甘利俊一获 2025 年京都奖

获奖者

甘利俊一（Shun-ichi Amari）是帝京大学（Teikyo University）的数理工程师，同时担任理化学研究所（RIKEN）荣誉科学顾问。2025 年，他成为京都奖「先进技术—信息科学」领域的获奖者。^[1] 为他撰写的成果说明标题是「开创人工智能理论基础与创立信息几何的先驱性贡献」。^[1]

授奖理由

授奖词称他在人工神经网络（artificial neural network）、机器学习（machine learning）和信息几何（information geometry）三个方向上都做出了开创性研究，这些成果推动了人工智能的演进。^[1] 这三个方向看似分散，其实都在问同一类问题：一个只有有限参数的模型，如何表示它从数据里学到的东西，又如何知道自己学得对不对。

人工智能的可见进展往往以产品、以基准成绩的形式出现，而解释「方法为什么有效」的理论通常来得更晚，也更安静。京都奖看重的正是后一种工作：它不追着某一次突破走，而是把整个领域提问的方式改掉。

信息几何

他创立了信息几何，这是一门用微分几何（differential geometry）方法研究统计模型（statistical model）的学科。^[1] 统计模型可以理解为一族由参数标记的概率分布：参数取一组值，就得到一个分布；把所有可能的取值放在一起，就构成一个空间。有了空间，微分几何里的距离、曲率、最短路径这些概念就能派上用场，用来衡量两个模型相隔多远，以及模型在数据增加时如何移动。

一个具体的例子可以把这件事说清楚。假设有一枚硬币，正面朝上的概率未知；这个概率就是唯一的参数，它的所有可能取值构成一条一维的参数空间。比较 0.5 和 0.6 这两个取值，直接用差值并不说明太多问题；更自然的尺度是「要抛多少次，才能分辨出这是两枚不同的硬币」。把这种直觉写成几何，就是信息几何在做的事。

随机连接的网络与大脑

他对随机连接网络所做的统计力学（statistical mechanics）分析，给出了大脑信息处理的一个理论模型，并影响了 Hopfield 网络与循环神经网络（recurrent neural network）的发展。^[1] 统计力学是物理学中处理「由极多相互作用单元组成的系统」的工具：它不逐个追踪单元，而是用平均量描述整体行为。随机连接的神经元网络恰好就是这样的系统。Hopfield 网络是一类动力学过程会收敛到已存储状态的循环网络；循环神经网络则把状态一步步向前传递，用这种方式处理序列。两者今天都是机器学习里的常见结构。

2025 年的颁奖

2025 年的获奖者于 6 月 20 日公布；颁奖典礼于 11 月 10 日在京都国际会议中心（Kyoto International Conference Center）举行，每位获奖者获得 1 亿日元奖金。^[2]

意义

奖励「开创理论基础」的工作，看重的是一个领域提问方式的变化，而不是某一件具体的东西。甘利俊一的两条线索正属于这一类：一条是学习系统的理论，关心网络为什么会学、能学到什么；另一条是统计模型的几何，提供了一套语言，让「一个模型里含有多少信息」「两个模型有多接近」这样的问题可以被精确地写下来。

这类基础工作的特点是不会随某一代技术而过时。具体的网络结构、训练技巧和硬件会一轮一轮换掉，而用来描述问题的概念和语言会沉淀下来，成为后来者共同的出发点。把奖颁给这样的研究，也是在提醒人们：人工智能不只是一连串工程成果，它同时是一门正在被写出来的理论学科。