歡迎來這里找志同道合的小伙伴

身處AI時代，我們對于機器學習并不陌生。但是，大家真的了解機器學習嗎？它是如何學習的呢？在時間碎片化的今天，只要多花幾分鐘時間，也許就會發現一片新天地。

物理、天體物理、高能物理……我們曾經或學習過或聽說過的物理學知識，也許都和人工神經網絡沾不上邊。今天，我們就帶大家來理解機器學習背后的故事，以及訓練“人工神經網絡”為何獲得了諾貝爾物理學獎。

瑞典皇家科學院當地時間10月8日宣布，將2024年諾貝爾物理學獎授予約翰·J·霍普菲爾德（John J. Hopfield）和杰弗里·E·辛頓（Geoffrey E. Hinton），表彰他們在使用人工神經網絡進行機器學習方面的基礎性發現和發明。兩位獲獎者從20世紀80年代起就開展了與物理學相關的人工神經網絡的重要工作研究。

帶你劃重點——step1：何為人工神經網絡？

人工神經網絡是基于生物學中神經網絡的基本原理，在理解和抽象了人腦結構和外界刺激響應機制后，模擬人腦的神經系統對復雜信息的處理機制的一種模型。

生物神經網絡—對外界刺激的響應機制—建立模型

該模型以并行分布的處理能力、高容錯性、智能化和自學習等能力為特征，將信息的加工和存儲結合在一起，以其獨特的知識表示方式和智能化的自適應學習能力，引起各學科領域的關注。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現。

（內容出自中國大百科全書出版社出版的“中國中學生成長百科”《生命簡史》，點擊圖片可購買）

帶你劃重點——step2：物理學工具

約翰·J·霍普菲爾德和杰弗里·E·辛頓兩人使用物理學工具開發了今天機器學習技術的基礎方法。約翰·J·霍普菲爾德創造了一種關聯記憶，它能夠存儲和重構圖像以及其他模式類型。杰弗里·E·辛頓發明了一種能夠自主發現數據中屬性的方法，并執行任務，如識別圖像中的特定元素。辛頓將霍普菲爾德網絡的想法應用于一種新網絡，這種新網絡使用另一種方法：玻爾茲曼機，起源于統計物理學，因樣本分布遵循玻爾茲曼分布而被命名，它可以學習給定數據類型的特征元素，可以用來分類圖像或創建新材料。

帶你劃重點——step3：知識大融通時代早已到來

?從人工智能的視角觀察，兩位獲獎者最核心的科學貢獻是將起源于理論物理、生物物理兩個學科的理論成功應用于構建人工智能科學理論。

?從多學科交叉的視角觀察，兩位獲獎者都是理論物理、人工智能、神經科學的研究者。他們的主要研究成果深深地根植于他們從計算視角對理論物理與神經科學，特別是學習與記憶的物理與神經科學原理的觀察、假設、建模與實踐，而研究成果更是雙雙貢獻于大腦智能和人工智能基礎科學理論的形成，并在人工智能與機器學習領域取得了顯著的實踐效果與廣泛的應用。這說明理論物理研究及其與神經科學、心理學等學科的交叉研究對人工智能科學理論取得里程碑式的進展具有重要的意義與啟發。

2024年諾貝爾物理學獎表彰了兩位科學家在使用人工神經網絡進行機器學習方面的基礎性發現和發明，他們使用物理學工具開發了今天機器學習技術的基礎方法。生命科學的意義早已不局限于其本身的研究領域，具有巨大的社會價值，為人類的發展提供更多可能性。

由中國大百科全書出版社出版的“中國中學生成長百科”《生命簡史》一書，擴展多學科（物理、地理、天文、數學等）的知識邊界，透視生命本質。本書共分為五章，其中重要的一章“神經與腦”從神經科學的起源和發展講起，闡釋了人腦與機器聯結的機緣，揭示了神經科學的工作原理對人工智能、計算技術、仿生學等領域的研究產生的不可估量的影響。

歡迎點“在看”，分享轉發到朋友圈