A Real Academia Sueca de Ciências concedeu conjuntamente o Prêmio Nobel de Física de 2024 a John J. Hopfield e Geoffrey E. Hinton, por pesquisas realizadas nos anos 1980 que constituem a infraestrutura algorítmica dos atuais sistemas de aprendizado de máquina.
Fonte: nobelprize.org
Em termos simples
O Nobel de Física de 2024 premia dois pesquisadores que tomaram emprestadas as ferramentas da física para fazer com que máquinas processassem informação. John Hopfield inspirou-se no comportamento dos spins atômicos: sua rede "desce" ao estado de menor energia, como uma bolinha que rola até o fundo de uma tigela, o que lhe permite recuperar uma imagem a partir de uma versão danificada. Geoffrey Hinton acrescentou a parcela de acaso da física estatística: sua máquina de Boltzmann identifica sozinha padrões que se repetem em grandes quantidades de dados. São essas duas ideias dos anos 1980, e não um resultado recente, que formam a primeira camada do que hoje se chama aprendizado profundo.
O prêmio em resumo
| Parâmetro | Valor |
|---|---|
| Distinção | Prêmio Nobel de Física de 2024 |
| Instituição | Real Academia Sueca de Ciências |
| Atribuição | Conjunta |
| Laureados | John J. Hopfield e Geoffrey E. Hinton |
| Período dos trabalhos | Anos 1980 |
| Motivo | Uso das leis da física para modelar o tratamento da informação |
| Contribuição de Hopfield | Rede de Hopfield, baseada na física dos spins atômicos |
| Contribuição de Hinton | Máquina de Boltzmann, baseada na física probabilística (mecânica estatística) |
| Alcance | Infraestrutura algorítmica dos atuais sistemas de aprendizado de máquina |
| Fonte primária | Comunicado oficial, NobelPrize.org |
As duas contribuições
1. A rede de Hopfield — a memória como minimização de energia. John Hopfield concebeu um modelo, hoje chamado rede de Hopfield, baseado na física dos spins atômicos e destinado à reconstrução associativa de dados. Ao simular a minimização da energia em sistemas físicos complexos, essas "redes neurais" corrigem distorções em imagens.
2. A máquina de Boltzmann — a física probabilística a serviço das características. Apoiando-se nesses trabalhos, Geoffrey Hinton integrou a física probabilística (mecânica estatística) para produzir o que se chama de máquina de Boltzmann. Esse sistema permite a identificação autônoma de características estruturais isoladas em grandes volumes de dados, por exemplo elementos característicos em imagens, tornando-se a camada inicial que conduz à disciplina do "Deep Learning" (aprendizado profundo) tal como explorada pela computação moderna.
Os dois modelos frente a frente
| Critério | Rede de Hopfield | Máquina de Boltzmann |
|---|---|---|
| Autor | John J. Hopfield | Geoffrey E. Hinton |
| Física mobilizada | Física dos spins atômicos | Física probabilística (mecânica estatística) |
| Princípio | Minimização da energia em sistemas físicos complexos | Identificação autônoma de características estruturais |
| Uso demonstrado | Reconstrução associativa de dados, correção de distorções em imagens | Detecção de elementos característicos em grandes volumes de dados, por exemplo em imagens |
| Filiação | Ponto de partida | Apoia-se nos trabalhos de Hopfield; camada inicial do "Deep Learning" |
Cadeia causal
Física dos spins atômicos e mecânica estatística → modelo de Hopfield (anos 1980), que simula a minimização da energia → reconstrução associativa e correção de distorções em imagens → integração da física probabilística por Hinton → máquina de Boltzmann e identificação autônoma de características → camada inicial do "Deep Learning" → infraestrutura algorítmica dos atuais sistemas de aprendizado de máquina → Prêmio Nobel de Física de 2024, concedido conjuntamente pela Real Academia Sueca de Ciências.
Fontes
Referências verificadas durante a auditoria factual de agosto de 2026: são as páginas
com as quais as afirmações deste boletim foram confrontadas.