La Real Academia de Ciencias de Suecia anunció que el Premio Nobel de Física 2024 se otorgará al científico estadounidense John Hopfield y al científico canadiense británico Geoffrey Hinton, en reconocimiento a sus descubrimientos e inventos fundamentales en el aprendizaje automático utilizando redes neuronales artificiales.
Como premio Nobel con una posición fundamental y una profunda influencia en la comunidad científica, no es solo el mayor reconocimiento de los logros individuales de los científicos, sino también una fuerza impulsora e incentivo para toda la causa científica. Y otorgar el Premio Nobel al aprendizaje automático esta vez no es solo un alto reconocimiento de la profunda integración de la física y la IA, sino también una afirmación del valor del aprendizaje automático como disciplina para el descubrimiento e invención.
El fundador de Machine Learning
Hoy en día, siempre que preste atención a algunos informes relacionados con la tecnología, definitivamente estará familiarizado con la IA. Muchas compañías nacionales ya han lanzado grandes modelos, y creo que muchas personas ya los han usado. Y estos modelos de IA se crearon principalmente usando el aprendizaje automático.
A diferencia de los conocidos grandes modelos de hoy, el Premio Nobel de Física no se otorga a los grandes modelos actuales, sino a la Red Neural de Hopfield propuesta por Hopfield en 1982 y la máquina Boltzmann inventada por Hinton en la década de 1980.
A principios de la década de 1980, los campos de la informática e inteligencia artificial estaban en la etapa de explorar nuevos modelos y tecnologías informáticas. En ese momento, los investigadores comenzaron a volver a examinar las redes neuronales como una forma de procesar información, especialmente a fines de la década de 1960 y principios de los años setenta, cuando la investigación en redes neuronales cayó en un valle bajo debido a las limitaciones en el poder informático y las críticas de los primeros modelos simples. como los perceptrones.
En este contexto, Hopfield propuso formalmente la red Hopfield, que se caracteriza por todos los nodos de neuronas interconectados, formando una estructura de red totalmente conectada. Esta red proporciona un modelo que simula la memoria humana, asegurando la convergencia a los mínimos locales pero potencialmente convergiendo a mínimos locales incorrectos en lugar de mínimos globales. Por lo tanto, esta red puede tener una amplia gama de aplicaciones en memoria asociativa y reconocimiento de patrones.
Por ejemplo, debido a la función de memoria asociativa similar a la del cerebro humano, la red de Hopfield puede reconocer y corregir la información de entrada incluso incompleta o ruidosa. Por supuesto, este tipo de red también tiene limitaciones en aplicaciones prácticas, como capacidad de memoria limitada, fácil interferencia entre modos, baja tolerancia al ruido y actualizaciones de sincronización inestables. Pero proporcionó inspiración para la investigación posterior de las redes neuronales, promoviendo el desarrollo de arquitecturas de redes y métodos de capacitación más complejos.
