2024 年 10 月 8 日，瑞典皇家科学院宣布，将 2024 年诺贝尔物理学奖授予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），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”。

这两位科学家的工作为当今强大的机器学习技术奠定了基础。Hopfield 创造了一种能够存储和重建信息的结构，而 Hinton 发明了一种可以独立发现数据中规律的方法，这种方法对现在使用的大型人工智能系统至关重要。

神经网络艺术插画（图片来源：诺贝尔奖委员会官网）

两位科学家的关键贡献

John Hopfield 在 1982 年提出了一种新型的人工神经网络，现在被称为“Hopfield 网络”。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。Hopfield 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 Hopfield 网络可以用于修复损坏的数据，比如去除图片中的噪点。

Geoffrey Hinton 则在 1985 年提出了一种称为“玻尔兹曼机”的新型网络。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，Hinton 的工作为后来深度学习技术的发展奠定了基础。深度学习是当今许多人工智能依据的核心技术。

从理论到实践：

人工智能的现在和未来

Hopfield 和 Hinton 的工作为后来的机器学习革命奠定了基础。今天，基于他们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，一些人认为这一获奖成果“不够物理”。其实，换个角度想，这不仅是对 Hopfield 和 Hinton 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。