2024年诺贝尔物理学奖为何授予机器学习？
2024年诺贝尔物理学奖颁布
据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。他们将平分1100万瑞典克朗（约合745万元人民币）奖金。
约翰·J·霍普菲尔德，1933年出生于美国伊利诺伊州芝加哥市，1958年获得美国康奈尔大学博士学位，现任美国普林斯顿大学教授。
杰弗里·E·辛顿，1947年出生于英国伦敦，1978年获得英国爱丁堡大学博士学位，现任加拿大多伦多大学教授。
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。玻尔兹曼机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，当前通常被用作一个大的神经网络的一部分。这种机器学习帮助推动了当今机器学习的快速发展。
那么诺贝尔物理学奖为何花落机器学习？
据诺贝尔物理学委员会秘书乌尔夫·丹尼尔送表示：“物理学奖可以授予理论上、实验上或者观测上的发现，也可以授予发明，今年的获奖成果从某种意义上讲也是一种发明，一种可以多种方式应用的发明。”
机器学习在过去15到20年里爆炸式发展，它利用了一种叫做神经网络的结构。所以当我们谈论人工智能时，通常指的是使用人工神经网络的机器学习。虽然计算机不能思考，但机器现在可以模拟记忆和学习等功能。这要得益于今年诺贝尔物理学奖得主的创造性工作。
今年的两位诺贝尔物理学奖得主两位获奖者约翰·霍普菲尔德和杰弗里·辛顿从20世纪80年代开始就在人工神经网络方面开展了重要工作。他们使用了物理学的工具来开发方法，这些方法是当今强大的机器学习的基础。
机器学习与传统软件不同，传统软件的工作方式就像一种配方。传统软件接收数据，然后根据清晰的描述进行处理并产生结果，就像有人收集原料并按照食谱处理。相反，在机器学习中，计算机通过实例学习，使其能够解决模糊和复杂的问题，这些问题无法通过一步一步的指令来管理。
辛顿使用了统计物理学的工具，通过给机器输入案例来训练机器。玻尔兹曼机不是从指令中学习，而是从给定的例子中学习，它可对图像进行分类或为它所训练的模式类型创建新的案例。玻尔兹曼机每次更新一个节点（Node）的值，最终机器将进入一种状态，在这种状态下，节点（Node）的模式可以改变，但整个网络属性维持不变。
OAK与神经网络
今天的人工智能神经网络通常是巨大的，由更多层组成，它们被称为深度神经网络，它们的训练方式被称为深度学习。而OAK所有整机产品均配有可以进行边缘神经网络推理的AI芯片，也间接受益于John J. Hopfield与Geoffrey E. Hinton的早期基础性研究与发明。
在当前OAK的产品中我们内置了RVC系列芯片组，RVC2是第二代应用于OAK 3D AI相机的芯片组，它拥有16nm制程的板载AI芯片，带有4T边缘算力，支持多种AI模型以及自定义AI架构，可以在边缘进行每秒高达9160亿次高性能边缘神经网络推理运算，我们在最新发售的OAK-D-SR-PoE和OAK-FFC-4P系列产品上均搭载、应用了这项技术。
RVC2芯片组拥有高达数十个开源神经网络节点（Node），支持在边缘（相机端）实现高性能神经网络推理运算，其中包含（深度测距、点云成像、ToF、Yolo、IMU、视频拍摄与录制、物体追踪等），广泛应用于各行各业的实际生产与作业中。
随着人工智能越来越深入的研究，诺奖官方评价称，物理学为机器学习的发展提供了工具，物理学作为一个研究领域如何也从人工神经网络中受益将是有趣的。OAK中国/OAKChina将持续致力于边缘人工智能技术的研究与发展，为边缘3D AI相机的产品进步添砖加瓦！
