8 اکتبر 2024 -توسط آرون جی اسنوسول، گفتگو-اعتبار: ویکی پدیا
جایزه نوبل فیزیک 2024 به دانشمندان جان هاپفیلد و جفری هینتون «به خاطر اکتشافات و اختراعات اساسی که امکان یادگیری ماشینی با شبکه‌های عصبی مصنوعی را می‌دهد» اعطا شد.
هاپفیلد و هینتون با الهام از ایده های فیزیک و زیست شناسی، سیستم های کامپیوتری را توسعه دادند که می توانند الگوهای موجود در داده ها را به خاطر بسپارند و از آنها یاد بگیرند. علیرغم اینکه هرگز مستقیماً با یکدیگر همکاری نکردند، آنها بر اساس کار یکدیگر برای توسعه پایه های رونق فعلی در یادگیری ماشینی و هوش مصنوعی (AI) کار کردند.
شبکه های عصبی چیست؟ (و چه ربطی به فیزیک دارند؟)
شبکه‌های عصبی مصنوعی پشت بسیاری از فناوری‌های هوش مصنوعی هستند که امروزه از آن استفاده می‌کنیم.همانطور که مغز شما دارای سلول‌های عصبی است که توسط سیناپس‌ها به هم متصل شده‌اند، شبکه‌های عصبی مصنوعی نیز نورون‌های دیجیتالی دارند که در پیکربندی‌های مختلف به هم متصل هستند. هر نورون منفرد کار زیادی انجام نمی دهد. در عوض، جادو در الگو و قدرت اتصالات بین آنها نهفته است.
نورون ها در یک شبکه عصبی مصنوعی توسط سیگنال های ورودی “فعال می شوند”. این فعال‌سازی‌ها از یک نورون به نورون بعدی به روش‌هایی که می‌توانند اطلاعات ورودی را تبدیل و پردازش کنند، آبشار می‌شوند. در نتیجه، شبکه می تواند وظایف محاسباتی مانند طبقه بندی، پیش بینی و تصمیم گیری را انجام دهد.
بیشتر تاریخچه یادگیری ماشینی در مورد یافتن راه های پیچیده تر برای ایجاد و به روز رسانی این ارتباطات بین نورون های مصنوعی بوده است.
در حالی که ایده اصلی پیوند دادن سیستم‌های گره‌ها به یکدیگر برای ذخیره و پردازش اطلاعات از زیست‌شناسی سرچشمه می‌گیرد، ریاضیات مورد استفاده برای شکل‌دهی و به‌روزرسانی این پیوندها از فیزیک ناشی می‌شود.
شبکه هایی که می توانند به خاطر بسپارند
جان هاپفیلد (متولد 1933) یک فیزیکدان نظری ایالات متحده است که در طول حرفه خود در زمینه فیزیک بیولوژیکی سهم مهمی داشته است. با این حال، جایزه نوبل فیزیک برای کار او در توسعه شبکه های هاپفیلد در سال 1982 بود.
شبکه های هاپفیلد یکی از اولین انواع شبکه های عصبی مصنوعی بود. این سیستم ها با الهام از اصول نوروبیولوژی و فیزیک مولکولی، برای اولین بار نشان دادند که چگونه یک کامپیوتر می تواند از “شبکه ای” از گره ها برای به خاطر سپردن و به خاطر آوردن اطلاعات استفاده کند.
شبکه هایی که هاپفیلد توسعه داد می توانست داده ها را به خاطر بسپارد (مانند مجموعه ای از تصاویر سیاه و سفید). زمانی که از شبکه با تصویری مشابه خواسته می شود، می توان این تصاویر را با تداعی “یادآوری” کرد.
اگرچه استفاده عملی محدودی داشت، اما شبکه‌های هاپفیلد نشان دادند که این نوع ANN می‌تواند داده‌ها را به روش‌های جدیدی ذخیره و بازیابی کند. آنها پایه و اساس کارهای بعدی هینتون را گذاشتند.
