人工智能研究人员约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton）被宣布为今年的诺贝尔物理学奖得主，引发了人们对人工智能在科学和社会中的地位的庆祝和惊愕。然而，在日本，另一种情绪占主导地位：沮丧。
“日本研究人员也应该赢，”《朝日新闻》（Asahi Shimbun）的一篇社论宣称。日本神经网络协会向Hopfield和Hinton表示祝贺，并尖锐地补充说：“我们不能忘记日本研究先驱在建立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类大脑的启发。
那么，这些开创性的日本人工智能研究人员是谁呢？
1967年，Shunichi 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对模式进行分类的方式。Amari的研究预测了一种被称为“反向传播”的类似方法，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（一套执行特定任务的规则），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输入的情况下识别模式。
北美的研究人员分别与日本的小组进行研究，独立得出结论。
后来，在1979年，福岛邦彦创造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需监督的神经网络。如果今年的诺贝尔奖是颁给“用人工神经网络实现机器学习的基础性发现和发明”，为什么不把奖颁给甘利明和福岛呢？
片面的观点
人工智能社区本身也一直在争论这个问题。关于为什么霍普菲尔德和辛顿更适合诺贝尔“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，因为和平奖被授予了日本的日本Hidankyo。
那么，我们为什么还要担心呢？
答案在于历史的一边倒带来的风险。我们对人工神经网络的标准描述是以北大西洋为基础的——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年代经历了一个快速发展的时期。
到1970年，它进入了“人工智能寒冬”，在此期间，研究停滞不前。20世纪80年代，通过霍普菲尔德（Hopfield）和辛顿（Hinton）等人的努力，冬天终于变成了春天。后者与谷歌和OpenAI的联系据说助长了当前基于神经网络的人工智能热潮。
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——以及其他国家的研究人员——建立了深度学习的基础。当社会面对这种变革性技术时，将这些发展融入我们的人工智能历史是至关重要的。当我们谈论人工智能时，我们必须以不同于硅谷目前提供的愿景的方式来扩展我们的意思。
在过去的一年里，京都大学的冈泽康弘，东京国立自然科学博物馆的前岛正弘，和我一起领导了一个口述历史项目，以福岛国彦和NHK的实验室为中心，他在那里开发了Neocognitron，一个视觉模式识别系统，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。令我们非常惊讶的是，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在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，福岛认为自己的研究致力于理解生物有机体，而不是严格意义上的人工智能。神经网络被认为是视觉信息处理在大脑中如何运作的“模拟”，并被认为有助于推进生理学研究。Neocognitron的目的是帮助解决复杂的感觉刺激是与大脑中一个特定神经元（神经细胞）的激活相对应，还是与分布在一群神经元上的激活模式相对应的争论。
人类的方法
曾在福岛手下工作的工程师Takayuki itha将他导师的方法描述为“人类科学”。但在20世纪60年代，美国研究人员放弃了基于人体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，而不是耐心地研究大脑的复杂性。这样，模仿人类的认知就变成了一种随意的隐喻。
当福岛1968年访问美国时，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，许多人把他的工作误认为是“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。
对福岛来说，开发神经网络从来不是关于它们在社会中的实际应用，比如取代人力和决策。相反，它们代表了一种尝试，试图掌握是什么让人类这样的高级脊椎动物与众不同，从而使工程学更人性化。
事实上，正如伊藤孝之在我们的一次采访中所指出的那样，这种“人类科学”的方法可能有助于更紧密地拥抱多样性。虽然福岛本人没有走这条路，但伊藤自20世纪90年代末以来的工作一直关注与老年人和残疾人认知特征相关的“可达性”。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，“一直是向大脑学习。”与福岛相比，日本以外的人工智能研究人员走了捷径。主流人工智能研究越落后于人类大脑，就越会产生难以理解和控制的技术。失去了它在生物过程中的根源，我们再也无法解释人工智能为什么工作以及它是如何做出决定的。这就是所谓的“黑匣子”问题。
回归“人文科学”的方法能解决其中的一些问题吗？可能不是它自己，因为精灵已经从瓶子里出来了。但在全球都在担心超级智能人工智能会导致人类的终结之际，我们应该考虑一段全球历史，它充满了对人工智能的不同理解。遗憾的是，今年的诺贝尔物理学奖并没有表彰这段历史。
熊汉生，杜伦大学现代语言与文化学院助理教授。
的有限公司谈话是一种独立而不存在的非营利来源的新闻，分析和评论的学术专家。
