解读：物理诺贝尔奖为何颁给了HNN之父和深度学习之父？

就在刚刚，瑞典皇家科学院决定将 2024 年诺贝尔物理学奖授予约翰·J·霍普菲尔德 (John J. Hopfield) 和杰弗里·E·辛顿 (Geoffrey E. Hinton)，“表彰他们通过人工神经网络实现机器学习的基础性发现和发明”。

Geoffrey Hinton 出生于1947 年12 月 6 日，英裔加拿大籍心理学家、计算机学家。1986年，他曾与 David Rumelhart 和 Ronald J. Williams 共同发表的论文 Learning representations by back-propagating errors ，被引用了 39626 次，该论文推广了用于训练多层神经网络的反向传播算法。除此之外，他还发明了波尔兹曼机（Boltzmann Machine）和受限波尔兹曼机（Restricted Boltzmann Machine），这些模型对深度学习的发展起到了重要的作用。Geoffrey Hinton 也因此被视为深度学习领域的领军人物。目前，Hinton在谷歌担任高级工程师，并参与领导“谷歌大脑”项目。

与他一同获奖的美国物理学家 John Hopfield 出生于 1933 年 7 月 15 日，是加州理工学院计算与神经系统博士项目的创始人之一。值得一提的是，Hopfield 的研究领域跨度很大，包括物理学、分子生物学和神经科学。1982年，他提出了霍普菲尔德网络（Hopfield Network），这是一种联想记忆模型，能够存储和重建模式，并且能够利用能量函数来描述神经网络的状态空间，为后来的深度学习和机器学习奠定了基础。

Hopfield的学术生涯也是相当精彩，1973年当选为美国国家科学院院士，1975年当选为美国艺术与科学院院士，1988年当选为美国哲学会会员，2001年因在将生物学理解为物理过程方面做出的跨学科贡献而被授予 ICTP狄拉克奖章。而他目前的研究和最近的论文则是主要集中在动作电位计时和同步在神经生物学计算中的使用方式。

网友热议

诺奖官方一条简短的推文，直接让推特炸开了锅。

得奖者Geoffrey Hinton表示，这也太突然了。

剑桥大学火速转发了官方推文，祝贺校友 Geoffrey Hinton 荣获诺贝尔物理学奖。

多伦多大学校长梅里克·格特勒 (Meric Gertler)表示：“我代表多伦多大学，非常高兴地祝贺大学名誉教授杰弗里·辛顿 (Geoffrey Hinton) 获得 2024 年诺贝尔物理学奖。” “多伦多大学社区对他的历史性成就感到非常自豪。”

推特网友也纷纷发来贺电，恭喜 Geoffrey Hinton 和 John Hopfield 拿下诺贝尔奖。

即使是人工智能的批评者也放下了成见，为人工智能拿到的这一份特殊荣誉骄傲。

不过拿奖归拿奖，更多的网友都在祝贺的同时一脸懵，人工智能的成就怎么拿了物理学奖呢？

诺奖官方是这样解释的：

今年物理学奖得主的突破建立在物理科学的基础上。他们为我们展示了一种全新的方式来使用计算机来帮助和指导我们解决许多问题

我们的社会面临的挑战。

感谢他们的工作，人类的工具箱中现在有了一个新项目，我们可以选择将其用于良好的目的。基于人工神经网络的机器学习目前正在彻底改变科学、工程和日常生活。

该领域已经在建设可持续社会方面取得突破，例如识别新的功能材料。未来如何使用人工神经网络的深度学习取决于我们人类如何选择使用这些已经存在于我们生活的许多方面的极其强大的工具。

官方还做了一个更简单易懂的解释，人工智能神经网络一开始就是为了模仿大脑而设计的。

斯坦福的应用物理学教授表示，人工智能的很多重要基础都依赖于物理学，拿奖理所当然，而且理解和改进人工智能已经成了物理学的新的前沿课题了！

另一位物理学教授也给出了自己的看法，机器学习在粒子物理学的数据分析中可是不可或缺的关键技术，能拿诺贝尔奖当之无愧。

另一位量子学副教授也解释说，Hopefield 网络、基于能量的模型、RBM 是物理学和机器学习之间最自然的联系之一，能看到看到诺贝尔物理学奖高度认可这一点既意外又开心。

