机器学习先驱荣获物理学诺贝尔奖

开发用于理解支撑当今技术的神经网络工具的两位研究人员人工智能（AI）的爆炸性增长获得了2024年诺贝尔物理学奖。

约翰·霍普菲尔德（John Hopfield）和格雷戈里·亨廷顿（Geoffrey Hinton）分别来自新泽西州的普林斯顿大学和加拿大多伦多大学，他们共同获得了1100万瑞典克朗（约合100万美元）的奖金，该奖项由位于斯德哥尔摩的皇家瑞典科学院在10月8日宣布。注意：Geoffrey Hinton的姓氏应为Hinton而非Huntington。

两者都使用来自物理的工具来提出方法以获得动力人工神经网络，它们利用仿脑分层结构来学习抽象概念。他们的发现“构成了机器学习“这有助于人类更快、更可靠地做出决策，”诺贝尔物理学委员会主席、瑞典卡罗林斯卡学院的物理学家埃伦·穆恩在宣布奖项时说。“人工神经网络已被用于推进从粒子物理到材料科学再到天体物理学等不同领域的物理研究。”

机器内存

1982年，Hopfield，具有物理学背景的理论生物学家，想出了一种网络结构描述了虚拟神经元之间的连接作为物理力量¹通过将模式存储为网络的低能量状态，系统能够在被类似事物提示时重新创建这些模式。这种机制被称为联想记忆，因为其“回忆”方式类似于大脑根据相关信息尝试记住一个单词或概念的方式。

赫顿是一位计算机科学家，他运用统计物理学中的原理（这些原理总体上描述了那些无法单独追踪其各个部分的系统）进一步发展了“霍普菲尔德网络”。通过在网络的分层版本中构建概率模型，他创造了一种能够识别和分类图像或生成与其训练类型相匹配的新示例的工具。².

计算机科学：学习机器

这些过程与早期的计算方式不同，因为网络能够从示例中学习，包括从复杂数据中学习。这对于依赖于逐步计算的传统软件来说是具有挑战性的。

赫顿说，“这些网络是极度理想化的模型，与真正的生物神经网络相差甚远，就像苹果和行星之间的差别一样。”写于自然 神经科学在2000年但它们证明是有用的，并被广泛建立在基础上。模仿人类学习的神经网络构成了许多最先进的AI工具的基础，从大型语言模型到能够分析大量数据的机器学习算法，包括蛋白质结构预测模型AlphaFold.

在电话中得知自己获得诺贝尔奖时，辛顿说这是“晴天霹雳”。他说：“我简直不敢相信，压根没想到会有这样的事发生。”他还补充道，机器学习的进步“将产生巨大影响，其影响力可与工业革命相媲美。但与工业革命时代机器超越人类的体力不同，这次将是智力上的超越”。

近年来，辛顿成为呼吁为人工智能设置保障措施的最响亮声音之一。他说，去年他确信数字计算已经超过了人脑，这得益于其可以从算法的多个副本中并行地分享学习成果。“这让我不禁想到这些系统将会比预期更快地变得比我们更聪明，”他在5月31日通过视频连线参加瑞士日内瓦举行的人工智能造福人类全球峰会时说道。“在此之前，我花了50年的时间认为只要能让它更像人脑，它就会更好。”

受物理原理启发

赫顿还于2018年获得了A.M.图灵奖——有时被称为“计算机科学界的诺贝尔奖”霍普费尔德也获得了多个其他著名的物理奖项，包括2001年的奖项狄拉克奖章.

卡尔斯鲁厄电子同步加速器（DESY）的物理学家卡尔·詹森表示：“霍普菲尔德的动力实际上源于物理学，他发明了这个物理模型来理解物质的某些相态”，并称这项工作是“开创性的”。经过几十年的发展，神经网络已成为分析物理实验数据以及理解霍普菲尔德试图研究的那种相变类型的重要工具，詹森补充道。

如何获得诺贝尔奖：什么样的科学家能摘得奖项？

洛肯卡·兹德博罗娃，苏黎世联邦理工学院（洛桑分校）计算统计物理学专家，表示她很高兴诺贝尔委员会承认了物理学思想对于理解复杂系统的重要性。她说：“这是一个非常普遍的概念，无论是分子还是社会中的个人。”

在过去五年中，阿贝尔奖以及菲尔兹奖也庆祝了数学、物理和计算机科学之间的交叉 fertilization（注：此处的fertilization直译为“受精”，在学术交流语境中通常保留原词或翻译为“交流”、“融合”，因此完整表达可为“数学、物理和计算机科学之间的交叉受精”或者“数学、物理和计算机科学之间的交叉融合”。若需严格按原文词汇处理，则保留"fertilization"。），特别是对统计物理学的贡献。

Yoshua Bengio，这位与Hinton和另一位神经网络先驱Yann LeCun共同获得2018年图灵奖的计算机科学家说，“Hopfield 和 Hinton 都将物理学中极其重要的概念带入了人工智能领域。”Hinton 的开创性工作和感染力十足的热情使他成为 Bengio 和其他早期支持者心目中的伟大榜样。“当我还是一个大学生时，这对我产生了巨大的启发作用，”Bengio 说道，他是位于加拿大蒙特利尔的魁北克人工智能研究所 Mila 的科学总监。据 Bengio 称，在几十年里，许多计算机科学家都把神经网络研究视为徒劳无功的，但在2012年发生了一个转折点，当时 Hinton 及其团队使用这项技术赢得了重要的图像识别竞赛。

脑模型的好处

生物学也受益于这些人工大脑模型。特隆heim科技大学的神经科学家May-Britt Moser是一位诺贝尔奖得主，2014年诺贝尔生理学或医学奖她说当她看到今年的诺贝尔物理学奖得主宣布时，“非常高兴”。霍普菲尔德的网络模型对神经科学家来说很有用，可以用来研究神经元在记忆和导航中的合作方式。她补充说，他的模型将记忆描述为表面的低点，帮助研究人员可视化某些想法或焦虑如何在大脑中固定并被检索。“我喜欢把这个模型作为比喻来与陷入困境的人交谈。”

改变科学的十个计算机代码

莫泽说，如今神经科学依赖于霍普菲尔德和辛顿的工作所发展出来的网络理论和机器学习工具，来同时理解和处理数千个细胞的数据。“这就像一种燃料，让我们能够理解那些在我们刚开始从事这一领域研究时甚至无法想象的事情。”

麻萨诸塞州沃尔瑟姆布兰迪斯大学的神经科学家伊芙·马德说：“机器学习工具在数据分析和我们可能理解大脑回路如何计算方面产生了难以估量的影响。”“但这些影响被机器学习和人工智能对我们日常生活各个方面产生的众多影响所掩盖。”