کشف ابزارهای کلیدی برای یادگیری ماشین برنده جایزه نوبل فیزیک 2024 شد

با افزایش محبوبیت هوش مصنوعی، دو تن از پیشگامان آن برنده جایزه نوبل فیزیک 2024 شدند.

آکادمی سلطنتی علوم سوئد در استکهلم در 8 اکتبر اعلام کرد که این جایزه به جان هاپفیلد و جفری هینتون «برای اکتشافات و اختراعات مهمی که یادگیری ماشینی را با شبکه‌های عصبی مصنوعی امکان‌پذیر می‌سازد» تعلق می‌گیرد. این ابزارهای محاسباتی که به دنبال تقلید از عملکرد مغز انسان، فناوری‌های زیربنایی مانند الگوریتم‌های تشخیص تصویر، مدل‌های زبان بزرگ از جمله ChatGPT، ربات‌های فوتبال‌باز و غیره هستند.SN: 2/1/24; SN: 24/5/24).

این جایزه بسیاری را شگفت زده کرد، زیرا این پیشرفت ها معمولاً به جای فیزیک با علم کامپیوتر مرتبط است. اما کمیته نوبل خاطرنشان کرد که این تکنیک ها بر اساس روش های فیزیکی است.

با این حال، هیچ کس به اندازه خود هینتون شوکه نشد: «من حیرت زده ام. اصلاً فکر نمی‌کردم این اتفاق بیفتد. من بسیار تعجب کردم.

تکنیک ها اساس دستاوردهای مختلف علمی هستند. شبکه‌های عصبی به فیزیکدانان کمک کرده‌اند تا با مقادیر زیادی از داده‌های پیچیده برخورد کنند و پیشرفت‌های مهمی را ممکن می‌سازد که شامل تصویربرداری از سیاه‌چاله‌ها و توسعه مواد برای فناوری‌های جدید مانند باتری‌های پیشرفته است.SN: 04/13/23; SN: 01/16/24). یادگیری ماشین همچنین با نوید بهبود تصویربرداری پزشکی و درک تاشو پروتئین در زمینه های بیولوژیکی و پزشکی پیشرفت هایی داشته است.SN: 06/17/24; SN: 9/23/23).

کریگ راملال محقق هوش مصنوعی از دانشگاه هند غربی در سنت آگوستین در ترینیداد گفت: «این جایزه این واقعیت را تقویت می‌کند که هوش مصنوعی تنها یک فناوری خاص نیست، بلکه یک انقلاب علمی با تأثیرات بین‌رشته‌ای است». مهمتر از آن، این جایزه هوش مصنوعی را به عنوان ابزاری برای درک و شبیه‌سازی دنیای طبیعی مشروعیت می‌بخشد، که امیدواریم نوآوری بیشتری را به همراه داشته باشد.»

شبکه های عصبی برای شناسایی الگوها در داده ها به جای محاسبات برنامه ریزی شده صریح طراحی شده اند. آنها بر اساس شبکه ای از عناصر منفرد به نام گره ها هستند که از نورون های منفرد در مغز الهام گرفته شده اند. آموزش شبکه عصبی با تغذیه داده ها، توانایی آن را برای استنتاج دقیق با بهینه سازی قدرت اتصالات بین گره ها بهبود می بخشد.

در سال 1982، هاپفیلد از دانشگاه پرینستون یک نوع اولیه از شبکه عصبی به نام شبکه هاپفیلد ایجاد کرد که می توانست الگوها را در داده ها ذخیره و بازسازی کند. این شبکه شبیه به مواد مغناطیسی در فیزیک بود، که در آن اتم ها دارای میدان های مغناطیسی کوچکی هستند که می توانند به سمت بالا یا پایین اشاره کنند، مشابه مقادیر 0 یا 1 در هر گره از یک شبکه هاپفیلد. برای هر پیکربندی معینی از اتم ها در یک ماده، دانشمندان می توانند انرژی آن را تعیین کنند. شبکه هاپفیلد پس از آموزش روی الگوهای مختلف، انرژی آنالوگ را به حداقل می رساند تا مشخص شود کدام یک از این الگوها در داده های ورودی پنهان شده است.

“از نظر من فیزیک در تلاش است تا بفهمد سیستم ها چگونه کار می کنند. سیستم ها از قطعات تشکیل شده اند. هاپفیلد در اظهاراتی که به طور مجازی در طی یک کنفرانس خبری در پرینستون ارائه شد، گفت: این بخش‌ها با هم تعامل دارند.