ماشین هایی که می توانند یاد بگیرند
جف هینتون (متولد 1947) که گاهی اوقات به عنوان یکی از پدرخوانده های هوش مصنوعی شناخته می شود، دانشمند کامپیوتر بریتانیایی-کانادایی است که تعدادی از کمک های مهم در این زمینه داشته است. در سال 2018، همراه با یوشوا بنجیو و یان لکون، جایزه تورینگ (بالاترین افتخار در علم کامپیوتر) به دلیل تلاش هایش برای پیشبرد یادگیری ماشینی به طور کلی و به طور خاص شاخه ای از آن به نام یادگیری عمیق به او اعطا شد.
با این حال، جایزه نوبل فیزیک به طور خاص برای کار او با ترنس سجنووسکی و سایر همکارانش در سال 1984، در توسعه ماشین‌های بولتزمن است.
اینها توسعه شبکه هاپفیلد هستند که ایده یادگیری ماشینی را نشان می دهد – سیستمی که به رایانه اجازه می دهد نه از یک برنامه نویس، بلکه از نمونه هایی از داده ها یاد بگیرد. هینتون با استفاده از ایده‌هایی در دینامیک انرژی فیزیک آماری نشان داد که چگونه این مدل رایانه‌ای مولد اولیه می‌تواند یاد بگیرد که داده‌ها را در طول زمان با نشان دادن نمونه‌هایی از چیزهایی که باید به خاطر بسپارد، ذخیره کند.
ماشین بولتزمن، مانند شبکه هاپفیلد قبل از آن، کاربردهای عملی فوری نداشت. با این حال، یک فرم اصلاح شده (به نام ماشین محدود شده بولتزمن) در برخی مسائل کاربردی مفید بود.
مهم تر، پیشرفت مفهومی بود که یک شبکه عصبی مصنوعی می توانست از داده ها بیاموزد. هینتون به توسعه این ایده ادامه داد. او بعداً مقالات تأثیرگذاری در مورد پس انتشار (فرایند یادگیری مورد استفاده در سیستم‌های یادگیری ماشینی مدرن) و شبکه‌های عصبی کانولوشنال (نوع اصلی شبکه عصبی که امروزه برای سیستم‌های هوش مصنوعی که با داده‌های تصویری و ویدیویی کار می‌کنند استفاده می‌شود) منتشر کرد.
حالا چرا این جایزه؟
شبکه های هاپفیلد و ماشین های بولتزمن در مقایسه با شاهکارهای امروزی هوش مصنوعی عجیب به نظر می رسند. شبکه هاپفیلد فقط شامل 30 نورون بود (او سعی کرد یکی با 100 گره بسازد، اما برای منابع محاسباتی آن زمان خیلی زیاد بود)، در حالی که سیستم های مدرن مانند ChatGPT می توانند میلیون ها نورون داشته باشند. با این حال، جایزه نوبل امروز نشان می‌دهد که این کمک‌های اولیه چقدر در این زمینه مهم بوده است.
در حالی که پیشرفت سریع اخیر در هوش مصنوعی – که برای بسیاری از ما از سیستم های هوش مصنوعی مولد مانند ChatGPT آشناست – ممکن است برای طرفداران اولیه شبکه های عصبی توجیهی به نظر برسد، هینتون حداقل ابراز نگرانی کرده است. در سال 2023، پس از ترک یک دهه فعالیت در شعبه هوش مصنوعی گوگل، او گفت که از نرخ کار توسعه‌دهندگان می‌ترسد . نظر او به انبوه فزاینده صداهایی پیوست که خواستار مقررات فعال‌تر هوش مصنوعی بودند.
پس از دریافت جایزه نوبل، هینتون گفت هوش مصنوعی “مانند انقلاب صنعتی خواهد بود، اما به جای توانایی های فیزیکی ما، از توانایی های فکری ما فراتر خواهد رفت.” او همچنین گفت که هنوز نگران است که پیامدهای کارش ممکن است “سیستم هایی باهوش تر از ما باشد که در نهایت ممکن است کنترل را به دست گیرند.”
