近期，人工智能生成视频、防诈骗系统以及跑步时口述发短信等前沿技术让我们体验到了科技的魅力。这些进步的背后，是众多科学家、数学家和工程师的辛勤努力。而在这其中，普林斯顿大学物理学家约翰·霍普菲尔德和多伦多大学计算机科学家杰弗里·欣顿的名字尤为耀眼，他们因在人工神经网络领域的开创性工作，荣获2024年诺贝尔物理学奖。

尽管人工神经网络是以生物神经网络为模型的，但两位研究人员的工作都借鉴了统计物理学，因此获得了物理学奖。这一奖项不仅是对他们个人贡献的认可，更是对深度学习技术基础性贡献的肯定。

神经元如何计算

人工神经网络起源于对活体大脑生物神经元的研究。1943年，沃伦·麦卡洛克和沃尔特·皮茨提出了一个神经元工作方式的简单模型。这个模型描述了一个神经元如何从其相邻的神经元接收信号，并将这些信号组合起来，向其他神经元发送信号。其中，神经元可以区别地衡量来自不同相邻神经元的信号，这一特性使得人工神经网络能够模拟人脑的决策过程。

随着研究的深入，物理学家约翰·霍普菲尔德利用物理学中的一些思想来研究一种特定类型的循环神经网络，这种网络被称为霍普菲尔德网络。他特别研究了网络的动态变化，以及信息如何在网络中传播。这些研究为理解人工神经网络提供了重要视角。

玻尔兹曼机模型

在20世纪80年代，杰弗里·欣顿、计算神经生物学家特伦斯·谢伊诺夫斯基等人进一步扩展了霍普菲尔德的想法，创建了以19世纪物理学家路德维希·玻尔兹曼命名的一类新模型——玻尔兹曼机模型。这些模型的设计源于玻尔兹曼开创的统计物理学，它们能够创造新的模式，为现代生成式人工智能革命播下了种子。

通过反向传播算法，这些模型能够学习输入信息的重要特征，使得人工神经网络能够完成各种有趣的任务。欣顿及其同事的研究为训练多层人工神经网络提供了有效方法，推动了深度学习的兴起。

AI回报物理学

诺贝尔物理学奖展示了物理学思想如何促进了深度学习的兴起。现在，深度学习已经开始回报物理学，它可以准确、快速地模拟从分子和材料一直到整个地球气候的各种系统。通过将诺贝尔物理学奖授予霍普菲尔德和欣顿，颁奖委员会表达了对人类利用这些进步来促进人类福祉和建立一个可持续发展世界的潜力的希望。

这两位科学家的贡献不仅推动了人工智能的发展，更为我们描绘了一个充满可能性的未来。他们的成就不仅值得我们铭记，更值得我们继续探索与前行。