هینتون از دانشگاه تورنتو بر اساس این تکنیک ساخته شد و یک شبکه عصبی به نام ماشین بولتزمن ایجاد کرد که بر اساس فیزیک آماری از جمله کارهای فیزیکدان اتریشی قرن نوزدهم لودویگ بولتزمن است. ماشین های بولتزمن حاوی گره های اضافی هستند که پنهان هستند – آنها داده ها را پردازش می کنند اما ورودی مستقیم دریافت نمی کنند. حالت های ممکن مختلف مدل، احتمال وقوع متفاوتی دارند. این احتمالات توسط توزیع بولتزمن تعیین می شود، که پیکربندی بسیاری از ذرات، مانند مولکول های یک گاز را توصیف می کند.

ربکا ویلت، دانشمند کامپیوتر از دانشگاه شیکاگو، می‌گوید: «کاری که هاپفیلد و هینتون انجام داده‌اند، نه تنها برای جوامع علمی که هوش مصنوعی و شبکه‌های عصبی را توسعه می‌دهند، بلکه برای بسیاری از جنبه‌های جامعه، دگرگون‌کننده بوده است.

دو برنده جایزه 11 میلیون کرون سوئد یا حدود 1 میلیون دلار را به اشتراک خواهند گذاشت.

“در واقع از شنیدن آن خوشحال شدم. ماکس ولینگ، محقق هوش مصنوعی از دانشگاه آمستردام، می‌گوید: این یک شگفتی بزرگ بود. او می گوید: «ارتباط بسیار واضحی با فیزیک وجود دارد… خود مدل ها عمیقاً از مدل های فیزیک الهام گرفته شده اند.» سعی کنید فناوری ایجاد کنید که تأثیر بیشتری بر فیزیک، به ویژه در بخش روش‌ها داشته باشد. سخت است.»

از دهه 1980، محققان این مدل ها را بسیار بهبود بخشیده و آنها را به طور چشمگیری افزایش داده اند. مدل‌های یادگیری ماشین عمیق اکنون دارای لایه‌های بسیاری از گره‌های پنهان هستند و صدها میلیارد اتصال بین گره‌ها را به رخ می‌کشند. مقادیر عظیمی از داده‌ها برای آموزش شبکه‌ها با جستجوی اینترنت برای متن یا تصاویر برای تغذیه در آنها استفاده می‌شود.

اگرچه فناوری‌های هوش مصنوعی مبتنی بر شبکه‌های عصبی قادر به دستیابی به دستاوردهایی غیرقابل تصور در دهه 1980 هستند، اما این فناوری هنوز دارای مشکلات متعددی است. بسیاری از محققان اکنون بر درک این موضوع تمرکز کرده اند که چگونه گسترش یادگیری ماشینی می تواند تأثیرات منفی بر جامعه داشته باشد، مانند تقویت تعصب نژادی، تسهیل گسترش اطلاعات نادرست، و سریع و آسان کردن سرقت ادبی و کلاهبرداری.SN: 9/10/24; SN: 2/1/24; SN: 4/12/23).

در حالی که برخی از دانشمندان، از جمله هینتون، نگران این هستند که هوش مصنوعی بتواند فوق‌هوشمند شود، روش یادگیری هوش مصنوعی با الگوهای یادگیری انسان متفاوت است و بسیاری از محققان مخالف هستند که هوش مصنوعی در راه سلطه بر جهان است.SN: 2/28/24). مدل‌های هوش مصنوعی به دلیل انجام اشتباهات مضحک که عقل سلیم را به چالش می‌کشند، بدنام هستند. دانشمندان هنوز به طور فعال در حال کار برای تعریف اینکه چگونه عباراتی مانند “درک” را می توان برای سیستم های یادگیری ماشین به کار برد و بهترین روش برای آزمایش قابلیت های آنها (SN: 7/10/24).

“نگرانی های واقعی در مورد چگونگی وجود دارد [AI is] ویلت می‌گوید، بر کار و بازار کار تأثیر می‌گذارد، چگونه اطلاعات نادرست و دستکاری داده‌ها را ممکن می‌سازد. من فکر می‌کنم این نگرانی‌ها در اینجا و اکنون بسیار واقعی هستند. این به این دلیل است که افراد می توانند این ابزارها را گرفته و از آنها برای اهداف مخرب استفاده کنند.