APP 瑞典皇家科学院10月8日宣布，将2024年诺贝尔物理学奖授予美国科学家约翰·霍普菲尔德（John J. Hopfield) 和加拿大科学家杰弗里·辛顿 (Geoffrey E. Hinton)，以表彰他们利用人工神经网络（ANN）实现机器学习的奠基性发现和发明。
很显然，今年诺贝尔物理学奖表彰的成果并非传统物理学的任何一个分支领域。奖项公布后，众多学者开玩笑说“诺贝尔物理学奖在抢图灵奖饭碗”。获奖人辛顿教授在得知这一结果后，在接受电话采访时直言：“I have no idea that will happen（我没有想到）”，"我现在住在加利福尼亚的一家廉价旅馆里，这里的网络和电话都不好。我今天本来要做核磁共振扫描，但我不得不取消了！”
华侨大学郑志刚教授就这一让学界大感意外的结果表示：严格来说，这是一个高度跨学科的交叉，新世纪物理学奖看来越来越青睐交叉了！
物理学诺奖颁给AI教父？机器学习算物理学？对于人们的疑惑，颁发此奖的瑞典皇家科学院在发布的新闻稿中表示，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。其中，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，通常指的是使用人工神经网络的机器学习。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。
人工神经网络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。人工神经网络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人工神经网络领域取得了突破性进展。
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。
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。
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。
人工神经网络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。
“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。
约翰·J·霍普菲尔德 (John J. Hopfield )
约翰·J·霍普菲尔德 (John J. Hopfield ) 1933 年出生于美国伊利诺伊州芝加哥。他于 1954 年获得斯沃斯莫尔学院学士学位，1958 年获得康奈尔大学物理学博士学位（导师为 Albert Overhauser）。他在贝尔实验室理论组工作了两年，随后在加利福尼亚大学伯克利分校（物理学）、普林斯顿大学（物理学）、加州理工学院（化学和生物学）和普林斯顿大学任教，现在是霍华德-普莱尔分子生物学名誉教授。35 年来，他一直与贝尔实验室保持着密切联系。
1986 年，他成为加州理工学院计算与神经系统博士项目的创始人之一。他获得了 2024 年诺贝尔物理学奖。
他最有影响力的论文包括：描述极化子的 “The Contribution of Excitons to the Complex Dielectric Constant of Crystals”（1958 年）；描述长程电子转移量子力学的 “Electron transfer between biological molecules by thermally activated tunneling”（1974 年）；"Kinetic Proofreading：1974年）；“神经网络和具有突发性集体计算能力的物理系统”（1982年）（被称为Hopfield网络），以及与D. W. Tank 合著的 “优化问题中决策的神经计算”（1985 年）。他目前的研究和近期发表的论文主要集中在如何将动作电位定时和同步用于神经生物学计算。
杰弗里·辛顿（Geoffrey E. Hinton）
杰弗里·埃弗里斯特·辛顿，英国出生的加拿大计算机学家和心理学家，多伦多大学教授。以其在类神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法(Contrastive Divergence)的发明人之一，也是深度学习的积极推动者，被誉为“深度学习教父”。辛顿因在深度学习方面的贡献与约书亚·本希奥和杨立昆一同被授予了2018年的图灵奖。
来源：诺贝尔奖委员会官网、欧米伽未来研究所微信公众号、返朴、知识分子
