划重点
012024年诺贝尔物理学奖授予美国普林斯顿大学的约翰霍普菲尔德和加拿大多伦多大学的杰弗里欣顿，以表彰他们在人工神经网络领域的突破性发明。
02两位获奖者的成果是两种神经网络的基础架构，霍普菲尔德网络用于数据存储和重现，而辛顿发明的玻尔兹曼机则用于特征提取和降维处理。
03肖仰华表示，AI值得诺奖，因为其在改变世界，包括科学研究范式。
04此外，跨学科研究在人工智能领域展现出巨大潜力，如物理学为机器学习提供工具，同时机器学习也为物理学带来启发。
05此次诺贝尔物理学奖花落机器学习，引起了计算机领域的震动和兴奋，看到了利用物理等相关方法开展计算机研究的可能性和前景。
以上内容由腾讯混元大模型生成，仅供参考
2024年诺贝尔物理学奖爆冷颁给两位机器学习科学家。机器学习为何值得诺贝尔物理学奖？
10月8日，复旦大学计算机科学技术学院教授、博导、上海市数据科学重点实验室主任肖仰华在接受澎湃科技采访时表示，“神经网络的两种基本实现机制之所以受到物理奖的青睐，是因为这两个模型的设计受到了物理学方法的启发，都和统计物理中的伊辛模型（Ising Model，一类描述物质相变的随机过程模型）有着高度关系，完全可以从统计物理学角度重新解读两个网络模型。”
“AI值得诺奖，或者说不把诺奖发给AI，诺奖可能就不会那么重要，毕竟AI在改变而且深刻改变世界，包括科学研究范式。”上海交通大学物理与天文学院、自然科学研究院教授洪亮告诉澎湃科技。
瑞典皇家科学院8日宣布，将2024年诺贝尔物理学奖授予美国普林斯顿大学的约翰霍普菲尔德和加拿大多伦多大学的杰弗里欣顿。视觉中国 图
“AI值得诺奖”
普林斯顿大学的约翰J霍普菲尔德（John J. Hopfield）和加拿大多伦多大学的杰弗里E辛顿因“通过人工神经网络实现机器学习的基础性发现和发明”，获得2024年诺贝尔物理学奖。获奖者将共享1100万瑞典克朗（约合745万元人民币）奖金。
今年的两位诺贝尔物理学奖得主约翰霍普菲尔德和杰弗里辛顿从20世纪80年代开始就在人工神经网络方面开展了重要工作。他们使用了物理学的工具来开发方法，这些方法是当今强大的机器学习的基矗肖仰华介绍，两位诺奖得主的成果是两种神经网络的基础架构，各有其特性。霍普菲尔德网络可用于数据的存储和重现，辛顿发明的玻尔兹曼机常用作特征提娶降维处理。
洪亮介绍，霍普菲尔德借鉴物理学中自旋系统和能量态分布概念，将复杂的神经网络问题转化为能量最小化问题，1982年发明了霍普菲尔德网络。这是一种递归神经网络，具有对称连接和能量函数，用于存储和检索模式。大脑就像一个巨大的记忆库，能够通过一点线索回想起完整的记忆。霍普菲尔德网络就是模拟这种记忆过程的神经网络模型。
1985年，辛顿等人提出了玻尔兹曼机，这是对霍普菲尔德网络的扩展。玻尔兹曼机引入了随机性，神经元状态以一定概率更新，遵循玻尔兹曼分布。两者同样使用能量函数，但通过模拟退火等方法，玻尔兹曼机能够跳出局部最小值，找到全局最优解。
洪亮表示，机器学习获得诺贝尔物理学奖的直接原因是，约翰霍普菲尔德发明了帮助寻找缺少图像的有记忆能力的网络霍普菲尔德网络，而辛顿基于霍普菲尔德网络发明了玻尔兹曼机。但更深层次原因在于，“AI值得诺奖，或者说不把诺奖发给AI，诺奖可能就不会那么重要，毕竟AI在改变而且深刻改变世界，包括科学研究范式。”
跨学科研究彰显潜力
正如诺奖官方评价称，物理学为机器学习的发展提供了工具，物理学作为一个研究领域如何也从人工神经网络中受益将是有趣的。长期以来，机器学习一直被用于以前诺贝尔物理学奖中熟悉的领域，包括用机器学习筛选和处理发现希格斯粒子所需的大量数据、寻找系外行星。
近年来，人工智能技术也开始用于计算和预测分子和材料的性质，比如计算蛋白质分子的结构，或者计算出可用于更高效的太阳能电池的材料。
“诺贝尔物理学奖授予机器学习，跨学科研究彰显出巨大潜力。”肖仰华表示，跨学科研究或将取得创新性成果，从而受到世界级奖项的认可。物理学甚至传统自然学科经过几百年的发展沉淀了大量理论和方法，对于人工智能这样的新兴学科有着巨大启发和参考意义。“在人工智能及其他新兴学科的漫长发展道路中，以更加开放的跨学科视野，融合传统自然学科的理论和方法，发展新兴学科，解决新兴学科遇到的问题，这是做出创新性成果的重要思路。”
此次诺贝尔物理学奖花落机器学习，也引起了计算机领域的震动和兴奋，看到了利用物理等相关方法开展计算机研究的可能性和前景。这是物理奖历史上第一次授予计算机领域的科学家。在为数不多的获得诺贝尔奖的计算机专家中，中国科学院外籍院士、1975年图灵奖得主司马贺（Herbert A. Simon）曾在1978年获得诺贝尔经济学奖。
值得注意的是，辛顿因在深度学习方面的贡献与约书亚本希奥和杨立昆一同被授予了2018年的图灵奖，而约翰霍普菲尔德还不曾获得计算机领域的这一最高奖。肖仰华表示，这也表明，在不同学科视角下，对科学贡献的看法是不同的。
