鱼乐达人

上海交通大学计算机科学与工程系教授严骏驰介绍，霍普菲尔德的工作不仅扩展了统计物理学的边界，还创建了一种新的思考大脑计算的语言，对神经网络的动力学有了更深入的理解。基于在这一领域的杰出贡献，霍普菲尔德曾获2022年玻尔兹曼奖。

“难以想象欣顿当年会在神经网络这个‘不受学界待见’的研究方向持续耕耘，直到在深度学习领域实现了巨大的突破。”上海交通大学人工智能学院特聘研究员张娅告诉记者，包括欣顿的导师在内，当时不少人都认为欣顿不该在这个方向浪费时间，甚至还劝说他转换方向。但也正是他在这个冷门的领域耕耘，使得他获得了2018年的图灵奖和今年的诺贝尔物理学奖，并且为人工智能的发展带来了革命性的突破。

鱼乐达人为表彰利用人工神经网络实现机器学习的奠基性发现和发明，今年的诺贝尔物理学奖授予美国物理学家约翰·霍普菲尔德(John J.Hopfield)和英裔加拿大计算机科学家杰弗里·欣顿(Geoffrey E.Hinton)，他们将平分1100万瑞典克朗(约合745万元人民币)奖金。

“这无异于凸显了前沿学科的交叉与互通性。”严骏驰在接受记者采访时列举到，2020年的诺贝尔物理学奖颁给了数学家彭罗斯，2021年的诺贝尔物理学奖则颁给了研究复杂系统的气象学家真锅淑郎、克劳斯·哈塞尔曼。再看今年，霍普菲尔德和欣顿两人也同样是“跨界高人”。霍普菲尔德是一位横跨多个学科领域的物理学博士，在物理、化学和生物学的交叉处开发了神经网络。欣顿就读剑桥大学时，同时学习物理学和生理学，后来获得实验心理学学士学位，他通过物理、数学和计算机、神经心理学多领域的交叉，推动机器学习的发展。

另一位获奖者欣顿，则是机器学习领域的领军人物。欣顿利用统计物理学的工具，对霍普菲尔德网络进行随机扩展，开发出了“玻尔兹曼机”。他通过输入在运行时很可能出现的示例来训练玻尔兹曼机，用于分类图像等。不仅如此，欣顿还在此基础上继续拓展，启动了机器学习的爆炸性发展。他曾于2018年获得计算机领域的最高奖——图灵奖。

1986年，欣顿就和两位学生发表了一篇关于“反向传播算法”的论文，这一算法是训练神经网络的核心。但当时并未改变神经网络研究持续走低的趋势，直到2012年，欣顿和两位学生提出Alexnet模型，大幅提升了视觉识别的正确率后，引起了全球科学界震动，才开启了深度学习的热潮。

事实上，学界几乎没人预料到，今年的诺贝尔物理学奖会花落机器学习领域，颁给了两位人工智能(AI)先驱。此前，他俩几乎从未出现在该奖项的预测名单中，而欣顿更为人所知的身份是“人工智能之父”。

正如今年的诺奖颁奖词所言，两位获奖者使用物理学工具开发了各种方法，而这些方法为当今强大的机器学习奠定了基础。其中，霍普菲尔德创造了一种关联记忆，它能够存储和重构图像以及其他模式类型。欣顿发明了一种能够自主发现数据中属性的方法，并执行任务，如识别图像中的特定元素。

“早在上世纪80年代，人工神经网络曾是热门研究方向，但由于当时计算机算力等问题，这个领域一度被认为难有突破，很快就不再为人们所关注。但是，这两位学者却能持续地在神经网络方向耕耘。神经网络深度学习可说在他们的研究基础上得到了爆发式发展。”复旦大学类脑科学与智能研究院院长冯建峰教授在上世纪80年代读博士期间的研究以及博士论文，就与霍普菲尔德网络相关，他与欣顿也有研究交集。

现年91岁的霍普菲尔德曾在上世纪80年代首次提出了“霍普菲尔德网络”，这一单层、全反馈的网络结构模仿生物神经元连接，并引入了能量函数。当能量函数达最小值，整个系统达到稳定状态。在神经网络中，这个稳定状态正是对应于网络的记忆或存储的信息。这一模型被证明具有广泛的应用，涵盖机器学习、联想记忆、模式识别、优化计算等多个领域。

其实，人工神经网络并非最新研究方向，从上世纪60年代起，科学家们就开始研究，且研究过程几经起伏。不论是霍普菲尔德还是欣顿，他们的研究都经历了从热到冷再到热的过程。尤其是欣顿，更为业内人士熟知的是他30年坐“冷板凳”的故事。

在冯建峰看来，出身学术世家的欣顿是那种典型的为了学问而做学问的人。也正是因此，他在神经网络研究的“寒冬”季节，一度在爱丁堡大学申请不到研究经费，但即便如此，他仍然没有放弃，而是“辗转”美国、加拿大继续他的研究方向。

上海大学理学院教授许新建介绍，欣顿的工作大大推动了人工神经网络的发展，打破了机器学习的瓶颈。此外，包括量子人工智能领域，新型量子算法和量子计算机的设计，也都受益于他们的工作。