Hopfield 网络（Hopfield network）是一种全连接的循环神经网络，由物理学家 John Hopfield 在 1982 年提出。它做的事很朴素：把若干模式"存"进网络，之后给它一个残缺或带噪的版本，它自行演化几步，就能把原样"想"回来。
一张会滚球的地形图
Hopfield 网络的每个神经元只有两种状态（如 +1 和 −1），神经元之间的连接权重对称，且没有自连接。这个设定是为了让它拥有一套带物理味道的东西：能量函数（energy function）。
可以把网络状态想成一片起伏的丘陵，能量函数就是地形高度。每个被存储的模式（比如一张黑白点阵图）都是地形里的一个低洼盆地。从山坡任意位置松手放一个球（给一个初始状态），在网络的更新规则下，球只会往下滚、不会往上爬——能量单调下降，直到停在某个谷底，那就是网络"回忆"出来的记忆。
这被称为内容可寻址记忆（content-addressable memory）：你不需要给出"第几号记忆"这样的地址，只要给出一部分内容，网络就会被吸引到最接近的那个吸引子（attractor）上。
和邻居们的区别
| 概念 | 关键差别 |
|---|---|
| 前馈网络（feedforward network） | 一路向前算完就出结果，没有反馈回路；Hopfield 靠反复迭代收敛的动力学系统给出答案 |
| 玻尔兹曼机（Boltzmann machine） | 在其基础上加入随机性与隐藏单元，允许以一定概率"往上走"，从而跳出局部极小 |
| Transformer / 大模型 | 结构、规模、训练方式都不同；但注意力机制可以写成连续状态的现代 Hopfield 网络更新 |
局限同样清楚：容量有限，能稳定存储的模式数大致只有神经元数量的十分之一量级；存得太满会出现"伪吸引子"，回忆起一张并不存在、由几张图混合而成的鬼影。
为什么说它是大模型的远房祖先
2024 年诺贝尔物理学奖授予 John Hopfield 和 Geoffrey Hinton，表彰他们为人工神经网络与机器学习奠定基础——这是"远房祖先"最直白的注脚。更实质的原因有三点：
1. 它证明了"简单单元 + 相互作用规则，能涌现出集体计算能力"，这条信念后来支撑了整个深度学习。
2. 能量视角把记忆问题翻译成物理中的自旋系统问题，统计物理的工具由此进入机器学习，玻尔兹曼机、能量模型都从这条线索长出来。
3. "把记忆写成动力学系统的稳定点"这一思路至今活着，后续研究已指出连续型现代 Hopfield 网络的更新规则与 Transformer 注意力在数学形式上有对应。
对从业者，它小到能动手算，是理解吸引子、能量下降、联想记忆的最佳入门玩具；对普通人，它给的直觉很值钱：记忆不是把文件塞进抽屉再按编号取出，而是在一片地形里被"吸"回去的。