Komitet Noblowski ogłosił, że Nagroda Nobla w dziedzinie fizyki za rok 2024 została przyznana Johnowi J. Hopfieldowi oraz Geoffrey’owi E. Hintonowi „za fundamentalne odkrycia i wynalazki umożliwiające uczenie maszynowe z wykorzystaniem sztucznych sieci neuronowych„. Chodzi tutaj o wykorzystanie narzędzi dostępnych fizykom do opracowania metod, które stanowią fundament dzisiejszego uczenia maszynowego. John Hopfield stworzył pamięć asocjacyjną, która może przechowywać i rekonstruować obrazy oraz inne typy wzorców danych. Geoffrey Hinton wynalazł metodę, która autonomicznie odkrywa właściwości danych, umożliwiając wykonywanie zadań takich jak identyfikacja konkretnych elementów na obrazach.
To ważny moment dla całego obszaru sztucznej inteligencji, który po raz pierwszy został doceniony przez Komitet Noblowski. Hopfield i Hinton, uważani za ojców chrzestnych AI, przyczynili się do koncepcyjnych i inżynieryjnych przełomów, które uczyniły głębokie sieci neuronowe kluczowym elementem współczesnej informatyki. Nagroda z fizyki jest wyrazem uznania dla roli, jaką ta dyscyplina i nauka o prawach natury odegrały w rozwoju sztucznej inteligencji, ale również przypomnieniem, że to prawa natury są zarówno fundamentem, jak i ograniczeniem możliwości sztucznej inteligencji.
Więcej o samych laureatach:
John Hopfield wynalazł sieć, która wykorzystuje metodę zapisywania i odtwarzania wzorców. Można to sobie wyobrazić jako węzły reprezentujące piksele, które tworzą obraz. Sieć Hopfielda działa w sposób analogiczny do procesów fizycznych zachodzących w materiałach o właściwościach magnetycznych, gdzie energia systemu jest minimalizowana w celu odnalezienia najbardziej prawdopodobnego wzorca. Gdy sieć otrzymuje zniekształcony lub niekompletny obraz, krok po kroku aktualizuje wartości węzłów, aby doprowadzić do odtworzenia pełnego obrazu. To podejście pozwoliło na efektywne przechowywanie i rekonstrukcję informacji, co miało ogromne znaczenie w dalszym rozwoju sztucznej inteligencji.
Geoffrey Hinton wykorzystał sieć Hopfielda jako fundament do stworzenia maszyny Boltzmanna – sieci, która może samodzielnie uczyć się rozpoznawania charakterystycznych cech danych. Hinton użył narzędzi z fizyki statystycznej, aby zrozumieć, jak systemy złożone z wielu elementów mogą się uczyć. Maszyna Boltzmanna może być używana do klasyfikacji obrazów lub generowania nowych wzorców, a wyniki tych badań stały się podstawą dla współczesnych algorytmów głębokiego uczenia.
