两位AI先驱获2024年诺贝尔物理学奖，交叉领域愈发受重视

　　多知10月9日消息，北京时间10月8日下午，2024年诺贝尔物理学奖给了美国科学家John J. Hopfield(约翰・霍普菲尔德)、英国裔加拿大科学家Geoffrey E. Hinton(杰弗里・辛顿因)，以表彰他们通过“人工神经网络实现机器学习的基础性发现和发明”。

（左为约翰・霍普菲尔德，右为杰弗里・辛顿因）

　　作为“神经网络之父”和“深度学习之父”，辛顿1947年出生于英国伦敦，1978年获英国爱丁堡大学博士学位，如今是加拿大多伦多大学教授。他是使用神经网络进行机器学习的先驱，教会了人工智能如何自动查找数据中的属性，从而执行识别图片中特定元素等任务。2018年，他还获得了图灵奖这一计算机领域的最高荣誉。生成式大模型的顶尖团队，基本都是辛顿门徒。

　　而美国普林斯顿大学教授约翰・霍普菲尔德，则是创建了一种名为“霍普菲尔德网络”的联想存储器，可以存储和重建图像以及数据中的其他类型模式。他曾获得2022年的玻尔兹曼奖。

　　以“霍普菲尔德网络”为基础，辛顿使用统计物理学的方法，构建了玻尔兹曼机。这一成果让机器学习领域出现了“爆炸性发展”。

　　“诺贝尔奖得主的工作已经产生了巨大的益处。当今物理学许多领域正在使用人工神经网络，例如开发具有特定特性的材料，”诺贝尔物理学委员会主席Ellen Moons说道。

　　霍普菲尔德和辛顿两人是跨学科研究者。霍普菲尔德是一位横跨多个学科领域的物理学博士，在物理、化学和生物学的交叉处开发了神经网络。辛顿就读剑桥大学时，同时学习物理学和生理学，后来获得实验心理学学士学位，他通过物理、数学和计算机、神经心理学多领域的交叉，推动机器学习的发展。

　　诺贝尔物理学奖给了非物理学领域专家意义重大，突出了跨学科的交叉和互通，也凸显了AI的发展离不开数学、物理等基础学科的发展。

　　以下为诺贝尔奖官网新闻介绍：

　　今年的两位诺贝尔物理学奖得主使用了物理学的工具，为当今强大的机器学习方法奠定了基础。John Hopfield创建了一种联想记忆，可以存储和重构图像，或其他类型的数据模式。Geoffrey Hinton发明了一种可以自动发现数据中属性并执行任务的方法，例如识别图片中的特定元素。

　　谈到人工智能，人们通常指的是使用人工神经网络来训练的机器学习技术。这项技术最初受大脑结构启发。在人工神经网络中，大脑的神经元通过具有不同值的节点表示。这些节点通过可以类比为突触的连接相互影响，而这些连接可以变强或变弱。这种网络可以通过训练来优化，例如可加强同时具有较高值的节点之间的连接。今年的诺贝尔物理奖得主们自20世纪80年代起就在人工神经网络领域做出了重要的工作。

　　John Hopfield发明了一种网络来保存和重现数据模式。我们可以将节点想象为像素。Hopfield网络利用了描述物质特性的原子自旋——该性质使得每个原子都可看作一个小磁铁。网络的整体结构则可等价地用物理学中自旋系统的能量来描述，并通过寻找节点之间的连接值来训练，使得保存的图像具有较低的能量。当Hopfield网络接收到一个失真或不完整的图像时，它逐步处理节点并更新其值，以降低网络的能量。通过这种方式，网络就可一步步找到与输入的失真图像最为相似的图像。

　　Geoffrey Hinton以Hopfield网络为基础，开发了一种基于新方法的网络：玻尔兹曼机(Boltzmann Machine)。该网络可以学习识别某一类数据中具有特征的元素。Hinton使用了统计物理学的工具，这是研究由许多相似组分组成的系统的科学。玻尔兹曼机通过输入在机器运行时非常可能出现的示例进行训练。它可以用于对图像进行分类或创建与其训练模式相似的新示例。Hinton在此基础上继续研究，推动了当前机器学习爆炸式的发展。