2024年諾貝爾物理學獎的兩位獲獎者John Hopfield和Geoffrey Hinton最近在斯德哥爾摩大學發表了最新的演講。

現場的氛圍非常熱烈！

看到Hopfield教授即使借助拐杖也親自到達現場發表了演講，Hinton教授也忍著腰痛專程飛到瑞典，讓觀眾們非常敬佩。

在這次活動中，John Hopfield教授的演講主題是“物理學是一種觀點”，講述他個人的科研經歷和做科研的思考模式。

他坦白了很多關于科研和對物理的想法：

如何選擇問題是科研成果的關鍵因素
大腦是如何產生思想的，這對我來說是人類最深奧的問題
我認為物理學有助于理解人類和世界

Geoffrey Hinton教授則用通俗易懂的方式講述了Hopfield網絡和玻爾茲曼機器的原理與發展，全程沒有用一個方程式。

當我們最終了解了大腦是如何學習的時候，我相信睡眠的作用一定是非常重要的，對此我非常樂觀

兩位教授結束演講時，臺下的觀眾也是忍不住都站起來向他們鼓掌致敬。

以下是現場演講內容，在不改變原意的情況下，量子位對部分篇幅做了調整。

John Hopfield：物理學是一種觀點

約翰·霍普菲爾德于1933年出生于芝加哥，1954年在威廉·莫爾學院獲得第一個學位，1958年在康奈爾大學獲得博士學位。1964年，他被任命為普林斯頓大學物理學教授，1980年成為加州理工學院化學和生物學教授，之后他回到普林斯頓大學，目前是分子生物學名譽教授。

（以下為John Hopfield教授發言）

我的第一份全職工作是在比爾電話公司發明晶體管的實驗室，我加入了一個六人小組。初入實驗室時，我在新辦公室打開書籍期刊，參觀庫存室獲取文具后，思考著下一步工作。

在科研中，多數人常按部就班，很少深入思考研究方向的選擇，而這恰是科研成果的關鍵因素。我在科研中撰寫了40余篇論文，幾年前形成的工作基礎最終發展成霍普菲爾德模型，相關觀點源于對隨機事件的分析。

我成長于物理學家家庭，自幼受物理學觀念熏陶，喜歡探索事物原理，如拆解自行車、進行化學實驗等，這讓我能夠理解復雜系統運作。上高中時，化學老非老師常出色，物理老師卻對電磁學原理理解不足，這影響了我大學專業選擇，但最終我決定在斯沃斯莫爾學院專注物理。

進入物理學研究生院后，我在康奈爾大學學習，期間與Albert Overhauser合作，從他的研究列表中選定晶體中激子輻射壽命相關問題，開啟研究。獲得博士學位后，我在理論小組任職，后結識化學家David G. Thomas，成立理論實驗聯盟，取得成果并獲奧利弗里·巴克利固體物理學獎。

之后，我在研究中遇到瓶頸，前往劍橋大學尋找新方向，回普林斯頓后擔任半導體組顧問，接觸到血紅蛋白相關實驗，為我從凝聚態物理轉向生物物理提供契機，我也受Linus Pauling觀點啟發研究蛋白質合成問題并取得成果。

1974年論文影響我對生物學問題的研究思路，促使我思考神經元網絡特性等。1977年在哥本哈根舉辦研討會后，我尋求跨學科突破，受邀參加神經科學會議，雖然當時一無所知，后來加入項目獲得神經生物學靈感。

1979年，我轉任化學和生物學教授，發現了學科聯系，提出新計算見解并撰寫論文，該論文推動了相關領域發展。

后來，我發現霍普菲爾德模型網絡問題，2015年與他人合作提出密集聯想記憶模型，期望推動人工智能發展。

我非常尊重各個領域的專家，積極參與跨學科互動，我認為物理學有助于理解人類與宇宙。

Hinton：Hopfield網絡與Boltzmann機的發展

杰弗里·辛頓，1947年生于英國倫敦，獲劍橋大學實驗心理學博士學位，曾在愛丁堡大學從事人工智能博士后研究，在多所大學任職，現從事學術研究，并在谷歌公司任職。

（以下為Geoffrey Hinton教授發言）

今天我將不用任何方程式，向普通觀眾講解Hopfield網絡。

先來看一個二元神經元版本的小霍普菲爾德網絡，其神經元間有對稱加權連接，網絡全局狀態是配置，配置有優良性（單元對權重總和），能量是優良性相反數，網絡會穩定于能量最小值。

