作家 | 李水青 程茜裁剪 | 漠影

智东西10月8日音讯，当天，瑞典皇家科学院秘书，将2024年诺贝尔物理学奖授予约翰·霍普菲尔德（John J. Hopfield）和杰弗里·辛顿（Geoffrey E. Hinton），以奖赏他们激动运用东说念主工神经集聚进行机器学习的基础性发现和发明。

▲瑞典皇家科学院公告截图

其中，出身于1933年、现年91岁的Hopfield是好意思国闻明的物理学家、生物学家和神经科学家。他发明了一种具有梦想操心功能的神经集聚模子，不错存储和重建图像过火他类型的数据，对东说念主工智能和神经集聚发展具有奠基作用。

▲约翰·霍普菲尔德（John J. Hopfield）

出身于1947年、现年77岁的Hinton是图灵奖得主、“深度学习之父”，他在Hopfield有计划基础上，发明了一种不错自主查找数据属性的要道，从而奉行识别图片中特定元素等任务。他凭借玻尔兹曼机以及反向传播算法、散布式暗示等有计划被业内誉为“AI前驱”。

▲杰弗里·辛顿（Geoffrey E. Hinton）

Hinton当天在诺贝尔物理学奖颁布时线上继承媒体采访，被问及现在的感受时说：“我大吃一惊，不知说念会发生这种事。”

▲Hinton在诺贝尔物理学奖颁布时线上继承媒体采访

“获奖者的使命一经产生了深广的效益。在物理学领域，咱们将东说念主工神经集聚应用于往常的领域，举例成就具有特定属性的新材料等。”诺贝尔物理学奖委员会主席Ellen Moons说。

一、John J. Hopfield：用物理学检修东说念主工神经集聚，42年前论文为AI奠基

左证瑞典皇家科学院公告，Hopfield的主要孝顺如下：

“John J. Hopfield发明了一种使用保存和重现模式要道的集聚——霍普菲尔德集聚（Hopfield Network）。

咱们不错将节点假想成像素。霍普菲尔德集聚运用物理学来描摹材料由于原子自旋而产生的特色，这种特色使每个原子王人成为一个狭窄的磁铁。通盘集聚的描摹表情特殊于物理学中自旋系统的能量，并通过寻找节点之间勾通的值来进行检修，以便保存的图像具有较低的能量。

当霍普菲尔德集聚被输入诬蔑或不完整的图像时，它会环环相扣地处罚节点并更新它们的值，从而镌汰集聚的能量。

因此，集聚逐渐找到与输入的不完整图像最相似的保存图像。”

出身于1933年、现年91岁的Hopfield是好意思国闻明的物理学家、生物学家和神经科学家，1958年得到好意思国纽约州伊萨卡康奈尔大学博士学位，现任好意思国新泽西州普林斯顿大学素质。

他曾在贝尔实验室作念落伍候东说念主员，1982年发表了 “Neural networks and physical systems with emergent collective computational abilities”（《具有裸露集体计较能力的神经集聚和物理系统》）论文，是他被援用次数最多的论文，1986年参与创立了加州理工学院的计较与神经系统博士形态。

Hopfield建议的霍普菲尔德集聚是一种具有梦想操心功能的神经集聚模子，在那时使得碰到质疑而堕入停滞的神经集聚再行成为AI紧迫有计划标的，为后续神经集聚的闹热发展奠基。

二、Geoffrey E. Hinton：“深度学习之父”，将深度学习推向主流

左证瑞典皇家科学院公告，Hinton的主要孝顺如下：

“Hinton以霍普菲尔德集聚为基础，发明了一个继承不同要道的新集聚：玻尔兹曼机（the Boltzmann machine）。

它是一种基于统计物理学的集聚，不错学习识别给定类型数据中的特征元素。

Hinton使用了统计物理学的器用，通过输入机器运行时很可能出现的示例来检修机器。玻尔兹曼机可用于对图像进行分类，或创建检修模式类型的新示例。Hinton在此基础上无间发展，匡助开启了机器学习的爆炸式发展。”

出身于1947年、现年77岁的AI前驱Hinton是一位英裔计较机科学家，1978年在英国爱丁堡大学得到博士学位，现任加拿大多伦多大学素质。

2012年，Hinton和解其学生构建了一个神经集聚，不错分析数千张相片，并自学识别花、狗和汽车等常见物体。Hinton与学生研发的神经集聚在曩昔ImageNet大范围视觉识别挑战赛中以深广上风夺冠，从而将深度学习推向主流。

