2024年度的诺贝尔物理学奖正式揭晓。

瑞典皇家科学院宣布，2024年诺贝尔物理学奖授予两位科学家：美国和加拿大科学家John J. Hopfield、Geoffrey E. Hinton，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”。

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”。

计算机学家为何会获得物理学奖？机器学习背后又有哪些物理奥秘？让我们一同跟随下文，共同来了解一下物理学与机器学习背后的奥秘吧。

人工神经网络，作为现代科技的杰出代表，其灵感源自人类大脑这一神秘而精妙的器官。大脑中数十亿个神经元通过突触相互连接，构建起了一个高度复杂且高效的信息处理系统。人工神经网络巧妙地模仿了这一结构，由众多的 “节点” 通过 “连接” 组成。每个节点仿若一个微小的神经元，能够存储信息；连接的强弱则类似于突触的作用，决定了信息传递的效果与效率。这种基于生物学原理的模仿，为机器学习的发展奠定了坚实的基础，开启了机器向人类智慧学习的征程。

图源：网络

人工神经网络由成千上万的人工神经元组成，负责计算“输入数据”并将计算结果作为“输出数据”进行传递。

1982年，霍普菲尔德提出了具有革命性意义的 “霍普菲尔德网络”。他的灵感源于物理学中对磁性材料的研究理论，创新性地将网络的状态类比为一个 “能量景观”。在这独特的景观中，每个存储的模式仿若一个深邃的山谷。当网络接收到新的输入时，就如同在景观中滚动一个小球，最终小球会稳定地停在最接近的山谷，即找到了与输入最相似的存储模式。这种巧妙的设计使得该网络在处理有噪声或部分缺失的数据时表现出了卓越的性能，无论是恢复受损的图像，还是准确识别手写字符，都能轻松应对，为信息处理领域带来了全新的解决方案和思路。

     图源：Johan Jarnestad/瑞典皇家科学院

辛顿在机器学习的探索道路上更进一步，致力于让机器实现如同人类一般的自主学习和分类信息。1985年，他和同事共同提出了 “玻尔兹曼机”，其命名源于19世纪物理学家路德维希・玻尔兹曼的方程。这一机器通常由两层节点构成，可见层负责输入和输出信息，而隐藏层则在整个网络的功能中发挥着关键作用。这种独特的结构赋予了玻尔兹曼机强大的能力，它不仅能够准确识别已知模式，还能生成新的、与已知模式相似的模式。

例如，在经过大量猫的图片学习后，它可以生成一张全新的、具有猫的特征的图像，展现出了令人惊叹的创造力。更为重要的是，玻尔兹曼机能够通过实例进行自主学习，无需明确的指令引导。当给予它足够多的猫和狗的图片样本时，它能够自行学会区分这两类动物，甚至对于从未见过的新图片也能进行准确识别，这一突破为机器学习的自主发展开辟了崭新的天地。

图源：网络

霍普菲尔德和辛顿的工作为机器学习奠定了坚实的理论基础，而真正的变革在2010年左右开始蓬勃兴起。随着海量数据的不断涌现以及计算能力的飞速提升，如今的人工神经网络已经发展成为拥有数十亿甚至上万亿参数的 “深度神经网络”。这些强大的网络在各个领域得到了广泛的应用，展现出了巨大的影响力。在语言翻译领域，它们实现了精准流畅的多语言转换；在图像识别领域，能够快速准确地识别各种物体和场景；在推荐系统中，为用户提供个性化的精准推荐；在科学研究方面，更是成为了物理学家探寻希格斯粒子、天文学家发现系外行星的有力助手，甚至在预测蛋白质结构和设计新材料等前沿科学领域也发挥着不可或缺的作用，深刻地改变了我们的生活和科学研究的模式。

2024年的诺贝尔物理学奖，不仅是对霍普菲尔德和辛顿个人杰出成就的高度认可，更是对跨学科研究重要性的有力彰显。他们的工作证明了，当物理学的深刻洞察与计算机科学的创新思维相互交融时，能够孕育出如此令人惊叹的成果，为未来的科学研究指明了新的方向，激励着更多的科学家在跨学科的道路上不断探索，勇攀科技高峰，共同推动人类社会的进步与发展。

物理学作为基础学科，很容易被应用并和其他学科碰撞出火花。基于“人工神经网络”“机器学习”的脑科学研究熠熠生辉。比如近年来火热的脑机接口神经调控技术，越来越多地应用到生活场景中，为人类健康发挥重要力量。

让我们共同期待，在这两位科学巨匠的引领和激励下，机器学习领域能够继续绽放出更加耀眼的光芒，为人类创造更加美好的未来。

约翰·霍普菲尔德（John Hopfield）

个人信息：

1933年7月15日出生于美国伊利诺伊州芝加哥市。康奈尔大学物理学博士，生物物理学家、神经科学家、计算机科学家，美国国家科学院院士，普林斯顿大学教授，2024年诺贝尔物理学奖获得者。 

教育经历：

1954年毕业于斯沃斯莫尔学院，获得物理学学士学位；1957年毕业于康奈尔大学，获得物理学博士学位。1958年成为贝尔实验室的技术人员，之后曾在巴黎高等师范学院、加州大学伯克利分校、加州理工学院等机构任职，1997年任普林斯顿大学分子生物学教授。 

主要贡献：     

1974年证明了基因表达的高精确度可以用称为“动力学校对”的偶联化学反应来解释，这是遗传学领域的重大贡献。     

1982年创建了霍普菲尔德神经网络。该神经网络模型解释了神经元系统如何相互作用以产生稳定的记忆，以及神经元系统如何应用简单的过程来根据部分信息完成整个记忆。这种神经网络记忆方法进一步鼓励新一代物理学家以全新的眼光看待其他复杂的相互作用系统，并涉足其他科学领域。    

杰弗里·辛顿（Geoffrey Hinton）

个人信息：

1947年12月6日出生于英国温布尔登，拥有英国和加拿大双重国籍，著名认知心理学家和计算机科学家，加拿大多伦多大学教授，2024年诺贝尔物理学奖获得者。 

教育经历：1970年在剑桥大学获得实验心理学学士学位，1978年在爱丁堡大学获得人工智能博士学位。曾在萨塞克斯大学和加州大学圣地亚哥分校从事博士后研究，在卡内基梅隆大学计算机科学系担任过教职，后来成为加拿大高级研究院的研究员，并转到多伦多大学计算机科学系。

主要贡献：     

在反向传播、玻尔兹曼机、分布式表示和延时神经网络等领域有新颖见解和关键发现，为人工智能研究做出了重大贡献。1986年，他和合作者发表了推广“反向传播”算法的论文，该算法使得包含中间“隐藏”神经元的网络能够在输入层和输出层之间有效学习，支撑着几乎所有的神经网络。     

2012年，他和他的两名研究生开发了一个八层神经网络程序“AlexNet”，用于识别图像，其表现比当时下一个最准确的程序高出 40%以上。