辛顿研发的玻尔兹曼机作为生成模型的先驱，能够融入大型网络体系，依据用户偏好推荐影视作品。与传统软件遵循固定程序处理数据的方式不同，机器学习模仿实例进行学习，处理复杂问题，超越了详尽指令的范畴。
2024年诺贝尔物理学奖出人意料地颁给了机器学习领域，以表彰约翰·J·霍普菲尔德与杰弗里·E·辛顿在人工神经网络推动机器学习方面的开创性成就。辛顿在获奖时直言未曾预料。两位学者共享了1100万瑞典克朗奖金，约为745万元人民币。
机器学习近年来迅猛发展，核心在于人工神经网络技术，这也是现代人工智能的基石。尽管计算机不具备思考能力，却能通过模拟记忆与学习功能接近这一目标，这归功于诺贝尔奖得主们的创新工作。
霍普菲尔德与辛顿自80年代起就在人工神经网络研究中扮演关键角色，运用物理学工具奠定今日强大机器学习的基础。霍普菲尔德发明的联想记忆系统能存储并复原图像数据，其方法能识别最匹配的已存模式。通过结合对磁性材料的理解与计算技术，霍普菲尔德网络得以优化，支持更多样化的数据表达。
辛顿则在玻尔兹曼机的研究上取得突破，该模型能够从实例中学习，实现数据特征识别，为图像分类及模式生成提供可能。2006年，辛顿进一步优化了网络预训练方法，促进了深度学习领域的飞跃，玻尔兹曼机在个性化推荐系统中发挥了重要作用。
辛顿还因在深度学习上的贡献，与他人共同荣获2018年图灵奖。如今，深度神经网络规模庞大，广泛应用于各行各业及科学研究，物理学科与人工神经网络的互惠关系，预示着未来两者间更深层次的互动与进步。