也有网友调侃道，别管人工智能要不要解决物理问题了，人工智能现在可是真正的“物理学”了。

还有网友开玩笑，人工智能拿物理奖，我们不会真的活在虚拟现实里吧？

也有网友吐槽，这不就是图灵奖的定位吗？毕竟图灵奖一直被业界称为“计算机界的诺贝尔奖”。

另一位网友表示，要不然干脆设立一个诺贝尔计算机奖吧？

雷峰网解读：物理诺贝尔奖为何颁给了人工神经网络？

今年的诺贝尔物理奖的评选，可谓“冷门”。因为通常人们认为物理学奖应该授予那些在传统物理学领域做出重大发现的科学家，然而，这一决定恰恰强调了物理学与人工神经网络之间的紧密联系，以及物理学在推动神经网络研究中所发挥的关键作用。

以下则是瑞典皇家科学园新闻稿给出的两位获奖者获奖原因的解释（原文见：https://www.nobelprize.org/prizes/physics/2024/press-release/）：

约翰·霍普菲尔德发明了一种网络，它使用一种保存和重新创建模式的方法。我们可以将节点想象成像素。霍普菲尔德网络利用物理学来描述材料由于原子自旋而产生的特性——这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，并通过寻找节点之间连接的值来进行训练，以便保存的图像具有较低的能量。当霍普菲尔德网络被输入扭曲或不完整的图像时，它会有条不紊地处理节点并更新它们的值，从而降低网络的能量。因此，网络逐步找到与输入的不完美图像最相似的保存图像。

杰弗里·辛顿 (Geoffrey Hinton)以霍普菲尔德网络为基础，创建了一个采用不同方法的新网络：玻尔兹曼机。它可以学习识别给定类型数据中的特征元素。辛顿使用了统计物理学的工具，统计物理学是一门由许多相似组件构建的系统科学。通过输入机器运行时很可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类，或创建训练模式类型的新示例。辛顿在此基础上继续发展，帮助开启了机器学习的爆炸式发展。

John Hopfield最初是一位物理学家，他的研究领域包括量子统计力学和凝聚态物理。后来，他将研究兴趣扩展到了生物物理学，探索生物系统中的物理过程。Hopfield在1982年提出了著名的Hopfield网络，这是一种能够进行联想记忆的神经网络模型，这一发现标志着物理学思想在神经网络研究中的首次重大突破。此后，物理学家在神经网络和神经动力学的研究中发挥了重要作用，他们的工作不仅推动了理论的发展，也为实际应用提供了理论基础。

2001年，Hopfield因其在生物学作为物理过程理解方面的跨学科贡献而获得了的国际理论物理中心狄拉克奖章。他的工作涵盖了生物分子合成中的校对过程、神经网络中吸引子的集体动力学和计算，为打通物理学和人工神经网络的基础研究指明了方向。

2021年，诺贝尔物理学奖颁发给了三位在复杂系统领域做出杰出贡献的科学家，其中包括乔治·帕里西（George Parisi）。帕里西在无序系统方面的研究，特别是他提出的复本对称破缺方法解决自旋玻璃问题，对神经网络等交叉学科产生了深远影响。这一事件表明，物理学奖已经开始认可那些在物理学与其他学科交叉领域做出重大贡献的科学家。

而Geoffrey Hinton也与诺贝尔物理奖颇有渊源，2013年，Hinton的博士同门学长Peter Higgs就获得了当年的诺贝尔物理学奖。

神经网络的研究不仅仅局限于生物学和计算机科学，它还包含了许多物理学的核心思想，如梯度下降、伊辛模型等。这些物理概念不仅为神经网络的理论提供了基础，也为算法的优化和应用提供了工具。

由此可见，物理学和人工神经网络之间的联系是紧密而深刻的。Hopfield的工作是从0到1的开创性贡献，而Hinton则在此基础上进行了发扬光大。两位学者的共同获奖，不仅是对他们个人成就的认可，也是对物理学在神经网络领域所发挥的重要作用的肯定。这一决定强调了跨学科研究的重要性，以及物理学在推动现代科技发展中的核心作用。雷峰网(公众号：雷峰网)

雷峰网版权文章，未经授权禁止转载。详情见转载须知。