10月8日下午，瑞典皇家科学院宣布将 2024 年诺贝尔物理学奖授予John J. Hopfield和Geoffrey E. Hinton，以表彰他们「通过人工神经网络实现机器学习的基础性发现和发明」。
两位获奖者中，John J. Hopfield还算是物理学出身，Geoffrey E. Hinton则与传统物理学搭不上什么边。得知获奖结果后，Hinton称「I have no idea that will happen（我没想到）」，接听电话时，他正在加利福尼亚的一家廉价旅馆里，等待做核磁共振扫描。
John Hopfield 1933年出生于美国芝加哥，现任美国普林斯顿大学教授。他原本在凝聚态物理学领域，后来兴趣转向生物学和神经科学。1980年代，霍普菲尔德设计了一个以他自己名字命名的神经网络——霍普菲尔德网络，这种网络可以实现信息的「内容可寻址存储」（content-addressable memory），使每份记忆都有一个地址，并可以像人脑那样根据联想线索提取信息，而不需要像传统计算机那样完整地备份和提取信息。
瑞典皇家科学院表彰John Hopfield称，他「创建了一种联想记忆，可以存储和重构图像以及其他类型的数据模式」。
1980年代，许多物理学家都曾利用霍普菲尔德网络实现了由物理学到神经科学的跨越。他们使用理论物理中的诸多工具来分析神经网络、构建学习算法。自此，物理、生物、计算、神经科学等领域联系愈加紧密。
Geoffrey Hinton 1947年出生于英国伦敦，现为加拿大多伦多大学教授。他虽然本科在剑桥大学读过生理学和物理学，但后来转向了哲学，先拿到心理学学士学位，后在爱丁堡大学获得人工智能方向的博士学位。
Hinton最为人知的名号是「深度学习教父」，OpenAI前首席科学家Ilya Sutskever就是他的学生。2012年，Hinton和Ilya Sutskever以及他的另一位学生Alex Krizhevsky一起，向NIPS会议提交了一篇介绍AlexNet的论文，作为一个神经网络，AlexNet史无前例地将图像识别的错误率降低到了18%。
Hinton一生都在研究如何在计算机中实现「大脑式计算」，他坚持对人工神经网络的研究，即使在神经网络的历次寒冬中。1986年，他和David Rumelhart共同发表的《Learning internal representations by error-propagation》一文，将误差反向传播算法引入深度学习，使得多层神经网络可以被训练以识别图像。
瑞典皇家科学院表彰Geoffrey Hinton称，他发明了一种「可以自动发现数据属性并执行任务的方法，例如识别图片中的特定元素」。
