A gépi tanulási úttörők megnyerik a Nobel -díjat a fizikáért
A gépi tanulási úttörők megnyerik a Nobel -díjat a fizikáért
Two researchers who boom link "> Boom in Asistrialis Intelligence (ki). A Nobel -díj a fizika 2024 -es számának.
John Hopfield, a New Jersey -i Princetoni Egyetemen és Geoffrey Hinton a kanadai Toronto Egyetemen, a 11 millió svéd korona (1 millió dollár) árát osztja meg, amelyet október 8 -án jelentettek be a stockholmi királyi tudományos akadémia október 8 -án.
Mindkét fizikai eszköz olyan módszerek kidolgozására, amelyek " testszexuális link "> meghajtó naturális neurális networks struktúrák az absztrakt fogalmak megtanulásához. Felfedezései "képezik a mechanikus tanulás építőköveit, amelyek segítenek az embereknek gyorsabb és megbízhatóbb döntések meghozatalában" - mondta Ellen Moons, a Nobel -bizottság elnöke és a svéd Karlstadi Egyetem fizikusának. "Mesterséges neurális hálózatokat használtak a különféle fizikai témák kutatásának előmozdítására, a részecskefizikától az anyagtudományokig az asztrofizikáig."
1982-ben Hopfield, a fizikai háttérrel rendelkező elméleti biológus olyan hálózatot fejlesztett ki, amely a csomópontok közötti kapcsolatokat fizikai erőknek írta le. A mintáknak a hálózat alacsony energiájának állapotának tárolásával a rendszer képes volt visszaállítani a képet, amikor hasonló mintával szembesült. Associative memóriaként vált ismertté, mert hasonlít az agyra, amely megpróbál emlékezni egy ritkán használt szóra vagy koncepcióra.
AHinton, a számítógépes tudós, később a statisztikai fizikából származó alapelveket használt, amelyeket a túl sok alkatrészből álló rendszerek kollektív leírására használtak a "Hopfield hálózatok" továbbfejlesztésére. A valószínűségek integrálásával a hálózat rétegelt verziójába létrehozott egy eszközt, amely képes volt felismerni és osztályozni a képeket, vagy új példákat generálhat a típusra, amelyen kiképezték.
Ezek a folyamatok különböztek a korábbi számításoktól, mivel a hálózatok képesek voltak tanulni példákból, beleértve a strukturálatlan adatokat is, ami kihívást jelent a hagyományos szoftverek számára, a Step -ABY -Step számítások alapján.
A hálózatok "nagylelkűen idealizált modellek, amelyek ugyanolyan különböznek a valós biológiai neuronális hálózatoktól, mint a bolygók alma", írta Hinton 2000 -ben a természetben . De bebizonyították, hogy hasznosak és széles körben fejlődtek. Az emberi tanulást utánzó ideghálózatok sok magasan fejlett AI eszköz alapját képezik, a nagy hangmodellektől (LLMS) a gépi tanulási algoritmusokig, amelyek nagy mennyiségű adatot képesek elemezni, beleértve a Protein Struction előrejelzési modell Alphafold .
A bejelentésről szóló telefonbeszélgetésben Hinton azt mondta, hogy "egy villanás a kékből", amikor megtudta a Nobel -díjat. "Csodálkozom, fogalmam sem volt, hogy ez megtörténik" - mondta. Hozzátette, hogy a mechanikus tanulásban bekövetkezett haladás „óriási befolyást gyakorol; összehasonlítható lesz az ipari forradalommal. De ahelyett, hogy a fizikai erőben túllépne az embereket, meghaladja az intellektuális képességű embereket”.
-
hopfield, J. J., Proc. Natl. Akad. Sci. USA 79, 2554 (1982).