共计 1047 个字符，预计需要花费 3 分钟才能阅读完成。
两位科学家，多伦多大学名誉教授 Geoffrey Hinton 和普林斯顿大学教授 John Hopfield，因奠定了“现代机器学习技术的基础”而被授予诺贝尔物理学奖。
瑞典皇家科学院诺贝尔委员会表示，他们的发现和发明为许多人造智能领域的突破性进展奠定了基础。自 1980 年代以来，他们的工作促成了模仿大脑结构的人工神经网络计算机架构的创建。
通过模仿大脑建立连接的方式，神经网络使 AI 工具能够“通过示例进行学习”。开发者可以通过向人工神经网络输入数据来训练其识别复杂模式，从而支撑了当今一些最引人注目的 AI 应用，从语言生成到图像识别。
“我对此毫无预期。我感到非常惊讶，并荣幸地被包括在内，”Hinton 在多伦多大学的一份新闻稿中表示，他对此感到“震惊”。
Hinton 常被称为“AI 教父”，他去年告诉《纽约时报》，“他的一部分 … 现在对自己的毕生工作感到后悔。”据报道，他于 2023 年离开谷歌的职位，以便能够引起人们对这项技术潜在风险的更多关注，这项技术在他的推动下得以实现。
2013 年，谷歌收购了 Hinton 的神经网络公司，该公司由他与两名学生共同创立，其中包括后来成为 OpenAI 首席科学家的 Ilya Sutskever，他今年离开了 OpenAI。
诺贝尔委员会认可 Hinton 在 1980 年代与同事共同开发的玻尔兹曼机，这是一种生成模型。Hinton 使用了统计物理学的工具，这是研究由许多相似组件构成的系统的科学。该机器通过输入在机器运行时很可能出现的示例进行训练。玻尔兹曼机可用于分类图像或创建与其训练的模式类型的新示例。Hinton 在此基础上继续发展，帮助启动了当前机器学习的爆炸性发展。
Hinton 的工作基于另一位获奖者 John Hopfield 的 Hopfield 网络，这是一种可以重建模式的人工神经网络。Hopfield 网络利用描述材料由于其原子自旋特性而具有的物理特性——这种特性使每个原子成为一个微小的磁体。整个网络以一种等同于物理学中自旋系统能量的方式描述，并通过找到节点之间连接的值进行训练，使得保存的图像具有低能量。当 Hopfield 网络输入一个扭曲或不完整的图像时，它会系统地遍历节点并更新其值，从而使网络的能量下降。网络因此逐步找到与输入的不完美图像最相似的保存图像。
Hinton 继续表达他对 AI 的担忧，包括在今天与记者的通话中。“我们没有经验知道拥有比我们更聪明的东西是什么感觉。在许多方面，这将是非常美妙的，”他说。“但我们还必须担心一些可能的负面后果，特别是这些事物失控的威胁。”
