·辛顿开发的诺奖诺贝玻尔兹曼机成为了生成模型的早期例子。玻尔兹曼机常被用作一个大网络的尔物一部分，可以用来根据观众的理学潮州市某某生物科技厂喜好推荐电影或电视剧。

　　·机器学习与传统软件不同，何授传统软件的予机工作方式就像一种配方。传统软件接收数据，器学然后根据清晰的诺奖诺贝描述进行处理并产生结果，就像有人收集原料并按照食谱处理。尔物相反，理学在机器学习中，何授计算机通过实例学习，予机使其能够解决模糊和复杂的器学问题，这些问题无法通过一步一步的诺奖诺贝潮州市某某生物科技厂指令来管理。

　　约翰·J·霍普菲尔德和杰弗里·E·辛顿因“通过人工神经网络实现机器学习的尔物基础性发现和发明”，获得2024年诺贝尔物理学奖。理学

　　10月8日，2024年诺贝尔物理学奖出乎意料地授予机器学习研究领域，结果公布后，连获奖者本人杰弗里·E·辛顿（Geoffrey E。 Hinton）在接受瑞典皇家科学院的电话采访时，也直呼“没有想到”。

　　2024年，普林斯顿大学的约翰·J·霍普菲尔德（John J。 Hopfield）和加拿大多伦多大学的杰弗里·E·辛顿因“通过人工神经网络实现机器学习的基础性发现和发明”，获得诺贝尔物理学奖。获奖者将共享1100万瑞典克朗（约合745万元人民币）奖金。

　　诺贝尔物理学奖为何花落机器学习？机器学习在过去15到20年里爆炸式发展，它利用了一种叫做人工神经网络的结构。所以当我们谈论人工智能时，通常指的是使用人工神经网络的机器学习。虽然计算机不能思考，但机器现在可以模拟记忆和学习等功能。这要得益于今年诺贝尔物理学奖得主的创造性工作。

　　今年的两位诺贝尔物理学奖得主两位获奖者约翰·霍普菲尔德和杰弗里·辛顿从20世纪80年代开始就在人工神经网络方面开展了重要工作。他们使用了物理学的工具来开发方法，这些方法是当今强大的机器学习的基础。

　　霍普菲尔德创造了一种联想记忆，可以存储和重建图像和其他类型的数据模式。当给定一个不完整或稍微扭曲的网络模式时，霍普菲尔德的方法可以找到最相似的存储模式。

　　1980年，霍普菲尔德离开了普林斯顿大学的职位，他的研究兴趣把他带出了物理学同行们工作的领域。他来到加州理工学院担任化学和生物学教授。在那里，他可以使用计算机资源进行免费实验，并发展他关于神经网络的想法。但他并没有放弃自己的物理学基础。磁性材料由于原子自旋而使得每个原子都能成为一个微小的磁铁，相邻原子的自旋相互影响。得益于对磁性材料的了解，霍普菲尔德利用描述自旋相互影响时材料如何发展的物理学原理，建立了一个具有节点和连接的模型网络。霍普菲尔德等人继续发展霍普菲尔德网络的运作细节，例如可以存储任何值的节点，而不仅仅是0或1。如果把节点想象成图片中的像素，它们可以有不同的颜色，而不仅仅是黑色或白色。改进的方法使保存更多的图片成为可能，即使它们非常相似，也可以区分它们。

　　图片来自诺奖官网。

　　记住一幅图像是一回事，但要解释它所描绘的内容需要更多的东西。

　　辛顿曾在英格兰和苏格兰研究实验心理学和人工智能，他想知道机器是否能像人类一样学会处理模式，分类和解释信息。当霍普菲尔德1982年发表关于联想记忆的文章时，辛顿正在卡内基梅隆大学工作。辛顿将霍普菲尔德发明的网络作为一个新网络的基础，这种新网络使用另一种方法是玻尔兹曼机，可以学习识别给定类型数据中的特征元素。这一方法发表于1985年。

　　辛顿使用了统计物理学的工具，通过给机器输入案例来训练机器。玻尔兹曼机不是从指令中学习，而是从给定的例子中学习，它可对图像进行分类，或者为它所训练的模式类型创建新的案例。玻尔兹曼机每次更新一个节点的值，最终机器将进入一种状态，在这种状态下，节点的模式可以改变，但整个网络的属性保持不变。根据玻尔兹曼方程，每个可能的模式都有一个特定的概率，这个概率由网络的能量决定。当机器停止时，它创造了一个新的模式，这使得玻尔兹曼机成为了生成模型的早期例子。

　　约翰·J·霍普菲尔德和杰弗里·E·辛顿因“通过人工神经网络实现机器学习的基础性发现和发明”，获得2024年诺贝尔物理学奖。

　　20世纪90年代，许多研究人员对人工神经网络失去了兴趣，但辛顿是继续在该领域探索的科学家之一，他还在这项工作的基础上帮助启动了当前机器学习的爆炸性发展。2006年，他和同事开发了一种预训练网络的方法，该网络由一系列分层的波尔兹曼机组成。这种预训练为网络中的连接提供了一个更好的起点，从而优化了识别图像元素的训练。玻尔兹曼机常被用作一个大网络的一部分，可以用来根据观众的喜好推荐电影或电视剧。

　　值得一提的是，辛顿因在深度学习方面的贡献与约书亚·本希奥和杨立昆一同被授予了2018年的图灵奖。

　　今天的人工神经网络通常是巨大的，由更多层组成。它们被称为深度神经网络，它们的训练方式被称为深度学习。人工智能越来越深入各行各业、帮助科学研究。诺奖官方评价称，物理学为机器学习的发展提供了工具，物理学作为一个研究领域如何也从人工神经网络中受益将是有趣的。