解惑：爲什麼研究AI 的得了諾貝爾物理學獎？

2024年諾貝爾物理學獎揭曉。

得主：約翰·霍普菲爾德 和 傑弗裡·辛頓。

得獎理由：在人類利用人工神經網絡實現機器學習過程中，他們做出了基礎性的貢獻（發明和發現）。

所以，世界上第二個圖靈獎+諾貝爾獎的雙料得主誕生了：傑弗裡·辛頓。（第一個是Simon圖靈+諾貝爾經濟）

這也太奇怪了，很多人都在疑問：爲啥研究AI的人能夠得諾貝爾物理學獎？

查看諾貝爾獎官網，我們可以看到委員會給出的具體理由，以下爲原文翻譯，注意其中我標紅的文字：

他們利用物理學訓練人工神經網絡

今年的兩位諾貝爾物理學獎獲得者利用物理學工具開發出的方法是當今強大機器學習的基礎。

約翰-霍普菲爾德（John Hopfield）創造了一種聯想存儲器，可以存儲和重建數據中的圖像和其他類型的模式。傑弗裡-辛頓發明了一種方法，可以自主地發現數據中的屬性，從而完成識別圖片中特定元素等任務。

當我們談論人工智能時，我們通常指的是使用人工神經網絡進行機器學習。這項技術的靈感最初來源於大腦結構。在人工神經網絡中，大腦的神經元由具有不同值的節點表示。這些節點通過類似於突觸的連接相互影響，這些連接可以變強或變弱。例如，通過在同時具有高數值的節點之間建立更強的連接，可以對網絡進行訓練。今年的獲獎者從 20 世紀 80 年代起就在人工神經網絡方面開展了重要工作。

約翰-霍普菲爾德（John Hopfield）發明的網絡使用了一種保存和重現模式的方法。我們可以把節點想象成像素。

霍普菲爾德網絡利用物理學描述了一種材料因其原子自旋而產生的特性--這種特性使每個原子都成爲一塊微小的磁鐵。整個網絡的描述方式相當於物理學中自旋系統的能量，通過尋找節點之間的連接值進行訓練，從而使保存的圖像具有較低的能量。霍普菲爾德網絡接收到扭曲或不完整的圖像時，會有條不紊地處理節點，更新節點值，從而降低網絡能量。這樣，網絡就會逐步找到最像輸入的不完整圖像的保存圖像。

傑弗裡-辛頓（Geoffrey Hinton）以霍普菲爾德網絡爲基礎，開發出一種使用不同方法的新網絡：玻爾茲曼機。它可以學習識別給定數據類型中的特徵元素。辛頓使用了統計物理學的工具，這是一門研究由許多相似組件構建的系統的科學。通過輸入機器運行時極易出現的示例來訓練機器。波爾茲曼機器可以用來對圖像進行分類，或創建新的模式示例。辛頓在這項工作的基礎上，幫助啓動了當前機器學習的爆炸式發展。

“獲獎者的工作已經產生了最大的效益。諾貝爾物理學獎委員會主席埃倫-穆恩斯（Ellen Moons）說："在物理學領域，我們將人工神經網絡應用於廣泛的領域，例如開發具有特定性能的新材料。

原文網址：https://www.nobelprize.org/prizes/physics/2024/press-release/

好了，現在你明白了嗎？

所以研究AI的同學們，大膽一點，你們的人生目標除了千億市值公司，圖靈獎，還可以是諾貝爾物理學獎——其實我覺得未來還可以試着得一得諾貝爾生物獎。

文君是誰？

科技領域連續創業者（目前在AI+心理領域），中美3家AI公司的GPT戰略顧問，原阿里巴巴早期移動端核心產品負責人，CEO心智與戰略教練。未來一段時間，也許你關注的某些重要的AI產品，或某些備受關注的項目融資，背後就有他身影。

MindCode是什麼？一個剛剛決定寫點好東西的、很小衆的公衆號。日常發短篇，偶爾有深度長文。關注：AI、腦科學、心理學、創業等。由於在幾個關聯領域都有很深入思考，關注者中不乏頂級牛人，比如xxx和xx。

AI時代，讀他人之未讀對你很重要。關注併發送“1”可加討論小羣。