瑞典皇家科學院10月8日宣布，將2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德（John J. Hopfield) 和加拿大科學家杰弗里·辛頓 (Geoffrey E. Hinton)，以表彰他們利用人工神經(jīng)網(wǎng)絡（ANN）實現(xiàn)機器學習的奠基性發(fā)現(xiàn)和發(fā)明。

很顯然，今年諾貝爾物理學獎表彰的成果并非傳統(tǒng)物理學的任何一個分支領(lǐng)域。獎項公布后，眾多學者開玩笑說“諾貝爾物理學獎在搶圖靈獎飯碗”。獲獎人辛頓教授在得知這一結(jié)果后，在接受電話采訪時直言：“I have no idea that will happen（我沒有想到）”，"我現(xiàn)在住在加利福尼亞的一家廉價旅館里，這里的網(wǎng)絡和電話都不好。我今天本來要做核磁共振掃描，但我不得不取消了！”

華僑大學鄭志剛教授就這一讓學界大感意外的結(jié)果表示：嚴格來說，這是一個高度跨學科的交叉，新世紀物理學獎看來越來越青睞交叉了！

物理學諾獎頒給AI教父？機器學習算物理學？對于人們的疑惑，頒發(fā)此獎的瑞典皇家科學院在發(fā)布的新聞稿中表示，今年的兩位諾貝爾物理學獎得主利用物理學工具開發(fā)出的方法，為當今強大的機器學習奠定了基礎(chǔ)。其中，約翰·霍普菲爾德 (John Hopfield) 發(fā)明了一種聯(lián)想記憶，可以存儲和重建圖像和其他類型的數(shù)據(jù)模式。杰弗里·辛頓 (Geoffrey Hinton) 發(fā)明了一種可以自主查找數(shù)據(jù)屬性的方法，從而執(zhí)行諸如識別圖片中特定元素等任務。

當我們談論人工智能時，通常指的是使用人工神經(jīng)網(wǎng)絡的機器學習。人工神經(jīng)網(wǎng)絡的概念可以追溯到20世紀40年代，當時電子計算機剛剛出現(xiàn)?？茖W家們最初希望這些計算機可以處理繁瑣且耗時的計算。然而，隨著時間的推移，研究者逐漸開始探索如何使計算機模仿人類和其他生物的模式識別能力。這種探索使得神經(jīng)科學與物理學緊密結(jié)合，通過模擬大腦中的神經(jīng)元，開發(fā)出以節(jié)點和權(quán)重連接為基礎(chǔ)的人工神經(jīng)網(wǎng)絡系統(tǒng)。

人工神經(jīng)網(wǎng)絡的基本架構(gòu)受生物神經(jīng)元網(wǎng)絡的啟發(fā)，其中“神經(jīng)元”表示節(jié)點，“突觸”表示加權(quán)連接。這種網(wǎng)絡經(jīng)過訓練可以執(zhí)行復雜的任務，而不需要事先確定的指令集。人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)與統(tǒng)計物理學中應用于磁性或合金理論的自旋模型有著密切的聯(lián)系。正是這種聯(lián)系促使本次諾貝爾獎表彰的研究者利用物理學工具在人工神經(jīng)網(wǎng)絡領(lǐng)域取得了突破性進展。

約翰·霍普菲爾德的貢獻主要集中在1982年提出的動態(tài)模型，他的神經(jīng)網(wǎng)絡被稱為“霍普菲爾德網(wǎng)絡”，其設(shè)計可以存儲和重構(gòu)信息。這一網(wǎng)絡利用物理學中的自旋系統(tǒng)原理，構(gòu)建了一種能夠自我糾正錯誤模式的網(wǎng)絡，使得該網(wǎng)絡在模式識別和信息修正方面具有極大的應用價值。

