2024年诺贝尔物理学奖揭晓。
得主：约翰·霍普菲尔德 和 杰弗里·辛顿。
得奖理由：在人类利用人工神经网络实现机器学习过程中，他们做出了基础性的贡献（发明和发现）。
所以，世界上第二个图灵奖+诺贝尔奖的双料得主诞生了：杰弗里·辛顿。（第一个是Simon图灵+诺贝尔经济）
这也太奇怪了，很多人都在疑问：为啥研究AI的人能够得诺贝尔物理学奖？
查看诺贝尔奖官网，我们可以看到委员会给出的具体理由，以下为原文翻译，注意其中我标红的文字：
他们利用物理学训练人工神经网络
今年的两位诺贝尔物理学奖获得者利用物理学工具开发出的方法是当今强大机器学习的基础。
约翰-霍普菲尔德（John Hopfield）创造了一种联想存储器，可以存储和重建数据中的图像和其他类型的模式。杰弗里-辛顿发明了一种方法，可以自主地发现数据中的属性，从而完成识别图片中特定元素等任务。
当我们谈论人工智能时，我们通常指的是使用人工神经网络进行机器学习。这项技术的灵感最初来源于大脑结构。在人工神经网络中，大脑的神经元由具有不同值的节点表示。这些节点通过类似于突触的连接相互影响，这些连接可以变强或变弱。例如，通过在同时具有高数值的节点之间建立更强的连接，可以对网络进行训练。今年的获奖者从 20 世纪 80 年代起就在人工神经网络方面开展了重要工作。
约翰-霍普菲尔德（John Hopfield）发明的网络使用了一种保存和重现模式的方法。我们可以把节点想象成像素。
霍普菲尔德网络利用物理学描述了一种材料因其原子自旋而产生的特性--这种特性使每个原子都成为一块微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，通过寻找节点之间的连接值进行训练，从而使保存的图像具有较低的能量。霍普菲尔德网络接收到扭曲或不完整的图像时，会有条不紊地处理节点，更新节点值，从而降低网络能量。这样，网络就会逐步找到最像输入的不完整图像的保存图像。
杰弗里-辛顿（Geoffrey Hinton）以霍普菲尔德网络为基础，开发出一种使用不同方法的新网络：玻尔兹曼机。它可以学习识别给定数据类型中的特征元素。辛顿使用了统计物理学的工具，这是一门研究由许多相似组件构建的系统的科学。通过输入机器运行时极易出现的示例来训练机器。波尔兹曼机器可以用来对图像进行分类，或创建新的模式示例。辛顿在这项工作的基础上，帮助启动了当前机器学习的爆炸式发展。
“获奖者的工作已经产生了最大的效益。诺贝尔物理学奖委员会主席埃伦-穆恩斯（Ellen Moons）说："在物理学领域，我们将人工神经网络应用于广泛的领域，例如开发具有特定性能的新材料。
原文网址：https://www.nobelprize.org/prizes/physics/2024/press-release/
好了，现在你明白了吗？
所以研究AI的同学们，大胆一点，你们的人生目标除了千亿市值公司，图灵奖，还可以是诺贝尔物理学奖——其实我觉得未来还可以试着得一得诺贝尔生物奖。
文君是谁？
科技领域连续创业者（目前在AI+心理领域），中美3家AI公司的GPT战略顾问，原阿里巴巴早期移动端核心产品负责人，CEO心智与战略教练。未来一段时间，也许你关注的某些重要的AI产品，或某些备受关注的项目融资，背后就有他身影。
MindCode是什么？
一个刚刚决定写点好东西的、很小众的公众号。日常发短篇，偶尔有深度长文。关注：AI、脑科学、心理学、创业等。由于在几个关联领域都有很深入思考，关注者中不乏顶级牛人，比如xxx和xx。
AI时代，读他人之未读对你很重要。关注并发送“1”可加讨论小群。
