人工智能获诺贝尔物理学奖？这合理吗？

2024 年 10 月 8 日，瑞典皇家科学院宣布，将 2024 年诺贝尔物理学奖授予美国普林斯顿大学教授 约翰·J·霍普菲尔德（John J. Hopfield ）和加拿大多伦多大学教授杰弗里·E·辛顿（ Geoffrey E. Hinton），以表彰他们“在人工神经网络机器学习方面的基础性发现和发明”。

这两位科学家的工作为当今强大的机器学习技术奠定了基础。Hopfield 创造了一种能够存储和重建信息的结构，而 Hinton 发明了一种可以独立发现数据中规律的方法，这种方法对现在使用的大型人工智能系统至关重要。

两位获奖人肖像（图片来源：诺贝尔奖委员会官网）

机器学习：

计算机的自主学习之旅

Hopfield 和 Hinton 的开创性工作为一个更广泛的领域“机器学习”奠定了基础。

机器学习是人工智能的核心，它的目标是让计算机能够从数据中学习并完成任务，而不需要完成任何指令都需要首先进行复杂而脆弱的编程，这种方法与传统上基于编程的计算机工作模式有着本质的区别。

接下来，模型会反复查看这些数据，不断调整自己的参数，直到它能够准确地完成任务。这一过程就像学生通过反复练习来提高自己的能力。

Hopfield 和 Hinton 的工作为设计更有效的学习算法和模型结构提供了理论基础，极大地推动了机器学习的发展。他们的贡献使得今天的人工智能系统能够执行从语言翻译到医学诊断等各种复杂任务，让强大而多样的人工智能技术在从科学研究到日常生活的方方面面中发挥作用。

从大脑到计算机：

人工神经网络的诞生

刚才我们讲解了机器学习的笼统思想，然而要理解这项发现的重要性，我们还需要再了解以下人工神经网络的基本概念。

想象一下，我们的大脑是由数十亿个神经细胞（又称神经元）组成的复杂网络。这些神经元通过被称为突触的连接相互通信。当我们学习新知识时，某些神经元之间的连接会变强，而其他连接可能变弱。

科学家们受到这种结构的启发，创造了人工神经网络。

在这种网络中，计算机程序模仿了大脑的结构。它由许多相互连接的“节点”（模仿神经元）组成，这些节点之间的连接强度可以调整（模仿突触）。这种结构允许计算机通过例子来学习，而不是按照预设的指令运行。

神经网络艺术插画（图片来源：诺贝尔奖委员会官网）

两位科学家的关键贡献

John Hopfield 在 1982 年提出了一种新型的人工神经网络，现在被称为“Hopfield 网络”。该网络的特别之处在于它能够存储和重建信息模式，类似于人类的联想记忆。

想象你在试图回忆一个不常用的单词，你可能会先想到一些相似的词，再最终找到正确的那个。Hopfield 网络的工作方式与此类似，当给予网络一个不完整或轻微扭曲的信息时，它能够找到最相似的存储信息。这种能力使得 Hopfield 网络可以用于修复损坏的数据，比如去除图片中的噪点。

从理论到实践：

人工智能的现在和未来

Hopfield 和 Hinton 的工作为后来的机器学习革命奠定了基础。今天，基于他们理论所发展的技术已经在我们的日常生活中无处不在。当你使用手机进行人脸解锁、向虚拟助手提问或者使用在线翻译工具时，都在间接使用这些技术。

在科学研究中，这些技术也发挥着越来越重要的作用。例如，它们被用于分析天文数据以发现新的行星，预测蛋白质的结构以帮助开发新药，甚至帮助物理学家处理大型强子对撞机产生的海量数据。

然而，随着人工智能技术的快速发展，我们也面临着新的挑战。例如，如何确保这些技术被负责任地使用，如何保护个人隐私，以及如何应对可能的就业变化等。这些问题需要科学家、政策制定者和整个社会共同思考和解决。

2024 年诺贝尔物理学奖揭晓以后，一些人认为这一获奖成果“不够物理”。其实，换个角度想，这不仅是对 Hopfield 和 Hinton 个人成就的肯定，更是对物理学在推动人工智能发展中所起作用的认可。随着人工智能技术继续发展，我们可以期待它在科学研究、工程应用和日常生活中带来更多突破，同时也要不断提醒自己，更加谨慎、合理地应用它去塑造未来。

来源：科普中国

▼▼▼