2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，表彰他们在人工神经网络和机器学习领域的开创性工作。这个奖项的技术含义并不是“人工智能已经像人一样思考”，而是确认了一条关键路线：可以借助物理学中的状态、能量与统计规律，构建能够存储信息、识别模式并从数据中学习的计算模型。
霍普菲尔德：让神经网络具备“记忆”
霍普菲尔德的核心贡献，是提出以相互连接的节点模拟神经系统的网络模型。网络中的节点会根据彼此之间的连接关系改变状态，整个系统逐步趋向较稳定的状态。借助这种机制，网络可以把输入的不完整或受干扰信息，映射回已经存储的模式，这就是联想记忆的基本思想。
从技术角度看，霍普菲尔德网络把信息表示转化为一个动态优化过程。网络状态对应能量，演化过程趋向较低能量的稳定结构。由此，记忆不再只是写入固定位置的数据，而成为分布在网络连接中的模式。这一思路影响了后来的能量模型、组合优化和神经计算研究。
辛顿：推动机器从数据中学习
辛顿的重要贡献在于发展了基于人工神经网络的学习方法，尤其是将概率模型、表示学习与神经网络结合起来。相关模型能够从样本中提取统计规律，而不是依赖人为编写的全部规则。机器学习因此从“执行明确指令”，转向“通过数据调整内部参数”。
这种转变奠定了现代神经网络的重要基础：模型通过多层结构逐步形成对输入信息的表示，并利用训练过程改善预测或识别结果。今天人们讨论的图像识别、语言处理和生成式人工智能，虽然技术规模和实现方式已经发生巨大变化，但其基本逻辑仍是利用网络结构从数据中学习规律。
两位科学家的贡献共同说明，人工智能的突破并不只来自更大的算力或更多的数据，也来自对“信息如何表示、记忆如何形成、模型如何学习”的基础性回答。诺贝尔奖认可的，正是这些早期理论如何发展成现代机器学习的技术根基；而辛顿对先进人工智能风险的担忧，也提醒人们，技术能力扩张必须与安全评估同步推进。