杰弗里·辛頓進一步擴展了這一概念，提出了稱為“玻爾茲曼機”的網(wǎng)絡模型。該模型通過統(tǒng)計物理學中的玻爾茲曼分布來識別數(shù)據(jù)中的特征，這一發(fā)明成為了現(xiàn)代深度學習網(wǎng)絡的基礎(chǔ)。辛頓后來開發(fā)的受限玻爾茲曼機（RBM）通過逐層預訓練，使深度學習得以實現(xiàn)，并且該方法在圖像分類、維度降低等領(lǐng)域取得了重要成果。

霍普菲爾德和辛頓的工作不僅推動了機器學習的發(fā)展，還對物理學產(chǎn)生了深遠的影響。在量子力學、材料科學和氣候建模等多個科學領(lǐng)域，人工神經(jīng)網(wǎng)絡被廣泛應用于模型構(gòu)建與數(shù)據(jù)分析。這些網(wǎng)絡能夠顯著減少計算資源的需求，從而幫助科學家們以更高的分辨率探索更大的系統(tǒng)。此外，神經(jīng)網(wǎng)絡在尋找新材料、預測氣候變化、識別基本粒子等方面也取得了顯著成就。

人工神經(jīng)網(wǎng)絡的應用不僅限于科學領(lǐng)域，還廣泛滲透到日常生活中。它們在圖像識別、語言生成、醫(yī)療決策等方面起到了關(guān)鍵作用。人工神經(jīng)網(wǎng)絡已經(jīng)成為現(xiàn)代科技和日常生活中不可或缺的工具。

“獲獎者的工作已經(jīng)產(chǎn)生了巨大的效益。在物理學領(lǐng)域，我們將人工神經(jīng)網(wǎng)絡應用于廣泛的領(lǐng)域，例如開發(fā)具有特定屬性的新材料，”諾貝爾物理學獎委員會主席 Ellen Moons 說道。

約翰·J·霍普菲爾德 (John J. Hopfield )

約翰·J·霍普菲爾德 (John J. Hopfield ) 1933 年出生于美國伊利諾伊州芝加哥。他于 1954 年獲得斯沃斯莫爾學院學士學位，1958 年獲得康奈爾大學物理學博士學位（導師為 Albert Overhauser）。他在貝爾實驗室理論組工作了兩年，隨后在加利福尼亞大學伯克利分校（物理學）、普林斯頓大學（物理學）、加州理工學院（化學和生物學）和普林斯頓大學任教，現(xiàn)在是霍華德-普萊爾分子生物學名譽教授。35 年來，他一直與貝爾實驗室保持著密切聯(lián)系。

1986 年，他成為加州理工學院計算與神經(jīng)系統(tǒng)博士項目的創(chuàng)始人之一。他獲得了 2024 年諾貝爾物理學獎。

他最有影響力的論文包括：描述極化子的 “The Contribution of Excitons to the Complex Dielectric Constant of Crystals”（1958 年）；描述長程電子轉(zhuǎn)移量子力學的 “Electron transfer between biological molecules by thermally activated tunneling”（1974 年）；"Kinetic Proofreading：1974年）；“神經(jīng)網(wǎng)絡和具有突發(fā)性集體計算能力的物理系統(tǒng)”（1982年）（被稱為Hopfield網(wǎng)絡），以及與D. W. Tank 合著的 “優(yōu)化問題中決策的神經(jīng)計算”（1985 年）。他目前的研究和近期發(fā)表的論文主要集中在如何將動作電位定時和同步用于神經(jīng)生物學計算。

杰弗里·辛頓（Geoffrey E. Hinton）

杰弗里·埃弗里斯特·辛頓，英國出生的加拿大計算機學家和心理學家，多倫多大學教授。以其在類神經(jīng)網(wǎng)絡方面的貢獻聞名。辛頓是反向傳播算法和對比散度算法(Contrastive Divergence)的發(fā)明人之一，也是深度學習的積極推動者，被譽為“深度學習教父”。辛頓因在深度學習方面的貢獻與約書亞·本希奧和楊立昆一同被授予了2018年的圖靈獎。

來源：諾貝爾獎委員會官網(wǎng)、歐米伽未來研究所微信公眾號、返樸、知識分子