2018年，Hinton与Yoshua Bengio（约书亚·本吉奥）和Yann LeCun（杨立昆）一齐得到了2018年图灵奖，自此，他们三东说念主时常被合称为“深度学习之父”。

▲三东说念主并称“深度学习之父”

Hinton当下相称柔软AI改日的深广不笃定性，并强调负连累监管AI的紧迫性。他在谷歌使命了十年，由于惦记AI的风险而于昨年5月辞职，辞去谷歌副总裁和工程有计划员职务。

三、交融物理学配景，为机器学习翻新奠定基础

Hopfield和Hinton从1980年代运转的使命，为2010年控制运转的机器学习翻新奠定了基础。

1982年，Hopfield发明了梦想操心，这访佛于东说念主们在相似单词中搜索不常使用单词的流程。他构建的集聚不错基于存储信息再行创建模式，当为集聚提供的是不完整或稍微诬蔑的模式时，这一集聚不错找到最相似的存储模式。

那时，Hopfield运用了他的物理学配景来探索分子生物学的表面问题，在南加州帕萨迪纳加州理工学院，他找到了构建具有很多小组件协同使命系统的灵感。受益于了解磁性材料的物理学旨趣，他大约使用描摹自旋互相影响时材料的物理学特色，来构建具有节点和勾通的示例集聚。

他构建的集聚具有以不同强度勾通在一齐的节点，每个节点王人不错存储一个单独的值，在第一项使命中该值不错是0或1，就像口舌图片中的像素相通。这一要道很独特，其集聚不错同期保存多张图片况且进行永别。

同期，如下图所示，霍普菲尔德集聚可用于再行创建包含噪声或已部分擦除的数据。

这之后，Hopfield和其他东说念主无间成就这一集聚若何运作的关系细节，包括不错存储任何值的节点不单是是0或1。

但存储图像是一趟事，想要解说它所姿首的实践是另一趟事。

Hinton在好意思国匹兹堡卡内基梅隆大学使命时，就和共事一齐运用统计物理学的想想对霍普菲尔德集聚进行扩张，并构建新的东西。

1990年代，很多有计划东说念主员对东说念主工神经集聚失去了意思，但Hinton仍莫得毁灭，并开启了这一有计划领域的新一轮爆发式增长。2006年，他和共事成就了一种预检修集聚的要道，该要道将一系列玻尔兹曼机分层，一个在另一个上头。这种预检修持汇集合的勾通提供了一个更好的起初，从而优化了其检修以识别图片中的元素。

Hopfield和Hinton成就的始创性要道和见解是有助于塑造东说念主工神经集聚领域。此外，Hinton在这项使命中发达了主导作用将要道扩张到深度和密集的ANN。

当下机器学习的发展是基于无数数据以及计较能力的深广普及而完毕的。1982年，Hopfield发布对于梦想操心的著作，就为这一发展提供了营救。他使用了具有30个节点的集聚，若是通盘节点王人互相勾通，就有435个勾通。与今天的大型说话模子进行相比，这些模子被构建为不错包含朝上1万亿个参数（100 万万个）的集聚。

很多有计划东说念主员现在正在研发机器学习的关系应用，但哪一个要道更可行还有待不雅察，同期围绕这项时候的成就和使用的说念德问题也存在往常的辩论。不外，由于物理学为机器学习的发展提供了器用，因此看到物理学行为一个有计划领域若何从东说念主工神经汇集合受益是很好奇的。

同期，机器学习始终以来一直被用于诺贝尔物理学奖中熟习的领域，包括使用机器学习来筛选和处罚发现希格斯粒子所需的无数数据、减少测量碰撞黑洞引力波的噪声、寻找系新手星等。

结语：神经集聚基础有计划，助AI爆发式发展

本年的两位诺贝尔物理学奖得主，运用物理学器用成就出的要道，为当前苍劲的机器学习奠定了基础。

他们从1980年代运转就对东说念主工神经集聚进行了紧迫的有计划。AI领域基础有计划在当下节点上得到外洋分量级的诺贝尔奖，体现了AI的深广效益和对东说念主类发展的潜入影响日益显贵。