今年的诺贝尔物理学奖颁给了两位人工智能的先驱——分别来自普林斯顿大学和多伦多大学的约翰·霍普菲尔德和杰弗里·辛顿。
该奖项旨在表彰在创建机器学习（ML）构建模块的过程中所提供的帮助，这些模块将彻底改变未来的工作方式。
瑞典皇家科学院（Royal Swedish Academy of Sciences）解释了两位科学家所研究的相互连接的神经网络是如何试图模仿人类大脑中的神经元的，以及这项实验是如何在提高我们日常生活的生产力方面取得成果的，尤其是在推动医学事业方面。
有趣的是，辛顿还警告说，人工智能——他将其比作“另一场工业革命”——可能会产生不可预见的后果，造成“事情可能失控”的局面。
辛顿作为一名心理学家，有着不同寻常的背景，他总是对了解人类思维的运作方式感到好奇。他曾在多伦多领导谷歌（Google）的人工智能部门，致力于“训练机器如何通过微调错误来学习，直到错误消失”。
霍普菲尔德曾在普林斯顿新闻发布会上发表讲话，表达了他对“人工智能可能造成世界末日”的担忧。
因此，这两位诺贝尔奖得主强调了人工智能所代表的新技术进步水平所带来的风险。
顺便说一句，人工智能本质上依赖于计算机技术，而向人工智能先驱颁发传统科学奖表明，学科之间的界限正在迅速消失。
然而，Hopfield确实澄清了神经网络大量借鉴了“凝聚态物理学”。
辛顿在接受诺贝尔奖时说，“每当我想知道任何问题的答案时，我就会去问GPT-4”，但他同时表示，“我不完全信任它，因为它会产生幻觉”——他还带着一种转折的态度说，“几乎在所有事情上，它都不是一个非常有用的非常好的专家”。
值得注意的是，Hopfield以创造一种联想记忆而闻名，这种记忆可以存储和重建数据中的图像和其他类型的模式。
因此，人工智能操作受到“垃圾输入，垃圾输出”这一无情的基本原则的支配，这是运行它们时一个发人深省的想法。
很明显，三个基本概念适用于所有人工智能活动。首先，它们所依据的数据必须绝对可靠。这可以被认为是情报机构的现实工作和人工智能领域之间的共同之处。
其次，人工智能练习的结果取决于“数据分析”，与情报机构的情况不同，它没有应用人类思维的好处。
人工智能通过神经网络和语言模型来检测“模式”，这有时可以成为对实体未来行为的有限预测的基础。这可以说是在模仿警方评估罪犯下一步行动时采用的“作案手法”方法。
第三点增加了输入人工智能系统的数据准确性的重要性，那就是它应该尽量减少未来产生“疯狂”读数的可能性。
可靠的数据将使机器学习能够更好地检测“不匹配”，并通过应用可能性寻求“纠正”，直到达到已知的正确解决方案。然而，最后，这仍然强调了AI的“局限性”，而不是确定的“收益”。
人工智能在商业发展中的一个既定用途是将其与机器学习相结合，在不断发展的全球以客户为中心的解决方案（gcc）中应用。这里也强调了数据质量，并谈到了促进“数据民主”。
这需要平衡全球和地方的优先事项。这里的成功将取决于人类对文化细微差别的解读与先进技术的结合程度，这些先进技术可以通过数据分析来解读不断变化的商业趋势和客户偏好。
将产品定制为“超个性化”、产品的虚拟试穿体验，以及结合文本、语音和视频的多模式客户交互，是可以委托给人工智能和机器学习的三大任务。
数据扩充和分析是gcc的基本决定因素。印度在采用生成式人工智能平台方面排名第二，仅次于美国，在内容编辑和生产力工具方面表现出色，这是一件令人非常满意的事情。
现在已经确定，人工智能已经在帮助企业和其他组织使其活动多样化并提高生产力。
人们也普遍认为，机器和人类智能的结合是确保客户满意度和忠诚度的关键。
理解数据——不仅仅是为了分析而获取数据——需要深刻理解人类需求、跨文化微妙之处、伦理考虑、区域因素，并及时认识到不断变化的社会和市场趋势。
我们处在一个以知识为基础的决策时代，因此信息应该在组织内部共享，但要满足数据安全和基于角色的访问需求。这将有助于数据民主事业，促进创新和见解的产生。
然而，考虑到不法分子通过操纵数据、虚假信息、网络欺诈等手段加强犯罪活动的现实，数据安全和安保的重要性再怎么强调也不为过。
网络空间的犯罪化之所以成为国家和国际关注的一个问题，是因为暗网是互联网的一个隐藏部分，只能通过特殊的软件和配置进入，它已成为毒品交易等非法活动的平台。
如今，人工智能的前景和风险都在同样严肃的程度上得到了讨论——这证明了人类监督对任何形式的“机器交付”的重要性。
