摘要：2024年10月8日，瑞典皇家科学院宣布将诺贝尔物理学奖授予两位人工智能先驱——美国科学家约翰·霍普菲尔德和英裔加拿大科学家杰弗里·辛顿。这是诺贝尔奖历史上首次明确表彰人工智能领域的奠基性工作，标志着AI技术正式获得最高科学荣誉的认可。

2024年10月8日，瑞典皇家科学院宣布将诺贝尔物理学奖授予两位人工智能先驱——美国科学家约翰·霍普菲尔德和英裔加拿大科学家杰弗里·辛顿。这是诺贝尔奖历史上首次明确表彰人工智能领域的奠基性工作，标志着AI技术正式获得最高科学荣誉的认可。

人工神经网络的技术灵感最初源自人脑结构。大脑的神经元通过突触相互交流，而人工神经网络则用节点表示神经元，通过连接强弱变化模拟学习过程。霍普菲尔德创建了一种名为“霍普菲尔德网络”的联想记忆模型，它能够存储和重建图像及其他类型的数据模式。其原理类似于物理学中的自旋系统能量最小化——当输入扭曲或不完整的图像时，网络会通过寻找节点间连接的最优值，逐步找到与输入图像最相似的已保存图像。

辛顿则在霍普菲尔德网络基础上构建了玻尔兹曼机，它能够学习识别给定类型数据中的特征元素，并创建与之相似的新示例。这一突破为机器学习的“爆炸式发展”奠定了基础。

1986年，辛顿发表了关于反向传播算法的经典论文。这一机制通过逆向计算误差并逐层调整参数，显著提升了神经网络的性能。商汤智能产业研究院院长田丰指出：“今天，生成式人工智能大模型、多模态大模型的训练都离不开反向传播算法。”

这一机制的原理可通过一个例子理解：几个人站成一排传递图像描述，最后一人对比原始图像与最终描述的误差，并将误差反向传回，让每个人依次修正自己的描述误差。通过反复迭代，传递的准确度将大幅提升。

辛顿的科研道路并非一帆风顺。他在1978年获得人工智能博士学位时，正值人工智能的低谷期。当时主流理论是符号主义和专家系统，神经网络研究备受冷落。由于缺乏数据和算力支持，神经网络一度被视为“走不通的路”。

但辛顿始终坚守这一领域。直到2012年，他带领学生参加ImageNet图像识别比赛，以低于人眼识别错误率的成绩夺冠，才让深度学习真正进入大众视野。上海交通大学人工智能学院教授张娅评价道：“辛顿在学术上的坚守，为人工智能的快速发展奠定了基石。”

两位科学家的突破性工作凸显了学科交叉的重要性。中国科学院自动化研究所研究员曾毅指出：“表面上看诺奖授予了人工智能领域，但从更广泛的意义上讲，这个奖实际上授予了理论物理学。”

霍普菲尔德网络和玻尔兹曼机的设计与训练方法均源于统计物理学。这种跨学科融合不仅推动了AI发展，也对物理学本身产生反哺。如今人工神经网络已广泛应用于新材料开发等物理学领域。

这些奠基性研究已深入日常生活：

医疗领域：基于神经网络技术的医学影像诊断系统，误诊率显著降低；

工业应用：智能机器人通过视觉识别实现精密操作，大幅提升生产效率；

未来前景：随着AI与各学科深度融合，智能驱动的科研有望成为科研新范式。

辛顿在推动AI发展的同时，也对其风险保持高度警惕。2023年4月，他辞去谷歌职务，以便更自由地警示AI的潜在风险。他曾表示：“我对自己毕生的工作感到非常后悔”，并担心AI系统可能最终超越人类控制。

这种负责任的态度，为快速发展的AI领域注入了必要的理性思考。正如辛顿所言，我们需要认真思考“如何阻止这些东西控制我们”。

从20世纪80年代的奠基性工作，到2024年获得诺贝尔奖认可，霍普菲尔德和辛顿用四十年坚守证明了基础研究的价值。他们的故事告诉我们：真正的突破往往源于跨学科的碰撞与长期的坚持。在AI技术快速发展的今天，我们更需要这种深耕基础、重视伦理的科学精神。

来源：围炉笔谈123