霍普菲爾德提出用能量最小值對應記憶，通過二元決策規則清理不完整記憶，實現內容可尋址內存。

特里·西諾斯基和我提出用網絡構建感官輸入解釋，網絡含可見和隱藏神經元，可見接收感官輸入（如二進制圖像），隱藏構建解釋，能量代表解釋好壞程度，我們需要低能量解釋。

以線條畫為例，有不同三維解釋，我們要讓網絡給出解釋。

先將線條轉化為線條神經元激活，線條神經元與三維邊緣神經元連接，考慮感知光學因素讓邊緣神經元相互抑制，還要依據圖像線條連接原則建立連接，希望通過設置連接強度使網絡解決兩種替代解釋。

這產生兩個問題：一是避免陷入局部最優的搜索問題；二是神經網絡自動學習連接的問題。

對于搜索問題，我們通過使神經元有噪聲解決，有噪聲神經元狀態是二元的但決策具有概率性。

用隱藏神經元解釋二進制圖像時，在可見單元固定圖像，隨機選隱藏神經元根據輸入決定其狀態，持續操作使系統達熱平衡，此時隱藏神經元狀態是平衡解釋，網絡學習正確權重使低能量狀態對應更好的解釋，熱平衡是系統穩定于概率分布（波爾茲曼分布），低能量配置概率大。

玻爾茲曼機學習目的是使網絡生成的圖像類似它感知到的真實圖像，有簡單學習算法，含喚醒和睡眠階段。

喚醒階段固定圖像于可見單元，讓隱藏單元達熱平衡后調整連接權重，睡眠階段類似做夢更新神經元達熱平衡后反向調整權重，該算法平均上能讓網絡生成圖像過程類似感知圖像，涉及對數似然梯度概念，通過改變權重使網絡關注wake階段看到的數據。

但玻爾茲曼機存在問題，權重變大時熱平衡過程慢，雖然想法很好但算法太簡單，可以做復雜的事情但速度受限。

后來我發現了受限玻爾茲曼機（RBM），其隱藏單元不相互連接，喚醒階段更新隱藏神經元更簡單，睡眠階段有捷徑雖不完全正確但實踐有效。Netflix公司就是用受限玻爾茲曼機結合其他方法推薦電影。

為構建特征檢測器層可堆疊RBM，將前一個RBM隱藏單元活動模式當數據給下一個RBM，以此捕捉復雜相關性學習多組權重，堆疊后視為前饋網絡可進行監督學習，這樣初始化網絡學習更快。因為網絡已學習了數據結構，后面用于學事物名稱相對容易，如識別物體方面。

One More Thing

就在演講視頻發布不久后，你懂的，LSTM之父又來搞事情了。

知名計算機科學家Jürgen Schmidhuber發表推文稱，Hopfield & Hinton的2024年諾貝爾物理學獎是抄襲得來的。

Jürgen聲稱，這兩位教授重新發表了烏克蘭研究者Ivakhnenko和日本研究者Amari在20世紀60年代和1970年代開發的方法以及其他技術，且沒有引用原作者。

目前這一帖子在X上已經獲得了2.1k點贊、超過44萬次瀏覽。

有網友表示如果事情是真的，那將比剽竊更糟糕：

不過也有網友覺得這是Jürgen吃不到葡萄就說葡萄酸的心理：

Jürgen還發表了一個詳細的技術報告，列出了兩位諾貝爾獲獎者工作的存疑之處，感興趣的朋友可以點擊參考鏈接2進一步閱讀。