2024 年 10 月 8 日，瑞典皇家科学院决定将 2024 年诺贝尔物理学奖授予 ：美国新泽西州普林斯顿大学约翰·J·霍普菲尔德 和加拿大多伦多大学的杰弗里·E·欣顿教授，授予原因是“因推动利用人工神经网络进行机器学习的基础性发现和发明”

瑞典皇家科学院新闻稿

今年的两位诺贝尔物理学奖得主利用物理学工具开发出的方法，为当今强大的机器学习奠定了基础。约翰·霍普菲尔德 (John Hopfield) 发明了一种联想记忆，可以存储和重建图像和其他类型的数据模式。杰弗里·辛顿 (Geoffrey Hinton) 发明了一种可以自主查找数据属性的方法，从而执行诸如识别图片中特定元素等任务。

当我们谈论人工智能时，我们通常指的是使用人工神经网络的机器学习。这项技术最初的灵感来自大脑的结构。在人工神经网络中，大脑的神经元由具有不同值的节点表示。这些节点通过可以比作突触的连接相互影响，这些连接可以变得更强或更弱。网络的训练方式是，例如在具有同时高值的节点之间建立更强的连接。今年的获奖者从 1980 年代开始就对人工神经网络进行了重要的研究。

约翰·霍普菲尔德发明了一种网络，它使用一种保存和重新创建模式的方法。我们可以将节点想象成像素。霍普菲尔德网络利用物理学来描述材料由于原子自旋而产生的特性——这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，并通过寻找节点之间连接的值来进行训练，以便保存的图像具有较低的能量。当霍普菲尔德网络被输入扭曲或不完整的图像时，它会有条不紊地处理节点并更新它们的值，从而降低网络的能量。因此，网络逐步找到与输入的不完美图像最相似的保存图像。

杰弗里·辛顿 (Geoffrey Hinton)以霍普菲尔德网络为基础，创建了一个采用不同方法的新网络：玻尔兹曼机。它可以学习识别给定类型数据中的特征元素。辛顿使用了统计物理学的工具，统计物理学是一门由许多相似组件构建的系统科学。通过输入机器运行时很可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类，或创建训练模式类型的新示例。辛顿在此基础上继续发展，帮助开启了机器学习的爆炸式发展。

“获奖者的工作已经产生了巨大的效益。在物理学领域，我们将人工神经网络应用于广泛的领域，例如开发具有特定属性的新材料，”诺贝尔物理学奖委员会主席 Ellen Moons 说道。

瑞典皇家科学院发布了本次物理学奖的科普背景和科学背景报告资料，《科普背景：他们利用物理学来寻找信息中的模式》和《科学背景：“用于实现利用人工神经网络进行机器学习的基础性发现和发明”》，简要介绍如下：

2024年诺贝尔物理学奖授予了两位杰出的科学家，约翰·霍普菲尔德（John J. Hopfield）和杰弗里·辛顿（Geoffrey E. Hinton），以表彰他们在神经网络和机器学习领域的基础性发现和发明。这些发现推动了人工神经网络（ANN）的发展，并为如今强大的机器学习技术奠定了基础。

研究背景与神经网络的发展

人工神经网络的概念可以追溯到20世纪40年代，当时电子计算机刚刚出现。科学家们最初希望这些计算机可以处理繁琐且耗时的计算。然而，随着时间的推移，研究者逐渐开始探索如何使计算机模仿人类和其他生物的模式识别能力。这种探索使得神经科学与物理学紧密结合，通过模拟大脑中的神经元，开发出以节点和权重连接为基础的人工神经网络系统。

ANN的基本架构受生物神经元网络的启发，其中“神经元”表示节点，“突触”表示加权连接。这种网络经过训练可以执行复杂的任务，而不需要事先确定的指令集。ANN的结构与统计物理学中应用于磁性或合金理论的自旋模型有着密切的联系。正是这种联系促使本次诺贝尔奖表彰的研究者利用物理学工具在ANN领域取得了突破性进展。

主要贡献：Hopfield与Hinton的发现

约翰·霍普菲尔德的贡献主要集中在1982年提出的动态模型，他的神经网络被称为“霍普菲尔德网络”，其设计可以存储和重构信息。这一网络利用物理学中的自旋系统原理，构建了一种能够自我纠正错误模式的网络，使得该网络在模式识别和信息修正方面具有极大的应用价值(瑞典皇家科学院科学背景：“用于实现利用人工神经…)。

另一方面，杰弗里·辛顿进一步扩展了这一概念，提出了称为“玻尔兹曼机”的网络模型。该模型通过统计物理学中的玻尔兹曼分布来识别数据中的特征，这一发明成为了现代深度学习网络的基础。

辛顿后来开发的受限玻尔兹曼机（RBM）通过逐层预训练，使深度学习得以实现，并且该方法在图像分类、维度降低等领域取得了重要成果

应用与影响

霍普菲尔德和辛顿的工作不仅推动了机器学习的发展，还对物理学产生了深远的影响。在量子力学、材料科学和气候建模等多个科学领域，人工神经网络被广泛应用于模型构建与数据分析。这些网络能够显著减少计算资源的需求，从而帮助科学家们以更高的分辨率探索更大的系统。此外，神经网络在寻找新材料、预测气候变化、识别基本粒子等方面也取得了显著成就。

ANN的应用不仅限于科学领域，还广泛渗透到日常生活中。它们在图像识别、语言生成、医疗决策等方面起到了关键作用。人工神经网络已经成为现代科技和日常生活中不可或缺的工具，

结语

通过他们的突破性工作，霍普菲尔德和辛顿不仅推动了人工智能的进步，也为人类应对当今社会的诸多挑战提供了强大的工具。正如诺贝尔委员会所指出的，他们的研究成果正在改变科学、工程和日常生活的方方面面，而未来的应用取决于人类如何选择使用这些强大的工具