2024 年 10 月 8 日，瑞典皇家科學院宣佈，將 2024 年諾貝爾物理學獎授予美國普林斯頓大學教授 約翰·J·霍普菲爾德（John J. Hopfield ）和加拿大多倫多大學教授傑弗里·E·辛頓（ Geoffrey E. Hinton），以表彰他們在人工神經網路機器學習方面的基礎性發現和發明。
這兩位科學家的工作為當今強大的機器學習技術奠定了基礎。Hopfield 創造了一種能夠儲存和重建資訊的結構，而 Hinton 發明了一種可以獨立發現資料中規律的方法，這種方法對現在使用的大型人工智慧系統至關重要。
機器學習：電腦的自主學習之旅
Hopfield 和 Hinton 的開創性工作為一個更廣泛的領域“機器學習”奠定了基礎。機器學習是人工智慧的核心，它的目標是讓電腦能夠從資料中學習並完成任務，而不需要完成任何指令都需要首先進行複雜而脆弱的程式，這種方法與傳統上基於程式的電腦工作模式有著本質的區別。
傳統的電腦程式就像一個精確的食譜：程式設計師需要詳細列出每一個步驟，電腦才能完成任務。而機器學習更像是教一個孩子烹飪：你給他們看許多例子，讓他們自己總結規律。這種方法使得電腦能夠處理那些難以用固定規則描述的複雜任務，如圖像識別或語音理解。
在機器學習的過程中，電腦首先接收大量的資料作為學習材料。例如，如果我們要訓練一個識別貓的系統，我們需要收集大量貓和非貓的圖片。然後，我們選擇一個適合的學習模型，比如後文中會介紹的 Hopfield 的聯想記憶網路或 Hinton 的玻爾茲曼機。
接下來，模型會反覆查看這些資料，不斷調整自己的參數，直到它能夠準確地完成任務。這一過程就像學生通過反覆練習來提高自己的能力。機器學習的強大之處在於，一旦訓練完成，它就能處理各種各樣的新情況。
例如，一個經過訓練的圖像識別系統不僅能識別訓練資料中的貓，還能識別它從未見過的貓的圖片。這種泛化能力使得機器學習在處理複雜、多變的現實世界問題時特別有用。
Hopfield 和 Hinton 的工作為設計更有效的學習演算法和模型結構提供了理論基礎，極大地推動了機器學習的發展。他們的貢獻使得今天的人工智慧系統能夠執行從語言翻譯到醫學診斷等各種複雜任務，讓強大而多樣的人工智慧技術在從科學研究到日常生活的方方面面中發揮作用。
從大腦到電腦：人工神經網路的誕生
剛才我們講解了機器學習的籠統思想，然而要理解這項發現的重要性，我們還需要再瞭解以下人工神經網路的基本概念。
想像一下，我們的大腦是由數十億個神經細胞（又稱神經元）組成的複雜網路。這些神經元通過被稱為突觸的連接相互通訊。當我們學習新知識時，某些神經元之間的連接會變強，而其他連接可能變弱。
科學家們受到這種結構的啟發，創造了人工神經網路。在這種網路中，電腦程式模仿了大腦的結構。它由許多相互連接的“節點”（模仿神經元）組成，這些節點之間的連接強度可以調整（模仿突觸）。
這種結構允許電腦通過例子來學習，而不是按照預設的指令運行。
兩位科學家的關鍵貢獻
John Hopfield 在 1982 年提出了一種新型的人工神經網路，現在被稱為“Hopfield 網路”。該網路的特別之處在於它能夠儲存和重建資訊模式，類似於人類的聯想記憶。
想像你在試圖回憶一個不常用的單詞，你可能會先想到一些相似的詞，再最終找到正確的那個。Hopfield 網路的工作方式與此類似，當給予網路一個不完整或輕微扭曲的資訊時，它能夠找到最相似的儲存資訊。
這種能力使得 Hopfield 網路可以用於修復損壞的資料，比如去除圖片中的噪點。Geoffrey Hinton 則在 1985 年提出了一種稱為“玻爾茲曼機”的新型網路。這個網路的獨特之處在於它能夠自主學習資料中的特徵，而無需人為指定這些特徵。
這一點類似於嬰兒學習識別貓和狗的過程——他們不需要詳細的解釋，只需要看到足夠多的例子就能自己總結出區別。玻爾茲曼機的這種能力使得機器能夠處理更複雜的任務。
例如，它可以學習識別手寫數字，即使每個人的書寫風格都千人千面。更重要的是，Hinton 的工作為後來深度學習技術的發展奠定了基礎。深度學習是當今許多人工智慧依據的核心技術。
從理論到實踐：人工智慧的現在和未來
Hopfield 和 Hinton 的工作為後來的機器學習革命奠定了基礎。今天，基於他們理論所發展的技術已經在我們的日常生活中無處不在。當你使用手機進行人臉解鎖、向虛擬助手提問或者使用線上翻譯工具時，都在間接使用這些技術。
「今年的兩位諾貝爾物理學獎獲得者利用物理學工具開發了當今強大機器學習的基礎方法。基於人工神經網路的機器學習目前正在徹底改變科學、工程和日常生活，例如開發具有特定屬性的新材料。」諾貝爾物理學獎委員會在一份聲明中表示。
今年的獲獎者之一辛頓（ Geoffrey E. Hinton）有「人工智慧教父」之稱，他也是2018年圖靈獎得主，在神經網路方面的開創性工作塑造了為當今許多產品提供動力的人工智慧系統。他曾就職於Google。在過去的十多年幫助Google開發AI技術。
諾貝爾物理學獎頒給電腦科學家實屬罕見。一位電腦科學家表示：「從傳統視角來看，電腦科學和物理學確實不同，但如果設想未來人工智慧進一步發展將可能成為包括物理學研究在內的科學研究關鍵工具，甚至人工智慧也許會位列科學新發現的主要貢獻者，這次授獎在幾十年後回頭看也許有著更深遠的意義。」
他進一步分析稱，兩位獲獎者都是AI領域的大家，霍普菲爾德是物理學家，他發明了一種能夠保存和重新建立模式的網路，他的工作啟發了RNN（循環神經網路），包括再後來發展起來的LSTM（長短記憶網路）和Transformer；辛頓對這一輪AI發展的貢獻更大，包括rbm（受限玻爾茲曼機），他的反向傳播演算法和深度學習今天仍在使用。
「這麼來看，物理學界可能希望強調物理學對AI的影響和貢獻。AI是人類科技進步的里程碑，一定會深刻改變科學研究的範式，有可能會開啟科學進步發展的一個黃金時代，全人類都將是受益者。」
在科學研究中，這些技術也發揮著越來越重要的作用。例如，它們被用於分析天文資料以發現新的行星，預測蛋白質的結構以幫助開發新藥，甚至幫助物理學家處理大型強子對撞機產生的大量資料。
然而，隨著人工智慧技術的快速發展，我們也面臨著新的挑戰。例如，如何確保這些技術被負責任地使用，如何保護個人隱私，以及如何應對可能的就業變化等。這些問題需要科學家、政策制定者和整個社會共同思考和解決。
2024 年諾貝爾物理學獎揭曉以後，一些人認為這一獲獎成果「不夠物理」。其實，換個角度想，這不僅是對 Hopfield 和 Hinton 個人成就的肯定，更是對物理學在推動人工智慧發展中所起作用的認可。
隨著人工智慧技術繼續發展，我們可以期待它在科學研究、工程應用和日常生活中帶來更多突破，同時也要不斷提醒自己，更加謹慎、合理地應用它去塑造未來。
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！