周二，瑞典皇家科学院将2024年诺贝尔物理学奖授予普林斯顿大学的约翰·J·霍普菲尔德和多伦多大学的杰弗里·E·辛顿，以表彰他们在人工神经网络机器学习方面的基础工作。

辛顿因警告AI超智能可能对人类构成威胁而在2023年成为新闻头条人物。这一获奖消息让许多人感到惊讶，包括辛顿本人。辛顿在今天上午举行的一场直播新闻发布会中通过电话与瑞典皇家科学院成员交谈时表示：“我感到吃惊。我完全没有想到这会发生。我感到非常惊讶。”

霍普菲尔德和辛顿的研究可以追溯到20世纪80年代初，他们应用物理学原理开发了支撑现代机器学习技术的方法。他们的工作使计算机能够执行诸如图像识别和图案补全等任务，这些功能现在在日常科技中随处可见。

这一获奖或许更加引人注目，因为辛顿，通常被称为“AI之父”之一，于2023年5月辞去了谷歌职务，以便“自由发言”，提出AI系统可能带来的潜在风险。辛顿当时表示，科技行业开发AI产品的努力可能导致危险后果，例如对人类的威胁。辛顿去年告诉《纽约时报》：“看看五年前的情况和现在的情况。

将这种差异传播下去。这是令人恐惧的。”此后，辛顿一直在警告AI系统可能比人类更聪明的潜在危险。源自物理学的技术 这一获奖已经在社交媒体上引起了关注，因为在计算机科学领域的机器学习研究获得物理学诺贝尔奖似乎有些不寻常。“2024年诺贝尔物理学奖并非颁发给物理学……”德国物理学家萨宾·霍森费尔德今天早上在推特上写道。

从诺贝尔委员会的观点来看，这一奖项在很大程度上源自于这两位研究者借鉴了物理学中使用的统计模型，部分地承认了从使用这两位男士的神经网络技术作为研究工具中获得的物理学研究进展。

瑞典卡尔斯塔德大学物理学家、诺贝尔委员会主席埃伦·穆恩斯在宣布中表示：“人工神经网络已被用于推动涉及粒子物理、材料科学和天体物理等各种物理主题的研究。”

19世纪物理学家玻尔兹曼方程计算这类系统中不同状态的概率。辛顿将这一概念应用于神经网络，并将他于1985年开发的方法命名为“玻尔兹曼机”，突出了机器学习与统计物理之间的联系。玻尔兹曼机能够识别和分类图像，并根据其训练数据生成新示例。

霍普菲尔德和辛顿开创的技术大大简化和近似了生物神经网络中的过程，如动物大脑中发现的神经网络，但它们仍然被证明是有用的，支撑着今天AI领域中许多机器智能的基础。神经网络将自动化技术带给了必须处理近似值和模糊边缘案例的机器；它们还必须从互联网上的海量数据中学习，这让像ChatGPT这样的对话聊天机器人看起来好像什么都知道，甚至还有许多其他用途。

不是他们的唯一成就 值得注意的是，今天的两位获奖者在科学领域有着深厚的历史，远不止他们获得诺贝尔奖的贡献。霍普菲尔德的影响跨越几个领域，他的早期工作架起了物理学、生物学和计算的桥梁。除了众所周知的霍普菲尔德网络，他在理解神经系统如何处理和存储信息方面取得了重要进展，塑造了有关类脑计算的早期理论。

辛顿在人工智能领域的参与可以追溯到1972年，他的成就在很大程度上塑造了现代生成式人工智能。1987年，辛顿与大卫·鲁梅尔哈特和罗纳德·J·威廉斯一起，帮助引起了反向传播的关注，这是训练神经网络的关键方法，对于今天的生成式人工智能模型至关重要。

2012年，辛顿与亚历克斯·克里日夫斯基和未来OpenAI首席科学家伊利亚·苏茨克维尔合作开发了AlexNet，这是计算机视觉和深度学习的一个重要创新，被广泛认为开启了当前生成式人工智能时代。

2018年，辛顿与优素福·本吉奥和杨·勒孔一起获得了图灵奖，通常被称为“计算机界的诺贝尔奖”。他通常被称为“AI之父”。这两位获奖者将分享1100万瑞典克朗（约合100万美元）的奖金。