约翰·J·霍普菲尔德
美国新泽西州普林斯顿大学
杰弗里·E·辛顿
加拿大多伦多大学
他们的主要贡献是——
推动利用人工神经网络进行机器学习的基础性发现和发明。 https://www.nobelprize.org/
据诺奖委员会的介绍，今年的两位诺贝尔物理学奖得主利用物理学工具开发出的方法，为当今强大的机器学习奠定了基础。约翰·霍普菲尔德 (John Hopfield) 发明了一种联想记忆，可以存储和重建图像和其他类型的数据模式。杰弗里·辛顿 (Geoffrey Hinton) 发明了一种可以自主查找数据属性的方法，从而执行诸如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的机器学习。这项技术最初的灵感来自大脑的结构。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。这些节点通过可以比作突触的连接相互影响，这些连接可以变得更强或更弱。网络的训练方式是，例如在具有同时高值的节点之间建立更强的连接。今年的获奖者从 1980 年代开始就对人工神经网络进行了重要的研究。
约翰·约瑟夫·霍普菲尔德（John Joseph Hopfield，1933 年 7 月 15 日出生）是一位物理学家和生物学家，以其对理论神经科学和人工神经网络研究的贡献而闻名。
主要人生经历：
教育背景：霍普菲尔德就读于斯沃斯莫尔学院，并于 1958 年获得康奈尔大学物理学博士学位。
学术生涯：他曾在加州理工学院和普林斯顿大学等多所著名学府担任教职。
跨学科工作：尽管霍普菲尔德的职业生涯始于物理学，但后来转向生物物理学和计算神经科学领域。
科学贡献：
Hopfield 网络：他最著名的贡献是 1982 年开发了Hopfield 网络，这是一种循环人工神经网络。这项工作为理解联想记忆和使用神经网络解决优化问题奠定了基础。
基于能量的模型：他表明可以使用统计力学的概念来描述神经网络，并提出了网络能量景观可以解释其动态和记忆回忆的想法。
分子生物学贡献：除了在神经网络方面的工作外，霍普菲尔德还对分子生物学做出了重大贡献，特别是与 DNA 复制和蛋白质合成中的校对过程有关的贡献。
杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton，1947 年 12 月 6 日出生）是一位英国裔加拿大认知心理学家和计算机科学家，被称为“深度学习教父”。
主要人生经历：
教育背景：辛顿在剑桥大学学习实验心理学，后来于 1978 年获得爱丁堡大学人工智能博士学位。
职业生涯：他曾在卡内基梅隆大学和多伦多大学等机构担任学术职务。2013 年，他加入谷歌，在推动人工智能研究方面发挥了重要作用。
指导：Hinton 指导过许多人工智能领域的有影响力的人物，包括 Yann LeCun 和 Ilya Sutskever。
科学贡献：
反向传播和神经网络：Hinton 是 20 世纪 80 年代重新激发人们对神经网络兴趣的关键人物，他展示了反向传播（一种用于训练深度神经网络的算法）的强大功能。
深度学习：Hinton 在深度学习方面的工作对机器学习的突破至关重要，推动了计算机视觉、自然语言处理和语音识别等领域的重大进步。他在 2006 年开发的深度信念网络(DBN) 对人工智能的现代成功发挥了关键作用。
胶囊网络：最近，Hinton 提出了胶囊网络，这是卷积神经网络 (CNN) 的替代方案，旨在更好地捕捉数据中的层次关系。
图灵奖：2018 年，他与 Yann LeCun 和 Yoshua Bengio 一起因其在深度学习领域的工作而获得图灵奖，深度学习改变了人工智能研究。
参考资料
https://www.nobelprize.org/prizes/physics/2024/press-release/
END
如果您觉得这篇文章还有那么一点用处，请不吝转发，您的支持是我最大的动力。
