Pionierzy uczenia maszynowego zdobyli Nagrodę Nobla w dziedzinie fizyki

Pionierzy uczenia maszynowego zdobyli Nagrodę Nobla w dziedzinie fizyki

Dwóch badaczy, którzy... Metody uczenia maszynowego rozwinęli to, co dzisiaj Boom na sztuczną inteligencję (AI) leżące u ich podstaw, otrzymali Nagrodę Nobla w dziedzinie fizyki 2024.

John Hopfield z Uniwersytetu Princeton w New Jersey i Geoffrey Hinton z Uniwersytetu w Toronto w Kanadzie podzielili się nagrodą w wysokości 11 milionów koron szwedzkich (1 milion dolarów), ogłoszoną 8 października przez Królewską Szwedzką Akademię Nauk w Sztokholmie.

Obaj wykorzystali narzędzia fizyczne do opracowania metod sztuczne sieci neuronowe które wykorzystują inspirowane mózgiem, warstwowe struktury do nauki abstrakcyjnych pojęć. Ich odkrycia „tworzą elementy uczenia maszynowego, które mogą pomóc ludziom podejmować szybsze i pewniejsze decyzje” – powiedziała podczas ogłoszenia Ellen Moons, przewodnicząca Komitetu Nobla i fizyk z Uniwersytetu w Karlstad w Szwecji. „Sztuczne sieci neuronowe wykorzystano do przyspieszenia badań w różnych dziedzinach fizyki, od fizyki cząstek elementarnych, przez inżynierię materiałową, po astrofizykę”.

W 1982 roku Hopfield, biolog teoretyczny z doświadczeniem w fizyce, opracował sieć opisującą połączenia między węzłami jako siły fizyczne 1. Przechowując wzorce jako stan niskiego poboru mocy sieci, system może przywrócić obraz w przypadku napotkania podobnego wzorca. Stało się znane jako pamięć skojarzeniowa, ponieważ przypomina mózg próbujący zapamiętać rzadko używane słowo lub pojęcie.

Hinton, informatyk, wykorzystał później zasady fizyki statystycznej do zbiorczego opisu systemów składających się ze zbyt wielu pojedynczych części, aby móc dalej rozwijać „sieci Hopfielda”. Włączając prawdopodobieństwa do warstwowej wersji sieci, stworzył narzędzie zdolne do rozpoznawania i klasyfikowania obrazów lub generowania nowych przykładów tego typu, na którym było trenowane 2.

Procesy te różniły się od poprzednich obliczeń, ponieważ sieci mogły uczyć się na przykładach, w tym na danych nieustrukturyzowanych, co stanowi wyzwanie w przypadku tradycyjnego oprogramowania opartego na obliczeniach krok po kroku.

Sieci to „hojnie wyidealizowane modele, które różnią się od rzeczywistych biologicznych sieci neuronowych tak samo, jak jabłka od planet” – napisał Hinton w 2000 roku w Naturze. Okazały się jednak przydatne i zostały szeroko rozwinięte. Sieci neuronowe naśladujące uczenie się człowieka stanowią podstawę wielu zaawansowanych narzędzi sztucznej inteligencji, od dużych modeli językowych (LLM) po algorytmy uczenia maszynowego zdolne do analizowania dużych ilości danych, w tym Model przewidywania struktury białek AlphaFold.

W rozmowie telefonicznej, w której ogłoszono tę wiadomość, Hinton powiedział, że „grom z jasnego nieba”, gdy dowiedział się o swojej Nagrodzie Nobla. „Jestem zdumiony, nie miałem pojęcia, że ​​coś takiego się wydarzy” – powiedział. Dodał, że postęp w uczeniu maszynowym „będzie miał ogromny wpływ; będzie porównywalny z rewolucją przemysłową. Jednak zamiast przewyższyć ludzi siłą fizyczną, przewyższy ich zdolnościami intelektualnymi”.

1. Hopfield, JJ, Proc. Natl. Acad. Nauka. USA 79, 2554 (1982).

   Artykuł
   PubMed
   Scholar Google

2. Fahlman, SE, Hinton, G.E. i Sejnowski, T.J. Materiały z konferencji AAAI-83, s. 109-113 (1983).

   Scholar Google

Pobierz referencje