欢迎来这里找志同道合的小伙伴
身处AI时代，我们对于机器学习并不陌生。但是，大家真的了解机器学习吗？它是如何学习的呢？在时间碎片化的今天，只要多花几分钟时间，也许就会发现一片新天地。
物理、天体物理、高能物理……我们曾经或学习过或听说过的物理学知识，也许都和人工神经网络沾不上边。今天，我们就带大家来理解机器学习背后的故事，以及训练“人工神经网络”为何获得了诺贝尔物理学奖。
瑞典皇家科学院当地时间10月8日宣布，将2024年诺贝尔物理学奖授予约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），表彰他们在使用人工神经网络进行机器学习方面的基础性发现和发明。两位获奖者从20世纪80年代起就开展了与物理学相关的人工神经网络的重要工作研究。
带你划重点——step1：何为人工神经网络？
人工神经网络是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，模拟人脑的神经系统对复杂信息的处理机制的一种模型。
生物神经网络—对外界刺激的响应机制—建立模型
该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。它实际上是一个由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现。
（内容出自中国大百科全书出版社出版的“中国中学生成长百科”《生命简史》，点击图片可购买）
带你划重点——step2：物理学工具
约翰·J·霍普菲尔德和杰弗里·E·辛顿两人使用物理学工具开发了今天机器学习技术的基础方法。约翰·J·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。杰弗里·E·辛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。辛顿将霍普菲尔德网络的想法应用于一种新网络，这种新网络使用另一种方法：玻尔兹曼机，起源于统计物理学，因样本分布遵循玻尔兹曼分布而被命名，它可以学习给定数据类型的特征元素，可以用来分类图像或创建新材料。
带你划重点——step3：知识大融通时代早已到来
•从人工智能的视角观察，两位获奖者最核心的科学贡献是将起源于理论物理、生物物理两个学科的理论成功应用于构建人工智能科学理论。
•从多学科交叉的视角观察，两位获奖者都是理论物理、人工智能、神经科学的研究者。他们的主要研究成果深深地根植于他们从计算视角对理论物理与神经科学，特别是学习与记忆的物理与神经科学原理的观察、假设、建模与实践，而研究成果更是双双贡献于大脑智能和人工智能基础科学理论的形成，并在人工智能与机器学习领域取得了显著的实践效果与广泛的应用。这说明理论物理研究及其与神经科学、心理学等学科的交叉研究对人工智能科学理论取得里程碑式的进展具有重要的意义与启发。
2024年诺贝尔物理学奖表彰了两位科学家在使用人工神经网络进行机器学习方面的基础性发现和发明，他们使用物理学工具开发了今天机器学习技术的基础方法。生命科学的意义早已不局限于其本身的研究领域，具有巨大的社会价值，为人类的发展提供更多可能性。
由中国大百科全书出版社出版的“中国中学生成长百科”《生命简史》一书，扩展多学科（物理、地理、天文、数学等）的知识边界，透视生命本质。本书共分为五章，其中重要的一章“神经与脑”从神经科学的起源和发展讲起，阐释了人脑与机器联结的机缘，揭示了神经科学的工作原理对人工智能、计算技术、仿生学等领域的研究产生的不可估量的影响。
欢迎点“在看”，分享转发到朋友圈