划重点
012024年诺贝尔物理学奖授予约翰霍普菲尔德和杰弗里辛顿，以表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。
02霍普菲尔德发明了霍普菲尔德神经网络，而辛顿发明了玻尔兹曼机，为人工智能的发展奠定了基矗
03由于此，人工智能技术在科学领域的应用众多，甚至让不少研究学者找到了新的研究方法。
04诺贝尔奖的奖项包括物理学、化学、和平、生理学或医学、文学、经济学六大类，人工智能领域的学者只能跨界获得诺贝尔奖。
05专家认为，两位获奖者的研究将影响有科技竞争意识的国家，在人工智能产业上加大投资，同时也会让越来越多的人认识到人工智能的发展潜力。
以上内容由腾讯混元大模型生成，仅供参考
经济观察网 记者 钱玉娟 沈怡然 陈奇杰 当地时间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约翰霍普菲尔德（John J. Hopfield）和杰弗里辛顿（Geoffrey E. Hinton），以表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。
诺贝尔物理学委员会主席埃伦穆恩斯（Ellen Moons）在当天的新闻发布会上表示，两位获奖者利用统计物理的基本概念设计了人工神经网络，构建了机器学习的基矗相关技术已被用于推动多个领域的研究，包括粒子物理、材料科学、天体物理等，也已用于日常生活中的人脸识别和语言翻译等。
此前，物理学界预测今年诺贝尔物理学奖的热门获奖领域，包括凝聚态、超材料、分数统计、任意子等。但两位人工智能（AI）领域的研究者获得诺贝尔物理学奖，出乎很多物理学界人士的预料。辛顿在接受瑞典皇家科学院的电话采访时，也表示“没有想到（会获奖）”。
谈及他们的获奖理由，国际测试委员会创始主席、中国科学院大学岗位教授詹剑锋告诉经济观察网，两位获奖者的研究拓宽了物理学的边界，物理学界人士已经认为人工智能是自然创造事物里面的一部分，与物理世界、人类社会紧密相关。
詹剑锋说，当前人工智能技术在科学领域的应用众多，甚至让不少研究学者找到了新的研究方法，包括通过人工智能发现新的数学规律、计算方法等，例如当下火热的AI for Science（即将人工智能与科学研究深度结合）。
值得注意的是，诺贝尔奖的奖项包括物理学、化学、和平、生理学或医学、文学、经济学六大类，人工智能领域的学者只能跨界获得诺贝尔奖。
北电数智首席科学家、复旦大学特聘教授窦德景认为，霍普菲尔德和辛顿如果拿到诺贝尔生理学或医学奖，可能也是合理的获奖方式。因为使用人工神经网络的机器学习是人工智能的核心，这项技术最初的灵感来自大脑的结构。
公开资料显示，霍普菲尔德于1933年在美国伊利诺伊州芝加哥市出生，并于1958年获得美国康奈尔大学博士学位，现任美国普林斯顿大学教授。
1982年，霍普菲尔德从物理学描述磁性材料的理论中获得灵感，发明了霍普菲尔德神经网络。霍普菲尔德网络属于一种数学和计算概念，这种网络由相互连接的神经元组成，用于模仿人脑的记忆功能来存储和回忆信息。
这一神经网络能够在信息不完整或有错误时，尝试还原最接近原始的正确信息或找到最佳解决方案，可以初步让机器识别一些图像和语音。
但在当时，人工智能的发展还处于初级阶段，机器开始在特定专业领域表现出学习能力，却仍缺乏常识性的知识，其应用也局限于特定的任务，包括医疗、化学和地质等领域，远未达到通用和全面的智能水平。
辛顿被誉为深度学习之父，是2018年图灵奖得主之一。他于1947年在英国伦敦出生，并于1978年获得英国爱丁堡大学博士学位，现任加拿大多伦多大学教授。
辛顿的研究工作受到了霍普菲尔德的启发，他利用霍普菲尔德神经网络的联想记忆功能，发明了新的神经网络玻尔兹曼机。通过模拟物理系统中的粒子的运动，玻尔兹曼机能学习数据的概率分布，帮助机器学习到数据中的规律。
这一发明是人工智能的一个重要里程碑，意味着机器在尝试一种探索性学习，主动理解数据的本质，从数据本身中发现有用的信息，而不是依赖于预先定义的标签。这让机器更接近人脑，去识别和理解周围世界中的各种规律。
玻尔兹曼机也将人工智能从传统的机器学习方法带入了深度学习的新时代，为后续的研究奠定了理论基础，研究者们后来发明了卷积神经网络（CNN）、循环神经网络（RNN）等，让机器能更自主地处理图像、语音以及文本数据，在一定程度上模拟人类的视觉系统、语言系统和听觉系统。
去年12月，国际测试委员会（BenchCouncil）从1943年至今的人工智能领域成果中遴选出了100多项代表性成果，在确定主要贡献者的基础上产生了人工智能领域百年人才榜、国家榜和机构榜，辛顿和霍普菲尔德分别位列百年人才榜中的第三位和第六位。
詹剑锋认为，两位获奖者均在机器学习领域有所建树，这或将影响有科技竞争意识的国家，在人工智能这一产业上加大投资，同时也会让越来越多的人认识到人工智能的发展潜力。他从诺贝尔奖遴选的结果以及产业发展的趋势预判，未来人工智能产业会对全行业带来巨大的冲击。
