北京时间10月8日下午5点45分许，2024年诺贝尔物理学奖给了美国和加拿大科学家John J. Hopfield、Geoffrey E. Hinton，以表彰他们通过“人工神经网络实现机器学习的基础性发现和发明”。

诺贝尔物理学奖给了非物理学领域专家，人工神经网络实现机器学习和AI高度相关，本来是计算机行业奖项覆盖的范围。

Hinton的成就实在太过夺目，国内有AI公司就是在他的理论上成立。CHATGPT名声大噪，业内人士称其实至名归。

获奖

浙江大学计算机科学与技术学院副教授金小刚认为，两人获奖是因为他们的人工神经网络和深度学习对于计算机科学的贡献，“他们是连接主义的奠基者”。

在人工神经网络中，大脑的神经元通过具有不同值的节点表示。这些节点通过可以类比为突触的连接相互影响，而这些连接可以变强或变弱。这种网络可以通过训练来优化，例如可加强同时具有较高值的节点之间的连接。

诺贝尔官方认为，两位诺贝尔物理学奖得主使用了物理学的工具，为当今强大的机器学习方法奠定了基础。

计算机无法思考，但机器如今能够模仿诸如记忆和学习等功能。今年的诺贝尔物理学奖得主正是帮助实现这一点的人。他们利用物理学中的基本概念和方法，开发了能够使用网络结构处理信息的技术。

一位业内人士表示，Geoffrey Hinton早前就很有名，现在人工智能发展得益于他的研究，他是当之无愧的AI之父，现在的AI基本上都是基于深度学习。

他表示，当初之所以敢重金投入一家创业公司，就是花了一个多月时间去了解Geoffrey Hinton的理论，对他的理论有了一点了解，发现这家公司都是在这个理论框架下研发，这家公司后来也果然领先同类公司。

成就

Geoffrey Hinton1947年出生于英国伦敦。1978年获得英国爱丁堡大学博士学位，现为加拿大多伦多大学教授。

他从未正式上过计算机课程，本科在剑桥大学读的是生理学和物理学，期间曾转向哲学，最终拿到的却是心理学方向的学士学位。

他曾因为一度厌学去做木匠，但遇挫后还是回到爱丁堡大学，并拿到人工智能方向的博士学位；数学不好让他在做研究时倍感绝望，当了教授之后，对于不懂的神经科学和计算科学知识，他也总要请教自己手下的研究生。

2012年底，他与这两位学生成立了三人组公司DNN-research，并将其以4400万美元的的价格卖给了Google，他也从学者身份转变为Google副总裁、Engineering Fellow。

拍卖并不完全是价高者得，起拍价为50万美元，然后有人出价100万美元，当竞价达到一定程度时（当时我们认为是天文数字了），该团队更倾向于在Google工作，于是叫停了拍卖。据了解，当时参与拍卖的也有国内某搜索公司。当时这些国内外大公司就已经看到了该团队的价值。

Geoffrey Hinton表示，来Google工作是一个正确的选择，相比其他公司，人们都更喜欢在Google工作，我也一样。我喜欢这家公司的主要原因是Google Brain团队很棒。我更专注于研究如何构建大型学习系统和研究大脑的工作机制，Google Brain不仅有研究大型系统所需要的丰富资源，还能跟众多优秀人才交流学习。

2014年9月，汤晓鸥团队参加了“人工智能奥林匹克”ImageNet大赛，与包括百度、谷歌、微软在内的37个世界顶级团队竞争，取得了全球第二的成绩。这也让汤晓鸥团队声名鹊起，IDG资本合伙人牛奎光飞到香港，拜访汤教授。在港中大多媒体实验室里，他听到了徐立的“猫脑”、“猴脑”理论，并让他在不久后后掷出数千万美元，助推研究团队走出实验室。

早在2019年，Hinton，与Yoshua Bengio、Yann LeCun共同获得了图灵奖。

Geoffrey Hinton近年更为出名，是因为他的学生Ilya，在他的研究基础上,用ChatGPT证明了Hinton的技术路线，这个路线始于上世纪80年代。

金小刚表示，估计ChatGPT的发酵让评委关注乐他们的研究。

以下为诺贝尔奖官网新闻介绍：

谈到人工智能，人们通常指的是使用人工神经网络来训练的机器学习技术。这项技术最初受大脑结构启发。在人工神经网络中，大脑的神经元通过具有不同值的节点表示。这些节点通过可以类比为突触的连接相互影响，而这些连接可以变强或变弱。这种网络可以通过训练来优化，例如可加强同时具有较高值的节点之间的连接。今年的诺贝尔物理奖得主们自20世纪80年代起就在人工神经网络领域做出了重要的工作。

John Hopfield发明了一种网络来保存和重现数据模式。我们可以将节点想象为像素。Hopfield网络利用了描述物质特性的原子自旋——该性质使得每个原子都可看作一个小磁铁。网络的整体结构则可等价地用物理学中自旋系统的能量来描述，并通过寻找节点之间的连接值来训练，使得保存的图像具有较低的能量。当Hopfield网络接收到一个失真或不完整的图像时，它逐步处理节点并更新其值，以降低网络的能量。通过这种方式，网络就可一步步找到与输入的失真图像最为相似的图像。

责编：彭勃

校对：祝甜婷