Nobel de Física per als pioners de les xarxes neuronals que van establir les bases de la IA

El Premi Nobel de Física 2024 ha sigut concedit als científics John Hopfield i Geoffrey Hinton “per descobriments i invencions fundacionals que permeten l'aprenentatge automàtic amb xarxes neuronals artificials”.

Inspirant-se en nocions de la física i la biologia, Hopfield i Hinton van desenrotllar sistemes informàtics capaços de memoritzar i aprendre de patrons en les dades. Encara que mai van col·laborar directament, es van basar en el treball de l'altre per a desenrotllar les bases de l'actual auge de l'aprenentatge automàtic i la intel·ligència artificial (IA).

Què són les xarxes neuronals?

Les xarxes neuronals artificials estan darrere de gran part de la tecnologia de IA que utilitzem hui dia.

De la mateixa manera que el nostre cervell té cèl·lules neuronals unides per sinapsis, les xarxes neuronals artificials tenen neurones digitals connectades en diverses configuracions. Cada neurona individual no fa gran cosa. La màgia residix en el patró i la força de les connexions entre elles.

Les neurones d'una xarxa neuronal artificial es “activen” mitjançant senyals d'entrada. Estes activacions es transmeten en cascada d'una neurona a una altra de manera que poden transformar i processar la informació d'entrada. Com a resultat, la xarxa pot dur a terme tasques computacionals com la classificació, la predicció i la presa de decisions.

La major part de la història de l'aprenentatge automàtic ha consistit a trobar formes cada vegada més sofisticades de formar i actualitzar estes connexions entre neurones artificials.

Mentres que la idea d'enllaçar sistemes de nodes per a emmagatzemar i processar informació procedix de la biologia, les matemàtiques utilitzades per a formar i actualitzar estos enllaços procedixen de la física.

Xarxes que recorden

John Hopfield (nascut en 1933) és un físic teòric estatunidenc que va realitzar importants contribucions al llarg de la seua carrera en el camp de la física biològica. No obstant això, el premi Nobel de Física li ha sigut concedit pel seu treball en el desenrotllament de les xarxes d'Hopfield en 1982.

Les xarxes d'Hopfield van ser un dels primers tipus de xarxes neuronals artificials. Inspirats en principis de la neurobiologia i la física molecular, estos sistemes van demostrar per primera vegada com un ordinador podia utilitzar una “xarxa” de nodes per a recordar i recuperar informació.

Les xarxes desenrotllades per Hopfield podien memoritzar dades (com una col·lecció d'imatges en blanc i negre). Estes imatges podien “recordar-se” per associació quan se li demanava a la xarxa una imatge similar.

Encara que d'ús pràctic limitat, les xarxes d'Hopfield van demostrar que este tipus de xarxes neuronals artificials podien emmagatzemar i recuperar dades de formes noves. Van establir les bases per als treballs posteriors d'Hinton.

Màquines que poden aprendre

Geoff Hinton (nascut en 1947), a vegades considerat un dels padrins de la IA, és un informàtic britànic-canadenc que ha realitzat una sèrie d'importants contribucions a este camp. En 2018, juntament amb Yoshua Bengio i Yann LeCun, va ser guardonat amb el Premi Turing (el més alt honor en ciències de la computació) pels seus esforços per a avançar en l'aprenentatge automàtic en general i, específicament, en una branca del mateix anomenada aprenentatge profund.

El Premi Nobel de Física, no obstant això, se li concedix concretament pel seu treball amb Terrence Sejnowski i altres col·legues en 1984, desenrotllant màquines de Boltzmann.

Es tracta d'una extensió de la xarxa d'Hopfield que va demostrar la idea de l'aprenentatge automàtic: un sistema que permet a un ordinador aprendre no d'un programador, sinó d'exemples de dades. Basant-se en idees de la dinàmica energètica de la física estadística, Hinton va demostrar com este primer model d'ordinador generatiu podia aprendre a emmagatzemar dades al llarg del temps si se li mostraven exemples de coses que recordar.

La màquina de Boltzmann, igual que la xarxa d'Hopfield, no va tindre aplicacions pràctiques immediates. No obstant això, una forma modificada (anomenada màquina de Boltzmann restringida) va resultar útil en alguns problemes aplicats.

Més important va ser l'avanç conceptual que una xarxa neuronal artificial podia aprendre de les dades. Hinton va continuar desenrotllant esta idea. Més tard va publicar influents articles sobre retropropagación (el procés d'aprenentatge utilitzat en els moderns sistemes d'aprenentatge automàtic) i xarxes neuronals convolucionals (el principal tipus de xarxa neuronal utilitzat hui dia per als sistemes de IA que treballen amb dades d'imatge i vídeo).

Per què este premi, ara?

Les xarxes d'Hopfield i les màquines de Boltzmann semblen poca cosa si les comparem amb les proeses actuals de la IA. La xarxa d'Hopfield contenia només 30 neurones (va intentar fer una amb 100 nodes, però era massa per als recursos informàtics de l'època), mentres que sistemes moderns com ChatGPT poden tindre milions. No obstant això, el Nobel subratlla l'importants que van ser estes primeres contribucions al camp.

Encara que el ràpid progrés recent de la IA –que la majoria coneixem per sistemes de IA generativa com ChatGPT– podria semblar una reivindicació dels primers defensors de les xarxes neuronals, Hinton almenys ha expressat la seua preocupació. En 2023, després d'abandonar el seu lloc d'una dècada en la divisió de IA de Google, va dir que estava espantat pel ritme de desenrotllament i es va unir a la creixent multitud de veus que demanen una regulació més proactiva de la IA.

Després de rebre el premi Nobel, Hinton va assegurar</> que la IA serà “com la Revolució Industrial, però en lloc de les nostres capacitats físiques, superarà les nostres capacitats intel·lectuals”. També va assenyalar que encara el preocupa que les conseqüències del seu treball puguen ser “sistemes més intel·ligents que nosaltres que acaben prenent el control”.

Aaron J. Snoswell, Research Fellow in AI Accountability, Queensland University of Technology

Este article va ser publicat originalment en The Conversation.