2024年诺贝尔物理学奖授予两位科学家，以表彰他们开发的方法为现代强大的人工智能奠定了基础。

　　约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton）因其“基础性发现和发明，使得使用人工神经网络的机器学习成为可能”而获得这一殊荣。

　　霍普菲尔德来自普林斯顿大学，他发明了首批允许神经网络保存和重建模式的方法。

　　辛顿来自多伦多大学，他赋予这些网络识别特定属性的能力，使其能够完成识别图片中元素等任务。

　　这些科学家的发现为现代聊天机器人（如ChatGPT）背后的人工神经网络铺平了道路。

　　大多数现代人工智能基于一种称为人工神经网络的技术，模拟了大脑中神经元之间的连接。

　　在AI中，神经元由节点表示，这些节点通过可以变弱或变强的连接相互影响，从而使AI能够随着时间的推移学习。

　　今年的诺贝尔获奖者在1980年代以来为这些重要进展奠定基础方面发挥了重要作用。

　　诺贝尔物理学委员会的主席艾伦·穆恩斯（Ellen Moons）表示：“获奖者的工作已经带来了巨大的益处。”

　　“在物理学中，我们在广泛的领域使用人工神经网络，比如开发具有特定属性的新材料。”

　　约翰·霍普菲尔德发明了一种称为“霍普菲尔德网络”的系统，使得人工智能能够保存和重建模式。

　　凭借其物理学背景，霍普菲尔德试图理解大脑中的单个神经元如何协同工作，以创造出有趣的新能力。

　　霍普kaiyun体育全站 Kaiyun登录网页菲尔德发现，他可以通过输入图像并遵循调整节点间连接以使图像“低能量”的规则来编程这些网络。

　　可以将其想象为塑造一个高低起伏的地形——当网络输入图像时，它在虚拟地形中创造出一个谷底，谷底处的能量最低。

　　与此同时，杰弗里·辛顿因其创建“玻尔兹曼机”（Boltzmann Machine）的工作获得诺贝尔奖。

　　这些机器以霍普菲尔德网络为基础，但赋予网络识别特定类型数据中特征元素的新能力。

　　为此，辛顿和他的同事特伦斯·塞杰诺斯基（Terrence Sejnowski）结合了霍普菲尔德的能量景观和统计物理学的理念。

　　这些方法使科学家能够描述那些个体成分过多而无法逐一跟踪的系统，例如组成气体云的分子。

　　尽管我们无法跟踪所有成分，但我们可以描述一些状态，使其更有可能出现，并根据可用能量计算这些概率。

　　辛顿的突破在于将19世纪物理学家路德维希·玻尔兹曼（Ludwig Boltzmann）描述这一过程的方程应用于霍普菲尔德网络。

　　由此产生的“玻尔兹曼机”像霍普菲尔德网络一样有节点，但还包含一层“隐藏”节点。

　　机器通过一次更新一个节点的值运行，直到找到一种状态，在这种状态下，节点的模式可以变化而不改变网络整体的性质。

　　机器可以通过改变其连接的值进行训练，直到示例模式在“可见节点”上出现的概率最高。

　　这使得人工智能能够识别它以前未见过的模式——就像你可以立即判断一只老虎与家猫之间的关系，即使你以前从未见过老虎。

　　通过将多个这样的网络层叠在一起，我们可以创造出一些开始类似于我们今天所熟知的人工智能的东西。

　　尽管自霍普菲尔德和辛顿首次发现以来，人工智能领域已经取得了长足的进步，但他们的工作为近代历史上最重要的创新奠定了基础。