人工智能研究人员的公告约翰·霍普菲尔德和杰弗里·辛顿今年的诺贝尔物理学奖获得者引发了庆祝活动，惊愕人工智能在科学和社会中的地位。然而，在日本，另一种感觉占主导地位：挫折。
“日本研究人员也应该获胜，”《科学》杂志上的一篇社论朝日新闻宣布。祝贺霍普菲尔德和辛顿日本神经网络协会尖锐地补充道：“我们决不能忘记日本先驱研究人员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，这些结构通常是松散的，但受到人类大脑的启发。
那么这些日本人工智能研究先驱是谁呢？
1967年，甘利俊一提出了一种方法自适应模式分类，这使得神经网络能够通过重复的训练示例来自我调整它们对模式进行分类的方式。Amari 的研究预见了一种类似的方法，称为“反向传播”，其中之一Hinton 的主要贡献到田野。
1972 年，Amari 概述了学习算法（执行特定任务的一组规则）在数学上相当于霍普菲尔德的规则1982年论文引用由诺贝尔奖联想记忆，允许神经网络在输入部分或损坏的情况下识别模式。
北美研究人员与日本的研究小组分开工作，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，它催生了通过更复杂的架构在没有监督的情况下学习的神经网络。如果今年的诺贝尔奖是颁给“通过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和福岛呢？
片面的观点
人工智能界本身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，以及鉴于和平奖颁给了日本的 Nihon Hidanky，为什么国家平衡很重要，这些都有令人信服的论据。
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——并且绝大多数是北美——的历史。人工智能在20世纪50年代和1960年代经历了快速发展时期。
到 1970 年，它进入了“人工智能冬天”，研究陷入停滞。在霍普菲尔德（Hopfield）和辛顿（Hinton）等人的推动下，20世纪80年代冬天终于变成了春天。据说，这位研究人员与谷歌和 OpenAI 的联系促进了当前基于神经网络的人工智能的繁荣。
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以及其他国家的研究人员奠定了深度学习的基础。当社会面临这种变革性技术时，将这些发展融入我们的人工智能历史至关重要。我们必须扩展我们谈论人工智能时的含义与硅谷目前提供的愿景不同。
在过去的一年里，我和京都大学的 Yasuhiro Okazawa、东京国立科学博物馆的 Masahiro Maejima 领导了一个以福岛邦彦和实验室为中心的口述历史项目在NHK在那里，他开发了 Neocognitron，这是一种视觉模式识别系统，成为卷积神经网络的基础。
令我们惊讶的是，我们发现福岛研究的背景根源于电视观众的心理和生理研究。这促使 NHK 在 1965 年创建了一个实验室视觉仿生学—。在这里，电视工程师可以为增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，福岛认为他自己的工作致力于了解生物有机体而不是严格意义上的AI。神经网络被认为是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学研究。Neocognitron 的具体目的是帮助解决关于复杂的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，或对应于分布在一组神经元中的激活模式的争论。
人类的方法
在福岛核电站手下工作的工程师伊隆之(Takayuki ItÅ)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，而不是耐心研究大脑的复杂性。这样一来，模仿人类认知就只是一个随意的隐喻了。
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，并且许多人误认为他的工作是“医学工程”。他对用更大的数据集升级 Neocognitron 缺乏兴趣，最终导致他与 NHK 对基于人工智能的应用技术日益增长的需求产生矛盾，最终导致他于 1988 年辞职。
对于福岛来说，开发神经网络从来都不是为了它们在社会中的实际用途，例如替代人类劳动力和决策。相反，它们代表了一种尝试，试图了解人类等高级脊椎动物的独特之处，并通过这种方式使工程变得更加人性化。
事实上，正如伊隆之在我们的一次采访中指出的那样，这种“人类科学”方法可能有助于更紧密地拥抱多样性。尽管福岛本人并没有走这条路，但自 20 世纪 90 年代末以来，它的工作重点是与老年人和老年人的认知特征相关的“可及性”。残疾人。这项工作还认识到与主流人工智能研究不同的智能类型。
福岛今天保持着与机器学习的测量距离。“我的立场，”他说，“始终是向大脑学习。”与福岛事故相比，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是落后于人脑，它产生的技术就越难以理解和控制。脱离了其在生物过程中的根源，我们无法再解释人工智能为何发挥作用以及它如何做出决策。这被称为– 黑匣子 – 问题。
回归“人类科学”方法能否解决其中一些问题？可能不是靠它自己，因为精灵已经从瓶子里出来了。但在全球对超级智能人工智能导致人类末日的担忧之际，我们应该考虑一部充满对人工智能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并未庆祝后者的历史。