2024年诺贝尔物理学奖揭晓，两位人工智能先驱获奖

10月8日，2024年诺贝尔物理学奖揭晓，美国普林斯顿大学教授约翰·J·霍普菲尔德（John J. Hopfield ）和加拿大多伦多大学教授杰弗里·E·辛顿（Geoffrey E. Hinton）获奖，以表彰他们“在人工神经网络机器学习方面的基础性发现和发明”。

两位科学家的关键贡献

约翰·J.霍普菲尔德是美国物理学家、神经科学家，普林斯顿大学教授。霍普菲尔德1933年出生于美国伊利诺伊州，1958年获得康奈尔大学博士学位。他在1982年发明了著名的霍普菲尔德神经网络（Hopfield neural network），这是第一个能够储存多种模式，并具备记忆功能的神经网络模型，是神经网络发展早期的一座重要的里程碑。该网络的特别之处在于它能够存储和重建信息模式，类似于人类的联想记忆。

想象你在试图回忆一个不常用的单词，你可能会先想到一些相似的词，再最终找到正确的那个。霍普菲尔德神经网络的工作方式与此类似，当给予网络一个不完整或轻微扭曲的信息时，它能够找到最相似的存储信息。这种能力使得霍普菲尔德神经网络可以用于修复损坏的数据，比如去除图片中的噪点。

霍普菲尔德神经网络可以用来重现包含噪声或被部分擦除的数据。

霍普菲尔德神经网络的诞生还为递归神经网络的发展铺平了道路，其提出的能量最小化原理，对于解决优化问题产生了深远影响。

杰弗里·E·辛顿是英裔加拿大计算机科学家、神经科学家，加拿大多伦多大学教授，前“谷歌大脑”负责人。欣顿1947年出生于英国伦敦，1978年获得爱丁堡大学人工智能博士学位。欣顿是神经网络的重要研究者之一。

20世纪80年代，辛顿为将反向传播算法（backpropagation）引入多层神经网络训练做出了重要贡献，并发明了“玻尔兹曼机”——一种在霍普菲尔德神经网络的基础上发展而来的随机递归神经网络。

这个网络的独特之处在于它能够自主学习数据中的特征，而无需人为指定这些特征。这一点类似于婴儿学习识别猫和狗的过程——他们不需要详细的解释，只需要看到足够多的例子就能自己总结出区别。

玻尔兹曼机的这种能力使得机器能够处理更复杂的任务。例如，它可以学习识别手写数字，即使每个人的书写风格都千人千面。更重要的是，辛顿的工作为后来深度学习技术的发展奠定了基础。

计算机的自主学习之旅

霍普菲尔德和辛顿的开创性工作为一个更广泛的领域“机器学习”奠定了基础。

霍普菲尔德（左）与辛顿。

机器学习是人工智能的核心，它的目标是让计算机能够从数据中学习并完成任务，而不需要完成任何指令都需要首先进行复杂而脆弱的编程，这种方法与传统上基于编程的计算机工作模式有着本质的区别。

在机器学习的过程中，计算机首先接收大量的数据作为学习材料。例如，如果我们要训练一个识别猫的系统，我们需要收集大量猫和非猫的图片。然后，我们选择一个适合的学习模型，比如霍普菲尔德的联想记忆网络或辛顿的玻尔兹曼机。

接下来，模型会反复查看这些数据，不断调整自己的参数，直到它能够准确地完成任务。这一过程就像学生通过反复练习来提高自己的能力。

机器学习的强大之处在于，一旦训练完成，它就能处理各种各样的新情况。例如，一个经过训练的图像识别系统不仅能识别训练数据中的猫，还能识别它从未见过的猫的图片。这种泛化能力使得机器学习在处理复杂、多变的现实世界问题时特别有用。

霍普菲尔德和辛顿的工作为设计更有效的学习算法和模型结构提供了理论基础，极大地推动了机器学习的发展。他们的贡献使得今天的人工智能系统能够执行从语言翻译到医学诊断等各种复杂任务，让强大而多样的人工智能技术在从科学研究到日常生活的方方面面中发挥作用。

从人脑神经元到人工神经网络

今年获奖的两位科学家，在人工神经网络研究方面做了很多奠基性的工作。

人工神经网络是一种模拟人脑神经元工作方式的机器学习模型，旨在通过模仿大脑的工作方式来处理复杂的计算问题。如今人工神经网络被广泛应用于医学、工程等各个领域，而且有望用于设计下一代计算机。

神经网络艺术插画。

辛顿提出的反向传播算法，让人工神经网络的训练成为了一种可能。辛顿对深度神经网络及其训练方法的贡献，主要在层次化与抽象化学习的智能理论计算模型方面，该模型在结构上是一个典型的层次化神经网络，相似的结构可以在人脑的大脑皮层连接模式中找到。

