霍普菲尔德与辛顿因神经网络奠基工作获诺贝尔物理学奖

背景

人工神经网络是一类受大脑结构启发的计算系统：由许多简单单元分层连接，单元之间带有可调整的权重，训练时通过调整权重来改进输出。长期以来，它只是人工智能众多方法中的一种。

今年这项获奖工作借用了物理学的工具，尤其是统计物理（statistical physics）。这门学科研究由大量相互作用的部分组成的系统，整体如何运作。

发生了什么

2024年10月8日，瑞典皇家科学院将 2024 年诺贝尔物理学奖授予普林斯顿大学的约翰·J·霍普菲尔德（John J. Hopfield）和多伦多大学的杰弗里·辛顿（Geoffrey Hinton）。^[1] 获奖理由的原文是「for foundational discoveries and inventions that enable machine learning with artificial neural networks」，意为「表彰使用人工神经网络实现机器学习的奠基性发现与发明」。^[1]

学院表示，两位获奖者自 20 世纪 80 年代起便从事人工神经网络研究，奠定了当今强大机器学习的基础。^[1]

关键细节

霍普菲尔德创建了一种联想记忆（associative memory）模型，即霍普菲尔德网络（Hopfield network），它能存储并重建图像等模式。联想记忆能从不完整或有噪声的线索中还原出完整模式，好比听到几个音符就想起整首歌。霍普菲尔德网络借用了描述材料中原子自旋（atomic spin，原子的微小磁取向）的物理规律，来定义网络如何稳定到已存储的模式上。^[1]

辛顿在此基础上继续发展：他以霍普菲尔德网络为基础，提出了玻尔兹曼机（Boltzmann machine）。它利用统计物理的工具，学习识别数据中具有代表性的特征。^[1]

奖金为 1100 万瑞典克朗，由两位获奖者平分。^[1]

辛顿 1947 年出生于伦敦，1978 年获得爱丁堡大学博士学位；霍普菲尔德 1933 年出生于芝加哥。^[1]

影响

这次授奖把人工神经网络的早期奠基工作放到了物理学的奖项框架之下，也提醒人们，今天的机器学习是在数十年研究积累上发展起来的。公告中的「奠基性」一词，指向的正是这些早期的模型与方法。

对普通读者来说，这两个思路可以放在一起理解：霍普菲尔德网络说明，记忆可以表现为网络的一种稳定状态；玻尔兹曼机说明，网络可以从数据中学到规律。两条思路都是通往后来深度学习的历史的一部分。