8日宣布的抢饭碗2024年诺贝尔物理学奖“意外”垂青机器学习，让多个诺奖预测集体“翻车”，研究就连获奖者之一的拿奖诺贝杰弗里·欣顿也坦言自己“完全没想到”。看似不属于传统物理学任何一个分支领域的尔物成果斩获诺奖，让不少学者开玩笑说诺贝尔物理学奖在跟计算机界的理学图灵奖“抢饭碗”。

事实上，机器学习领域的图灵元老级人物约翰·霍普菲尔德和杰弗里·欣顿斩获诺奖，如诺奖官方公告所说正是抢饭碗因为“运用物理学的工具”。今年的研究诺贝尔物理学奖不仅是对两名科学家成就的肯定，更是拿奖诺贝极大强调了跨学科研究的重要性，向人们展示了物理学的尔物深刻洞见与计算机科学创新“碰撞”可以产生的巨大能量。

当前人们谈论人工智能时，理学经常指的奖跟奖是使用人工神经网络的机器学习。诺贝尔物理学委员会秘书乌尔夫·丹尼尔松对记者强调，图灵人工神经网络在物理学中的抢饭碗研究和应用已经持续了相当长一段时间，本次诺贝尔物理学奖并非颁发给过去几年人工智能的发展，不是针对大语言模型或类似的东西，而是针对基础发明。

远在人工智能成为今天的科技热词之前，这两名科学家从20世纪80年代起就在人工神经网络领域做出了重要工作。这项技术最初的灵感来自大脑的结构。就像大脑中大量神经元通过突触相连一样，人工神经网络由大量的“节点”通过“连接”组成。每个节点就像一个神经元，而连接的强弱则类似于突触的强度，决定了信息传递的效果。

1982年，美国科学家约翰·霍普菲尔德创建了一种用于机器的联想记忆方法，提出了一种革命性的网络结构，被称为“霍普菲尔德网络”。这个网络能够存储多个模式（比如图像），并且在面对不完整或有噪声的输入时，能够重构出最相似的模式。

英国裔加拿大科学家杰弗里·欣顿在此基础上更进一步，他希望机器能像人类一样自主学习和分类信息，于1985年和同事提出了“玻尔兹曼机”的网络模型，这个名字源于19世纪物理学家路德维希·玻尔兹曼的方程。该模型通过统计物理学中的玻尔兹曼分布来识别数据中的特征，成为了现代深度学习网络的基础。欣顿的研究继续推进，导致了当前机器学习领域爆炸式的发展。

爱尔兰都柏林圣三一学院认知神经科学教授罗德里·丘萨克8日评论指出，人工神经网络最初受到神经科学的启发，并且两者之间的相互作用持续蓬勃发展。人工神经网络已被证明是大脑学习过程的宝贵模型，机器正在帮助我们了解自己，这反过来又为技术发展提供了新的途径。如果没有霍普菲尔德和欣顿的开创性工作，这一切都不可能实现。

霍普菲尔德和欣顿的工作不仅推动了机器学习的发展，还对物理学产生了深远影响。正如丹尼尔松当天在接受记者采访时所说，物理学的原理为两名科学家提供了思路，同时，人工神经网络在物理学中也得到了广泛应用，催生新的惊人发现。

诺贝尔物理学委员会主席埃伦·穆恩斯在当天的新闻发布会上表示，两名获奖者利用统计物理的基本概念设计了人工神经网络，构建了机器学习的基础。相关技术已被用于推动多个领域的研究，包括粒子物理、材料科学和天体物理等，也已用于日常生活中的人脸识别和语言翻译等。

机器学习的迅速发展不仅带来了巨大的机遇，也引发人们对于伦理和安全方面的担忧。穆恩斯当天在发布会上强调说，人类有责任以安全且道德的方式使用这项新技术，以确保它能为全人类带来最大的利益。

欣顿当天在接受电话连线采访时表示，这一技术将对社会产生巨大影响，但也必须警惕这一技术可能造成的威胁。丹尼尔松也指出，机器学习与基因编辑等众多前沿技术的发展是“双刃剑”，人们必须警惕出现坏的结果。在这方面，尤其需要全球合作。

来源：