瑞典皇家科学院将2024年诺贝尔物理学奖共同授予约翰·J·霍普菲尔德和杰弗里·E·辛顿，以表彰他们在20世纪80年代开展的研究——这些研究构成了当今机器学习系统的算法基础。
来源：nobelprize.org
简明解读
2024年诺贝尔物理学奖表彰的是两位借用物理学工具、让机器处理信息的研究者。约翰·霍普菲尔德从原子自旋的行为中获得启发：他的网络会像滚落到碗底的弹珠那样"下降"到能量最低的状态，从而能够从受损的版本中还原出一幅图像。杰弗里·辛顿加入了统计物理学中的随机成分：他的玻尔兹曼机能够自行找出在大量数据中反复出现的模式。构成今天所谓深度学习第一层的，正是这两个来自20世纪80年代的想法，而不是某项新近的成果。
奖项要点
| 项目 | 内容 |
|---|---|
| 奖项 | 2024年诺贝尔物理学奖 |
| 授奖机构 | 瑞典皇家科学院 |
| 授予方式 | 共同获奖 |
| 获奖者 | 约翰·J·霍普菲尔德与杰弗里·E·辛顿 |
| 研究时期 | 20世纪80年代 |
| 获奖理由 | 运用物理定律为信息处理建立模型 |
| 霍普菲尔德的贡献 | 基于原子自旋物理的霍普菲尔德网络 |
| 辛顿的贡献 | 基于概率物理（统计力学）的玻尔兹曼机 |
| 影响范围 | 当今机器学习系统的算法基础 |
| 主要来源 | NobelPrize.org 官方新闻稿 |
两项贡献
1. 霍普菲尔德网络——作为能量最小化的记忆。 约翰·霍普菲尔德设计了一个模型，如今称为霍普菲尔德网络，它以原子自旋的物理为基础，用于数据的联想式重建。通过模拟复杂物理系统中的能量最小化，这类"神经网络"能够纠正图像中的畸变。
2. 玻尔兹曼机——服务于特征提取的概率物理。 在这些工作的基础上，杰弗里·辛顿引入概率物理（统计力学），造出了所谓的玻尔兹曼机。该系统能够在大量数据中自主识别孤立的结构性特征，例如图像中的特征性元素，从而成为通往现代信息技术所使用的"Deep Learning"（深度学习）这一学科的最初一层。
两种模型的对照
| 标准 | 霍普菲尔德网络 | 玻尔兹曼机 |
|---|---|---|
| 提出者 | 约翰·J·霍普菲尔德 | 杰弗里·E·辛顿 |
| 所依据的物理 | 原子自旋的物理 | 概率物理（统计力学） |
| 原理 | 复杂物理系统中的能量最小化 | 结构性特征的自主识别 |
| 已验证的用途 | 数据的联想式重建，纠正图像中的畸变 | 在大量数据（例如图像）中发现特征性元素 |
| 传承 | 起点 | 建立在霍普菲尔德的工作之上；"Deep Learning"的最初一层 |
因果链
原子自旋的物理与统计力学 → 模拟能量最小化的霍普菲尔德模型（20世纪80年代） → 联想式重建与图像畸变的纠正 → 辛顿引入概率物理 → 玻尔兹曼机与特征的自主识别 → "Deep Learning"的最初一层 → 当今机器学习系统的算法基础 → 瑞典皇家科学院共同授予的2024年诺贝尔物理学奖。
来源
2026年8月事实核查时验证过的参考资料：本文的论断即是与这些页面逐一比对的。