2024年诺贝尔物理学奖颁给了两位AI教父!

诺奖委员会表示:“两位诺贝尔物理学奖获得者利用了物理学方法来寻找信息的特征,构建了为当今强大的机器学习奠定基础的方法。”

人工智能界迎来历史性时刻!周二,2024年诺贝尔物理学奖颁给了AI教父。

诺贝尔物理学委员会(Nobel Committee for Physics)宣布,授予John Joseph Hopfield和Geoffrey E. Hinton诺贝尔物理学奖,以表彰他们“利用人工神经网络实现机器学习的基础性发现和发明”

诺贝尔委员会表示:“今年的两位诺贝尔物理学奖获得者利用了物理学方法来寻找信息的特征,构建了为当今强大的机器学习奠定基础的方法。”

在颁奖时,该委员会指出,机器学习“长期以来一直对研究很重要,包括对大量数据的排序和分析。”

Hopfield提出的“Hopfield神经网络”,以相当于物理学中自旋系统能量的方式进行描述,Hinton则在Hopfield神经网络的基础上开发了一种新的神经网络“玻尔兹曼机”,玻尔兹曼机可以学习给定数据类型的特征元素,可以用来分类图像或创建新材料。这一技术推动了机器学习的爆炸式发展,掀起了广为人知的深度学习革命。

John J. Hopfield:Hopfield网络之父

John Joseph Hopfield生于1933年7月15日,于1954年获得斯沃斯莫尔学院物理学学士学位,1958年在康奈尔大学获得博士学位。

Hopfield现任美国普林斯顿大学教授,因在物理学和神经网络领域的贡献而闻名。1982年,John Hopfield提出了Hopfield网络,对人工智能和神经网络的发展影响深远。

这种网络模仿了人类的记忆机制,类似于大脑中神经元之间的突触连接,通过调整网络中节点间的连接,能够存储和恢复图像及其他数据模式。Hopfield网络引入了精确的二值神经元和能量函数的概念,是人类对大脑计算过程研究的开创性工作。

委员会成员在颁奖稿中写道:

Hopfield发明了一种网络,它使用一种保存和重新创建模式的方法。我们可以将节点想象成像素。Hopfield网络利用物理学来描述材料由于原子自旋而产生的特性——这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量,并通过寻找节点之间连接的值来进行训练,以便保存的图像具有较低的能量。

当Hopfield网络被输入扭曲或不完整的图像时,它会有条不紊地处理节点并更新它们的值,从而降低网络的能量。因此,网络逐步找到与输入的不完美图像最相似的保存图像。

“AI三教父”之一:Geoffrey Hinton

Geoffrey Hinton也被广泛称作“神经网络之父”“AI教父”,是人工智能和深度学习领域的领军人物之一,他的学生和后辈遍布现在整个AI学术界和工业界。

Geoffrey Hinton于1947年出生于英国,现任加拿大多伦多大学教授。他曾在谷歌工作了近10年的时间,担任副总裁兼工程研究员职务,帮助谷歌在图像识别、语音识别等人工智能领域取得重大进展。

2018 年,因在深度学习领域的开创性贡献,Hinton与LeCun和Bengio一起获得了图灵奖,该奖通常被称为“计算界的诺贝尔奖”,以表彰他们在人工智能领域的卓越贡献。

委员会写道:

Geoffrey Hinton使用Hopfield网络作为使用不同方法的新网络的基础:玻尔兹曼机,可以学习识别给定数据类型中的特征元素。

Hinton使用了统计物理学中的工具,统计物理学是由许多类似组件构建的系统科学,通过向机器提供机器运行时极有可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类或创建训练它的模式类型的新示例。

Hinton以这项工作为基础,帮助启动了当前机器学习的爆炸性发展。

对人工智能基础研究的重要肯定

Hinton周二在电话中告诉委员会,他对获得该奖项的消息感到“震惊”,“我不知道会这样。”

他是在加州的一家“廉价酒店”发表讲话的。“我本来今天要做核磁共振扫描,但我想我得取消了。”

委员会表示,这两位获奖者都为机器学习奠定了基础:Hopfield“创造了一种可以存储和重建信息的结构”,而Hinton“发明了一种可以独立发现数据属性的方法,这种方法对于现在使用的大型人工神经网络来说已经变得很重要。”

诺贝尔物理学奖委员会主席Ellen Moons表示:

“获奖者的工作已经产生了巨大的效益。在物理学领域,我们将人工神经网络应用于广泛的领域,例如开发具有特定属性的新材料。”

Geoffrey Hinton和John Joseph Hopfield两位科学家荣获诺贝尔奖,不仅是对他们个人成就的肯定,更是对人工智能研究价值的国际认可。在未来,人工智能技术或许会对人类社会产生越来越深远的影响。

风险提示及免责条款
市场有风险,投资需谨慎。本文不构成个人投资建议,也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资,责任自负。