Джон Хопфилд и Джеффри Хинтон стали лауреатами Нобелевской премии по физике 2024 года за новаторский вклад в развитие машинного обучения с использованием искусственных нейронных сетей. Нобелевский комитет отметил этих двух ученых "за основополагающие открытия и изобретения, позволяющие осуществлять машинное обучение с помощью искусственных нейронных сетей".

Хопфилд разработал ассоциативную память, способную хранить и восстанавливать паттерны в данных, а Хинтон изобрел метод автономного распознавания свойств в данных. Оба исследователя черпали вдохновение в концепциях физики: Сеть Хопфилда основана на физике описания свойств материалов на основе атомных спинов, а машина Больцмана Хинтона использует подходы из статистической физики.

Нобелевский комитет подчеркнул, что работа Хопфилда и Хинтона лежит в основе современных мощных систем искусственного интеллекта. Их открытия уже находят применение в различных областях физики, например, в разработке новых материалов.

Лауреаты разделят между собой денежный приз в размере 11 млн шведских крон.

Нобелевская премия стала для Джеффри Хинтона второй громкой наградой за последние годы. В марте 2019 года он вместе с Янном Лекуном и Йошуа Бенгио получил премию Тьюринга — самую престижную награду в области компьютерных наук. Премия в миллион долларов отметила достижения трех исследователей в области глубокого обучения, которое стало доминирующим методом вычислений ИИ.

По словам лауреатов премии Тьюринга, Хинтон, ЛеКун и Бенгио упорно продолжали развивать метод глубокого обучения, даже когда другие ученые потеряли веру в него. Их настойчивость принесла свои плоды, поскольку выдающиеся достижения ИИ последних лет, такие как обработка речи и автоматическое распознавание и создание изображений, основаны на глубоком обучении в сочетании с более мощными компьютерами и огромными объемами данных.

Значительный перелом в развитии глубокого обучения произошел в 2012 году, когда сеть глубокого обучения, разработанная Хинтоном, превзошла все конкурирующие методы в тесте на распознавание изображений Imagenet на 41%. После этого глубокое обучение стало доминирующим методом вычислений в ИИ.