霍普菲尔德提出的霍普菲尔德网络，对早期人工神经网络发展具有重要意义。其中，霍普菲尔德对记忆与关联学习的智能理论计算模型贡献很大，该模型在结构上是一个典型的循环神经网络，其结构类似于人脑中的海马体脑区；20世纪80年代，许多物理学家都曾利用霍普菲尔德网络实现了由物理学到神经科学的跨越。

从人工智能的视角观察，可以说他们两位最核心的科学贡献，是将起源于理论物理、生物物理两个学科的理论成功应用于构建人工智能科学理论。学科交叉研究为人工智能开辟了新天地。

人工智能的现在和未来展望

今天，基于霍普菲尔德和辛顿的理论所发展的技术已经在我们的日常生活中无处不在。当你使用手机进行人脸解锁、向虚拟助手提问或者使用在线翻译工具时，都在间接使用这些技术。

在科学研究中，这些技术也发挥着越来越重要的作用。例如，它们被用于分析天文数据以发现新的行星，预测蛋白质的结构以帮助开发新药，甚至帮助物理学家处理大型强子对撞机产生的海量数据。

然而，随着人工智能技术的快速发展，我们也面临着新的挑战。例如，如何确保这些技术被负责任地使用，如何保护个人隐私，以及如何应对可能的就业变化等。这些问题需要科学家、政策制定者和整个社会共同思考和解决。

2024年诺贝尔物理学奖揭晓以后，有人可能认为这一获奖成果“不够物理”。其实，换个角度想，这不仅是对霍普菲尔德和辛顿个人成就的肯定，更是对物理学在推动人工智能发展中所起作用的认可。

随着人工智能技术继续发展，我们可以期待它在科学研究、工程应用和日常生活中带来更多突破，同时也要不断提醒自己，更加谨慎、合理地应用它去塑造未来。

拓展阅读

近十年诺贝尔物理学奖得主

2023年

瑞典皇家科学院宣布，将诺贝尔物理学奖授予皮埃尔·阿戈斯蒂尼、费伦茨·克劳斯和安妮·吕利耶，以表彰他们在阿秒光脉冲方面的贡献。

2022年

诺贝尔物理学奖被授予法国科学家阿兰·阿斯佩、美国科学家约翰·克劳泽和奥地利科学家安东·蔡林格，以表彰他们在“纠缠光子实验、验证违反贝尔不等式和开创量子信息科学”方面所作出的贡献。

2021年

诺贝尔物理学奖被授予三名科学家。其中，日裔美籍科学家真锅淑郎和德国科学家克劳斯·哈塞尔曼因“建立地球气候的物理模型、量化其可变性并可靠地预测全球变暖”的相关研究获奖，意大利科学家乔治·帕里西因“发现了从原子到行星尺度的物理系统中无序和波动的相互作用”获奖。

2020年

诺贝尔物理学奖颁发给了三位获奖者，因为“他们发现了宇宙中最奇异的现象之一——黑洞”。英国科学家罗杰·彭罗斯因证明黑洞是爱因斯坦广义相对论的直接结果而获奖；德国科学家赖因哈德·根策尔和美国科学家安德烈娅·盖兹因在银河系中央发现超大质量天体而获奖。

2019年

诺贝尔物理学奖被颁发给两个领域的科学家。其中，加拿大裔美国科学家詹姆斯·皮布尔斯的获奖理由是他在物理宇宙学领域的理论性发现；而瑞士科学家米歇尔·马约尔与瑞士科学家迪迪埃·奎洛兹则因“发现了围绕其他类太阳恒星运行的系外行星”获奖。

2018年

诺贝尔物理学奖被授予美国科学家阿瑟·阿什金、法国科学家热拉尔·穆鲁及加拿大科学家唐娜·斯特里克兰，以表彰其在激光物理学领域取得的突破性贡献。

2017年

美国物理学家雷纳韦斯、巴里巴瑞斯和吉普索恩因引力波探测研究获奖。

2016年

英国科学家大卫·索利斯、邓肯·霍尔丹和迈克尔·科斯特利茨，因在理论上发现了物质的拓扑相变和拓扑相而荣获该奖项。

2015年

日本科学家梶田隆章和加拿大科学家亚瑟·麦克唐纳共同获诺贝尔物理学奖。两人因发现中微子振荡，证明中微子有质量而获奖。

2014年

诺贝尔物理学奖得主是日本科学家赤崎勇、日裔美国科学家中村修二及日本科学家天野浩。他们开发了蓝色发光二极管(LED)，使节电的高亮度照明器材成为可能，极大改变了人们的生活。

资料参考：科普中国、环球科学、科技日报、中国新闻网、中科院物理所、诺贝尔奖委员会官网

图片来源同上，非商业用途，若构成侵权，请联系我们进行删除

继续滑动看下一个轻触阅读原文

广州市科协向上滑动看下一个

原标题：《2024年诺贝尔物理学奖揭晓，两位人工智能先驱获奖》

阅读原文