／© Johan Jarnestad/The Royal Swedish Academy of Sciences

此一神經網路經過訓練，例如在同時具備高值的節點之間建立更強的連結。今年的兩位獲獎者從1980年代便開始從事重要的人工神經網路任務。

其中，Hopfield是著名的理論物理學家及神經科學家，曾建立開創性的Hopfield網路，以一種特殊的方式來儲存與重建模式（Pattern）。Hopfield利用物理學中描述材料特性的理論，其特性來自原子自旋，每個原子就像是一個微小磁鐵，Hopfield網路的運作方式類似物理學自旋系統中的能量，並透過調整節點之間的連結值進行訓練，以低能量保存圖像。

因此，當Hopfield網路接受到一個扭曲或不完整的圖像時，它會漸次更新節點的值，降低網路的總能量，逐步找出與所輸入圖像最相似的已儲存圖像，完成圖像的重建。

簡單地說，Hopfield網路是透過物理學中能量最小化的過程來進行自我組織與學習，成為之後許多深度學習研究的靈感來源。

至於Hinton則以Hopfield網路為基礎，利用統計物理學的工具，以不同的方式建立了Boltzmann機器網路，能夠自動學習以辨識資料中的特徵。此一機器的訓練方式是，供應它那些實際運作時最可能出現的各種例子，可用來分類圖像，或是創造出與其訓練模式相似的例子。Hinton的研究推動了機器學習的爆炸性發展，並贏得了AI教父的美名。

對機器學習貢獻巨大的Hinton在去年離開了任職十多年的Google，原因是他認為AI可能對人類帶來重大危害，當時他透過X表示，紐約時報的報導暗示他的離開是為了方便批評Google，但事實上他離開是為了可以在不顧及Google的情況下談論AI的風險，Google已經是家很負責的公司。

被譽為AI教父，甚至因此獲得諾貝爾獎的Hinton其實參與了許多抑制AI發展的倡議，例如他署名贊成美國加州的AI法案SB 1047。該法案的目的是為了確保AI模型的安全及可控性，要求開發者必須設計一個能夠完全關閉模型的能力，而且必須由第三方稽核模型的安全性，不過，此一法案已被州長Gavin Newsom否決，檯面上的原因是該法令只針對大規模模型，而忽略小模型所帶來的危害。

Hopfield與Hinton將可平分1,100萬瑞典克朗（約110萬美元）的獎金。