划重点
012024年诺贝尔物理学奖授予美国普林斯顿大学的John Hopfield和加拿大多伦多大学的Geoffrey Hinton，以表彰他们开发了理解神经网络的工具。
02他们的发现构成了机器学习的基石，可以帮助人类做出更快、更可靠的决定。
03Hopfield和Hinton利用物理学工具提出了驱动人工神经网络的方法，利用大脑启发的分层结构来学习抽象概念。
04除此之外，他们的成果在人工智能领域得到了广泛应用，如大型语言模型和机器学习算法。
05Hinton已成为对人工智能采取安全措施的最有力呼吁者之一，认为机器学习的进步将产生巨大影响，堪比工业革命。
以上内容由腾讯混元大模型生成，仅供参考
原文作者：Elizabeth Gibney & Davide Castelvecchi
John Hopfield和Geoffrey Hinton开创了计算方法，使神经网络得以发展。
瑞典皇家科学院宣布获奖者。来源：Jonathan Nackstrand/AFP via Getty
2024年诺贝尔物理学奖授予两位研究人员，表彰他们开发了理解神经网络的工具这一发现正是今日蓬勃发展的人工智能（AI）的基矗
瑞典皇家科学院10月8日宣布了获奖名单，美国普林斯顿大学的John Hopfield和加拿大多伦多大学的Geoffrey Hinton将分享1100万瑞典克朗的奖金（约合100万美元）。
他们基于物理学工具提出了驱动人工神经网络的方法，利用大脑启发的分层结构来学习抽象概念。他们的发现“构成了机器学习的基石，可以帮助人类做出更快、更可靠的决定”，诺贝尔奖委员会主席、瑞典卡尔斯塔德大学的物理学家Ellen Moons在发布会上表示。“人工神经网络正在推动粒子物理学、材料科学和天体物理学等各种物理学课题的研究。”
机器记忆
1982年，有物理学背景的理论生物学家Hopfield提出了一种网络，将虚拟神经元之间的连接描述为物理力[1]。它将模式存储为网络的低能状态，可以在接收到类似的输入时再现存储的模式。这一结构被称为联想记忆，因为它的“回忆”方式类似于大脑根据相关信息记住一个词或一种概念的方式。
计算机科学家Hinton利用统计物理学（描述包含太多部件、无法单独追踪的系统）原理，进一步发展了“Hopfield网络”。通过在网络的分层版本中引入概率，Hinton创建了一种新工具，可以识别和分类图像，或生成其训练类型的新示例[2]。
这些流程不同于此前较早的计算方式，因为网络能够从示例包括复杂数据中学习。这对于依赖逐步计算的传统软件来说是很难的。
这些网络是“极度理想化的模型，与现实生物神经网络的差别就像苹果和星球”，Hinton 2000年在《自然-神经科学》的一篇文章中写道。但它们被证明很有用并得到了广泛应用。模仿人类学习的神经网络成为了诸多最先进的AI工具的基石，从大型语言模型（LLM）到能够分析海量数据的机器学习算法，包括蛋白质结构预测模型AlphaFold。
在宣布获奖时，Hinton在电话里说，得知自己获诺贝尔奖“始料未及”。他说：“我惊呆了，完全没想过这会发生。”他补充说，机器学习的进步“将产生巨大影响，堪比工业革命。但它超越的不是人类的身体力量，而将是人的智力水平”。
近年来，Hinton已成为对人工智能采取安全措施的最有力呼吁者之一。他表示，去年他确信数字计算已经超越了人脑，因为它能够通过并行运行的多个算法副本共享学习成果。“在那之前我花了50年时间想，要是能让它更像大脑会让它变得更好。”他在5月31日于瑞士日内瓦 AI for Good全球峰会上在线发言时说。“这让我觉得（这些系统）会以超乎想象的速度变得比我们更智能。”
受物理学驱动
Hinton还在2018年获得了图灵奖有时被称为“计算机科学的诺贝尔奖”。Hopfield也获得了包括狄拉克奖章在内的多项著名物理学奖项。
“Hopfield的动力很‘物理’，他发明了这个物理模型来理解某些物质的相变。”德国电子同步加速器实验室（DESY）的物理学家Karl Jansen说，他形容这项工作是“开创性的”。Jansen补充说，经过几十年的发展，神经网络已成为分析物理实验数据和理解Hopfield最初研究的相变类型的重要工具。
瑞士洛桑联邦理工学院（EPFL）计算统计物理学专家Lenka Zdeborová表示，她对诺贝尔委员会认可物理学概念在理解复杂系统中的重要性感到非常惊喜。“这是个普遍概念，无论是应用于分子层面还是社会中的人。”
在过去的五年间，阿贝尔奖和菲尔兹奖也表彰了数学、物理和计算机科学之间的交叉促进，特别是对统计物理学的贡献。
两位获奖者都“将物理学中的非常重要的思想引入了人工智能”，计算机科学家Yoshua Bengio表示，他与Hinton以及另一位神经网络先驱Yann LeCun共同获得了2018年的图灵奖。开创性的工作和充满感染力的热情，使Hinton成为了Bengio在内的其他早期神经网络倡导者的伟大榜样。现为加拿大蒙特利尔学习算法研究所的主任的Bengio说：“当我还是大学学生时这极大鼓舞了我。”Bengio提到，许多计算机科学家认为神经网络在几十年里毫无成果但一个重大转折点出现在2012年，当时Hinton和其他研究人员用神经网络赢得了一项重要的图像识别比赛。
脑模型的益处
生物学也从这些大脑的人工模型中受益。挪威科技大学（NTNU）特隆赫姆分校的神经科学家、2014年诺贝尔生理学或医学奖获奖者之一的May-Britt Moser表示，当她看到获奖者名单时“太高兴了”。她说，Hopfield网络模型的各个版本对神经科学家非常有用，用于研究神经元如何在记忆和导航中协同工作。她补充说，Hopfield的模型将记忆描述为表面的低点，帮助研究人员直观了解某些思想或焦虑如何在大脑中固定和恢复。“当人们陷入困境时，我喜欢跟他们讲这个比喻。”
如今，神经科学依赖神经网络理论和机器学习工具自Hopfield和Hinton的工作之后蓬勃发展起来以同时理解和处理数千个细胞的数据，Moser说。“它持久地推动我们去理解事物，它们的奥秘在这个领域刚起步时是做梦都不敢想的。”
“使用机器学习工具，对数据分析和大脑回路如何计算的可能理解，有着不可估量的影响。”美国布兰代斯大学的神经科学家Eve Marder说。“但与机器学习、人工智能在日常生活各方面产生的影响相比，这又相形见绌了。”
参考文献：
原文以Physics Nobel scooped by machine-learning pioneers标题发表在2024年10月8日《自然》的新闻版块上
