Џон Џеј Хопфилд и Џефри Е. Хинтон ја добија Нобеловата награда за физика за 2024 година „за фундаментални откритија и пронајдоци кои го овозможуваат машинското учење со вештачки невронски мрежи“.
Џон Хопфилд и Џефри Хинтон, двајцата научници кои ја добија Нобеловата награда за физика оваа година, користеа алатки од физиката за да ги развијат методите што денес ја формираат основата на машинското учење. Џон Хопфилд создаде асоцијативна меморија која може да складира и реконструира слики и други видови обрасци во податочни збирки. Џефри Хинтон смислил метод кој може автономно да ги пронајде својствата во податоците и да спроведува задачи од типот на идентификување на одредени елементи во сликите.
Многумина од нас користат алатки за преведување од еден јазик на друг на компјутери или мобилни телефони секој ден, системи способни да толкуваат слики или чет-ботови способни да поддржуваат кохерентни разговори и расудување. Овие апликации кои неодамна пристигнаа до пошироката јавност, исто така долго време се користат во научните истражувања за анализа на големи количини на податоци.
Кога зборуваме за вештачка интелигенција, обично се повикуваме на развојот на машинското учење, кое експлодира во последните 15-20 години преку таканаречените невронски мрежи, технологија инспирирана од структурата на човечкиот мозок. Во вештачката невронска мрежа, невроните се заменуваат со јазли кои имаат различни вредности и кои влијаат еден на друг преку силни или слаби врски, споредливи со синапсите (врските помеѓу невроните). Невронската мрежа може, на пример, да се обучи да развива посилни врски помеѓу јазлите кои истовремено покажуваат високи вредности. Двајцата добитници на Нобеловата награда за физика за 2024 година спроведуваа важни истражувања во доменот на невронските мрежи уште од 1980-тите години.
Џон Хопфилд, роден во Чикаго во 1933 година, сега професор на Универзитетот Принстон, смислил тип на вештачка невронска мрежа која користи метод за зачувување и рекреирање на повторливи обрасци. Во суштина, мрежата ја имитира способноста на човечкиот мозок да запомни нешта или да ги реконструира искривените слики. Ова тој го постигнува со асоцијативна меморија која може да запомни обрасци на податоци и има метод за нивно пресоздавање. На овој начин и со нецелосна или несовршена шема, невронската мрежа успева помеѓу складираните модели да го пронајде образец што е најсличен на исчезнатиот или неисправниот.
Јазлите на мрежата можеме да си ги претставиме како мноштво пиксели. Хопфилдовата мрежа ја користи физиката која ги опишува карактеристиките на материјалот што произлегуваат од неговиот спин (својство што го прави секој атом мал магнет).
Мрежата како целина е опишана на начин еквивалентен на описот на енергијата преку спинот, при што мрежата е обучена да ги идентификува вредностите за врските помеѓу јазлите на тој начин што зачуваните слики ќе имаат ниска енергија. Кога Хопфилдовата мрежа ќе даде искривена или нецелосна слика, таа методично работи низ јазлите и ги ажурира нивните вредности така што енергијата на мрежата се намалува. Мрежата потоа работи чекор по чекор за да ја лоцира зачуваната слика што е најслична на несовршената слика која била складирана.
Хопфилдовата мрежа може да се користи за рекреирање на податоци што содржат шум или кои се делумно избришани. Научникот го рафинирал овој метод за да вклучи јазли кои можат да складираат која било вредност, а не само нула или единица како дотогаш. Ако се вратиме на споредбата со пиксели, ова е еквивалентно на додавање бои на сликата, но и повеже од тоа. Асоцијативната меморија на Хопфилд овозможи да се препознае или да се реконструира секаков вид на нецелосни или корумпирани информации, без потреба од примери и на ненадгледен начин, сѐ додека оваа информација е изградена од многу точки на податоци.
Џефри Хинтон, роден во 1947 година во Лондон, денес професор на Универзитетот во Торонто, Канада, дошол во контакт со истражувањето на Хопфилд откако студирал експериментална психологија и вештачка интелигенција во Англија и Шкотска. Научникот се запрашал дали машините би можеле да научат да обработуваат информации на сличен начин како луѓето, наоѓајќи нови системи за категоризација и интерпретација.
Хинтон ја проширува работата на Хопфилд користејќи ги принципите на статистичката физика, фундаментална теорија што се користи за опишување на системи составени од многу слични компоненти, како што се молекулите во гасот. Не можете да ја следите секоја молекула во гасот, но можете да ги земете предвид честичките во збир за да ги заклучите својствата на тој гас, како што се температурата и притисокот.
Состојбите во кои овие поединечни компоненти на системот можат да постојат заедно може да се анализираат со статистичка физика. Некои состојби се поверојатни од другите: тоа зависи од количината на достапна енергија, опишана во една равенка од физичарот Лудвиг Болцман од деветнаесеттиот век. Хинтоновата мрежа се заснова на оваа равенка: методот е опишан во 1985 година под името Болцманова машина.
Болцмановата машина најчесто се користи со два различни типа на јазли. Информациите се доставуваат до групата видливи јазли. Останатите јазли формираат скриен слој. Вредностите и врските на скриените јазли, исто така, придонесуваат за енергијата на мрежата како целина, во основа влијаејќи на целото нејзино функционирање. Болцмановата машина може да научи, не од упатствата туку од дадените примери. Се тренира со ажурирање на вредностите во врските на мрежата на тој начин што обрасците на примерот, кои биле доделени на видливите јазли при обуката, имаат најголема можна веројатност да се појават кога машината работи.
Болцмановата машина може да препознае познати карактеристики во информации што никогаш не ѝ биле претставени, ако тие припаѓаат на категорија што веќе ја сретнала при обуката или ако може да ја разликува од материјал што не наликува на неа. Со текот на времето, овој модел станува сè “потенок“ и поефикасен и придонесе за монструозниот развој на вештачката интелигенција во последните години. Болцмановата машина често се користи како дел од поголема мрежа, на пример, со алгоритми кои препорачуваат низа заснована на преференциите на гледачот.
Работата на Хопфилд и Хинтон помогна да се постават темелите за револуцијата на машинското учење која започна во 2010 година, а беше олеснета со огромниот напредок во компјутерската моќ и достапноста на огромни количини на податоци за обука на невронски мрежи. Денес, вештачките невронски мрежи често се градат од многу слоеви, наречени длабоки невронски мрежи. Работата на двајцата добитници на Нобеловата награда за физика за 2024 година беше фундаментална за работата на некои од неодамна наградените Нобеловви – детекцијата на гравитациските бранови, потрагата по егзопланети, обидите за фотографирањето на хоризонтот на настани на црните дупки, откритието на Хигсовиот бозон.
Развојот на вештачката интелигенција порасна заедно со етичките грижи при нејзината употреба. Самиот Хинтон, честопати наречен „кум на вештачката интелигенција“, во 2023 година крена многу прав поради отказот од Google по повеќе од една деценија работа за нив, чин што го направи за да може послободно и без конфликт на интереси да зборува за ризиците од вештачката интелигенција. Неговата загриженост е особено фокусирана на ширењето лажни информации со користење на генеративната вештачка интелигенција и ризиците што развојот на овој тип на вештачката интелигенција ги носи за деловниот свет.