2024 年诺贝尔物理学奖授予 John J. Hopfield(约翰·霍普菲尔德)和 Geoffrey E. Hinton(杰弗里·辛顿)，以表彰他们“利用人工神经网络实现机器学习的基础发现和发明”
John J. Hopfield，1933 年出生于美国伊利诺伊州芝加哥。1958 年在美国纽约州伊萨卡市康奈尔大学获得博士学位。美国新泽西州普林斯顿大学教授。Hopfield还荣获了包括狄拉克奖章在内的多项物理学著名奖项。
Geoffrey E. Hinton，1947 年出生于英国伦敦。1978 年在英国爱丁堡大学获得博士学位。加拿大多伦多大学教授。2018年，Hinton因为在人工智能领域的突出贡献荣获计算机图灵奖。
奖金金额：1100 万瑞典克朗（折合754万人民币），由获奖者平分。
获奖简介
今年的两位诺贝尔物理学奖得主使用物理学工具开发了各种方法，这些方法为当今强大的机器学习奠定了基础。John Hopfield 创建了一个联想内存，它可以存储和重建数据中的图像和其他类型的模式。Geoffrey Hinton 发明了一种方法，可以自主查找数据中的属性，从而执行诸如识别图片中的特定元素等任务。
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。这项技术最初是受到大脑结构的启发。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，并且可以变得更强或更弱。网络经过训练，例如通过在同时具有高值的节点之间建立更强的连接。今年的获奖者从 1980 年代开始就人工神经网络进行了重要的工作。
John Hopfield 发明了一个网络，它使用一种方法来保存和重新创建模式。我们可以将节点想象成像素。Hopfield 网络利用物理学来描述材料的原子自旋特性——这种特性使每个原子都成为微小的磁铁。整个网络的描述方式相当于物理学中自旋系统中的能量，并通过查找节点之间的连接值进行训练，以便保存的图像具有低能量。当 Hopfield 网络收到失真或不完整的图像时，它会有条不紊地通过节点并更新它们的值，以便网络的能量下降。因此，网络逐步工作以找到与它所馈送的不完美图像最相似的已保存图像。
Geoffrey Hinton 使用 Hopfield 网络作为使用不同方法的新网络的基础：玻尔兹曼机。这可以学习识别给定数据类型中的特征元素。Hinton 使用了统计物理学中的工具，统计物理学是由许多类似组件构建的系统科学。通过向机器提供机器运行时极有可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型的新示例。Hinton 以这项工作为基础，帮助启动了当前机器学习的爆炸性发展。
“获奖者的工作已经带来了最大的好处。在物理学中，我们在广泛的领域使用人工神经网络，例如开发具有特定特性的新材料” 诺贝尔物理委员会主席 Ellen Moons 说。
以下为官方详细介绍原文翻译：
