演讲

辛顿教授的这些深刻洞见并非一时之感，而是建立在他数十年对神经网络不懈探索的基础之上，演讲中他所呼吁的“训练 AI 向善”，其核心同样在于理解和掌控 AI 的学习机制和行为模式。在他漫长的研究生涯中，一项极具前瞻性的工作，即玻尔兹曼机，正是他早期对这种学习机制深入探索的结晶：玻尔兹曼机不仅揭示了 AI 如何从早期萌芽走向今日繁荣，也为我们思考如何引导未来智能“向善”提供了重要的理论基石。

 01  玻尔兹曼机的奥秘

要理解辛顿的 AI 思想，我们必须回到他早期的一项重要研究成果：玻尔兹曼机。

想象一个由许多相互连接的小灯泡组成的网络，每个灯泡都能随机地亮或灭，且这些灯泡之间的连接有强有弱，有些连接会让两个灯泡更可能同时亮或灭，有些则会让它们倾向于一个亮一个灭。玻尔兹曼机就是这样一个复杂的“灯泡网络”，即一种特殊的随机神经网络。

图源网络

玻尔兹曼机的核心奥秘在于能够“学习”并找出数据中隐藏的模式。你可以把它看作是一个能够通过调整内部连接（我们称之为“权重”）来理解复杂信息的机器，它不像传统程序那样需要你一步步告诉它怎么做，而是能够自己摸索着学习。这个过程之所以被称为“玻尔兹曼”，是因为它受到了物理学中玻尔兹曼分布的启发：玻尔兹曼分布描述了在一个物理系统中，粒子在不同能量状态下出现的概率。简单来说，它告诉我们，在高温下，粒子会随机地到处乱跑；而在低温下，粒子则倾向于呆在能量最低的地方。

在玻尔兹曼机中，每个“灯泡”（神经元）是否亮起，都受到其他灯泡状态和它们之间连接强度的概率性影响，它会尝试达到一个“平衡”状态，就像我们摇晃一个装满弹珠的盒子，弹珠最终会自己找到地势最低的那个角落，这是一个能量最小化的过程。在这个平衡状态下，机器的整体配置（哪些灯泡亮，哪些灭）的“能量”是最低的，因此它出现的概率也最大。

简而言之，玻尔兹曼机就是通过一种随机但有规律的方式，不断地“摇晃”自己内部的状态，直到找到最稳定的那个状态。玻尔兹曼机通过不断调整灯泡间的连接强度，使它曾经“见过”的正确模式成为网络能量图中的‘低谷’，从而在未来更容易被网络“识别”和“重现”。

玻尔兹曼机主要用于无监督学习，这意味着它不需要我们提供“正确答案”来学习，可以自己从大量数据中学习到这些数据的内在结构和规律。

图源网络

辛顿对玻尔兹曼机的探索始于上世纪 80 年代。1985 年，彼时神经网络领域正处于“AI 寒冬”，辛顿与大卫·阿克利（David Ackley）、特里·塞诺夫斯基（Terry Sejnowski）共同发表论文，正式提出了玻尔兹曼机。与当时能够“记忆”和“重建”模式的霍普菲尔德网络相比，玻尔兹曼机的突破在于，它能够通过不断调整连接权重，使网络在自由运行时更倾向于生成训练数据中出现的模式，从而实现模式学习和特征发现。

尽管构思优雅，但早期的玻尔兹曼机训练过程却面临着巨大的计算挑战：由于数据量和运算能力的限制，利用当时的计算机难以实现大规模的神经网络，使得神经网络的训练效率低下，训练效果也算不上好，因此随着 1990 年代 AI 第二次热潮的退却，加之计算资源的限制，神经网络研究也一度被边缘化，难以进入主流工业应用。然而，辛顿并未放弃。

21 世纪初，辛顿提出了一个重要的简化版，即受限玻尔兹曼机（RBM）。RBM 去除了隐藏层内部的连接，特别是引入了对比散度（Contrastive Divergence）这样的训练方法，使得训练算法变得高效。RBM 的提出标志着神经网络研究的一个重要转折点，为后续深度学习的快速发展奠定了关键基础。辛顿和他的团队发现，可以将多个 RBM 堆叠起来，形成多层的深度信念网络（DBN），通过逐层无监督预训练，成功解决了当时深度神经网络训练困难的问题，为现代深度学习的繁荣奠定了坚实的基础。

 02  玻尔兹曼机的新生

尽管玻尔兹曼机在经典计算中曾面临训练效率的挑战，但其基于概率建模和能量最小化机制的设计理念，却与量子计算的基本特性高度契合，为其在新计算范式中带来了新的生命力。

量子计算在处理复杂概率分布、并行探索状态空间方面展现出独特优势。量子叠加与纠缠使系统能在指数级空间中建模和采样，这与玻尔兹曼机中通过能量景观寻找最优状态的过程本质上具有相似性。因此，研究者提出了量子玻尔兹曼机（Quantum Boltzmann Machine, QBM）这一模型，利用量子态来表达能量分布，并通过量子态的制备与测量来近似模拟玻尔兹曼分布。

图源网络

相比传统玻尔兹曼机，QBM 依托量子硬件在高维状态空间中的建模能力，能够在无监督学习、特征抽取、数据生成与降噪等任务中展现出更高效的表达与采样能力。同时，研究者也正在探索 QBM 在组合优化任务中的潜在应用，尤其是利用其能量最小化机制来逼近最优解，为传统难题提供可能的量子加速路径。

日前，D-Wave 已将其量子退火机作为一种物理实现玻尔兹曼机的方式，上线了用于构建和训练玻尔兹曼机的 PyTorch 插件。而玻色量子同样正在聚焦量子计算与 AI 的协同发展。玻色量子的研究团队巧妙利用了伊辛模型与玻尔兹曼机在数学上的等价性，针对 QBM 创新性地提出了基于相干光量子计算机的量子训练方法，以量子采样替代传统的 Gibbs Sampling 方法，解决了经典玻尔兹曼机因高复杂度而无法高效训练的难点。基于量子玻尔兹曼机神经网络，其已实现了蛋白质结构预测的算法框架的真机场景验证。

综合上述量子计算机公司在玻尔兹曼机领域的种种进展，我们不难看出，量子计算正为机器学习的未来发展提供全新可能性。

 03  从思想萌芽到未来前沿

从辛顿教授早期对玻尔兹曼机的开创性探索，到他对大语言模型发展的深刻洞察，再到对未来人工智能安全性日益增强的忧虑，我们得以一窥人工智能数十年来波澜壮阔的演进历程。玻尔兹曼机，这一诞生于“AI 寒冬”中的模型，不仅是辛顿早期研究的重要成果，也成为连接经典神经网络与现代深度学习之间的关键桥梁。

图源网络

如今，随着量子计算的快速发展，玻尔兹曼机正在这一新计算范式中焕发新生。其概率建模与能量最小化机制与量子系统天然契合，推动着量子生成模型和量子机器学习的前沿探索，这不仅代表着技术维度上的持续突破，也反映了人类对智能本质不懈追问的深层动因。

正如辛顿在 WAIC 2025 演讲中所强调的那样，面对能力日益强大的人工智能，我们不仅需要拓展其智能的边界，更需要深刻思考如何“训练 AI 向善”，确保技术的发展始终服务于人类的共同福祉。

玻尔兹曼机的故事，正是这一宏大技术与哲学探索图景中的一个充满启发性的片段。

 

---

文章改编转载自微信公众号：量子前哨

原文链接：https://mp.weixin.qq.com/s/HnqA10uurUSPAVfGwsRdfg