北京时间10月8日下午5点45分许，2024年诺贝尔物理学奖揭晓。美国普林斯顿大学科学家约翰·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学科学家杰弗里·辛顿（Geoffrey E. Hinton）获奖，以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。

他们用物理学训练人工神经网络

今年的两位诺贝尔物理学奖得主使用物理学的工具来开发方法，这些方法是当今强大的机器学习的基础。John J. Hopfield创造了一种联想记忆，可以存储和重建图像和其他类型的数据模式。Geoffrey Hinton发明了一种方法，可以自动发现数据中的属性，从而执行识别图片中的特定元素等任务。

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。这项技术最初是受到大脑结构的启发。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。这些节点通过连接相互影响，这些连接可以被比作突触，可以增强或减弱。例如，通过在同时具有高值的节点之间建立更强的连接来训练网络。今年的获奖者从20世纪80年代开始就在人工神经网络方面开展了重要的工作。

John Hopfield发明了一种网络，可以使用一种方法来保存和重建模式。我们可以把节点想象成像素。Hopfield网络利用物理学来描述材料的特性，这是由于它的原子自旋——使每个原子成为微小磁铁的一种特性。整个网络的描述方式相当于物理中发现的自旋系统中的能量，并通过寻找节点之间的连接值来训练，以便保存的图像具有低能量。当Hopfield网络得到一张扭曲或不完整的图像时，它会有条不紊地通过节点并更新它们的值，这样网络的能量就会下降。因此，网络逐步找到最像它输入的不完美图像的已存图像。

Geoffrey Hinton使用Hopfield网络作为新网络的基础，它采用了一种不同的方法——玻尔兹曼机。它可以学习识别给定类型数据中的特征元素。Hinton使用了统计物理学的工具，这是一门由许多相似内容组成的系统科学。通过给机器输入在实际运行时很可能出现的例子来训练它。玻尔兹曼机器可以用来对图像进行分类，或者为它所训练的模式类型创建新的例子。Hinton在这项工作的基础上，帮助开启了当前机器学习的爆炸性发展。

“获奖者的工作已经带来了巨大的好处。在物理学中，我们在广泛的领域使用人工神经网络，例如开发具有特定性能的新材料。”诺贝尔物理学委员会主席Ellen Moons说。