2024 诺奖传奇
AI 教父让物理 “智” 变
Legend of the Nobel Prize
2024 年 10 月，诺贝尔物理学奖的颁发震惊了世界，这一殊荣花落 AI 领域，给予了机器学习先驱们至高的认可。
此次获奖的 Hinton 和 Hopfield 完全出乎众人意料，并非事前热门预测的凝聚态或量子物理方向，而是 AI 与机器学习，尤其是神经网络领域。他们因“为利用人工神经网络进行机器学习做出的基础性发现和发明”而获此殊荣。
INTELLIGENCE
INNOVATE
DEVELOPMENT
AI
科技创新技术
他们的贡献与物理有着紧密的关联。诺贝尔奖委员会指出，他们运用物理学方法探寻信息特征，构建了为当今强大机器学习奠定基础的方法。Hopfield 提出的“Hopfield 神经网络”以类似物理学中自旋系统能量的方式进行描述，而 Hinton 提出的“玻尔兹曼机”则采用了统计物理学中的工具。
人工神经网络的重要基石之一由约翰·霍普菲尔德铸就。他出生于 1933 年，早期在物理化学和凝聚态领域深入研究，后对分子生物学产生浓厚兴趣。从 20 世纪 40 年代起，科研人员就开始探索大脑神经元和突触网络背后的数学逻辑，并尝试用计算机模拟大脑网络功能，构建人工神经网络。Hopfield 利用自身物理学背景探索分子生物学理论问题，在参加神经科学会议后，对大脑结构研究着迷，开始思考简单神经网络的动态。
1980 年，Hopfield 离开普林斯顿大学，来到加州理工学院，在这里他充分利用计算机资源，结合物理学灵感，构建了具有节点和连接的模型网络，其灵感源于磁性材料中原子自旋的特性。他构建的网络节点相互连接，用类似于物理学自旋系统能量的属性描述网络总体状态，通过调整连接强度使保存的图像获得低能量，实现了网络对图像的记忆和区分。
AI
AI
科技创新技术
The endless development of science and technology and its infinite creativity
INNOVATE
Hinton 的研究建立在 Hopfield 神经网络之上。他曾在英国和苏格兰学习实验心理学和人工智能，与同事 Terrence Sejnowski 一起，利用统计物理学思想扩展 Hopfield 网络，提出玻尔兹曼机。玻尔兹曼机可从例子中学习，通过更新网络连接中的值进行训练。虽最初版本效率较低，但 Hinton 坚持研究，最终在 2006 年开发出“深度信念网络”，为深度学习奠定基础。
Experience a super fun and immersive virtual world together
Hopfield 和 Hinton 在 80 年代的工作为 2010 年左右开始的机器学习革命奠定了坚实基础。物理学为机器学习的发展提供了工具，而机器学习也反哺物理研究，在希格斯粒子发现、引力波测量、系外行星搜寻以及计算和预测分子及材料性质等方面发挥着重要作用。
这一奖项的颁发，标志着 AI 领域在科技发展中的重要地位日益凸显，也为未来的科技创新开启了新的篇章。
AI
END
期待您与元龙科技携手共创未来
