／© Johan Jarnestad/The Royal Swedish Academy of Sciences

此一神经网络经过训练，例如在同时具备高值的节点之间创建更强的链接。今年的两位获奖者从1980年代便开始从事重要的人工神经网络任务。

其中，Hopfield是著名的理论物理学家及神经科学家，曾创建开创性的Hopfield网络，以一种特殊的方式来存储与重建模式（Pattern）。Hopfield利用物理学中描述材料特性的理论，其特性来自原子自旋，每个原子就像是一个微小磁铁，Hopfield网络的运作方式类似物理学自旋系统中的能量，并通过调整节点之间的链接值进行训练，以低能量保存图像。

因此，当Hopfield网络接受到一个扭曲或不完整的图像时，它会渐次更新节点的值，降低网络的总能量，逐步找出与所输入图像最相似的已存储图像，完成图像的重建。

简单地说，Hopfield网络是通过物理学中能量最小化的过程来进行自我组织与学习，成为之后许多深度学习研究的灵感来源。

至于Hinton则以Hopfield网络为基础，利用统计物理学的工具，以不同的方式创建了Boltzmann机器网络，能够自动学习以辨识数据中的特征。此一机器的训练方式是，供应它那些实际运作时最可能出现的各种例子，可用来分类图像，或是创造出与其训练模式相似的例子。Hinton的研究推动了机器学习的爆炸性发展，并赢得了AI教父的美名。

对机器学习贡献巨大的Hinton在去年离开了任职十多年的Google，原因是他认为AI可能对人类带来重大危害，当时他通过X表示，纽约时报的报导暗示他的离开是为了方便批评Google，但事实上他离开是为了可以在不顾及Google的情况下谈论AI的风险，Google已经是家很负责的公司。

被誉为AI教父，甚至因此获得诺贝尔奖的Hinton其实参与了许多抑制AI发展的倡议，例如他署名赞成美国加州的AI法案SB 1047。该法案的目的是为了确保AI模型的安全及可控性，要求开发者必须设计一个能够完全关闭模型的能力，而且必须由第三方稽核模型的安全性，不过，此一法案已被州长Gavin Newsom否决，台面上的原因是该法令只针对大规模模型，而忽略小模型所带来的危害。

Hopfield与Hinton将可平分1,100万瑞典克朗（约110万美元）的奖金。