La física o la IA tratan de descubrir las leyes esenciales del mundo. Este artículo está autorizado a partir del artículo escrito por Geek Park y compilado y compilado por Dongzhong. (Resumen preliminar: ¿Por qué están empeorando los robots de IA y ChatGPT? Investigación de la naturaleza: los modelos más grandes no son útiles) (Suplemento de antecedentes: ¿Cientos de miles de millones de dólares en inversiones en IA están destinados a convertirse en una burbuja? El profesor del MIT revela tres futuros después de que la moda disminuya ) Yo ¿Cómo puedes estar seguro de que no se trata de una llamada de broma? Este fue el pensamiento inicial de Geoffrey Hinton cuando recibió una llamada del comité del Premio Nobel a las 2 de la madrugada. En ese momento, el "padrino de la IA" de 77 años estaba en un hotel en California. La señal de Internet era débil y la señal del teléfono no era buena. Originalmente planeó hacerse una resonancia magnética para examinar su cuerpo ese día. No fue hasta que pensó que la llamada era de Suecia, que la persona que hablaba tenía un fuerte acento sueco y que había varias personas juntas que confirmó que había ganado el Premio Nobel de Física. Esta llamada telefónica desde Suecia rompió su plan del día y también marcó que sus años de investigación sobre redes neuronales y aprendizaje automático han sido reconocidos aún más por el mundo. El 8 de octubre, hora de Beijing, se le otorgó oficialmente el Premio Nobel de Física 2024 a él y a otro académico, John J. Hopfield, en reconocimiento a su trabajo fundamental en los campos del aprendizaje automático y las redes neuronales artificiales. John Hopfield, de 91 años, también quedó "un poco sorprendido" cuando recibió el mensaje. Los ganadores del Premio Nobel de Física 2024 John Hopfield y Geoffrey Hinton Fuente: Sitio web oficial del Nobel Cuando se anunció esta noticia, mucha gente se preguntó por qué se otorgó el Premio Nobel de Física a campos de la informática y la inteligencia artificial que parecen un poco alejados de la física. ? 1. La intersección de la física y las redes neuronales informáticas John Hopfield y Jeffrey Hinton han realizado importantes trabajos en el campo de las redes neuronales artificiales desde la década de 1980. Las redes neuronales artificiales, como su nombre indica, se derivan de imitar los principios de funcionamiento del cerebro. Los científicos imaginan que las neuronas del cerebro podrían recrearse como nodos computacionales que transmiten información a través de conexiones similares a las sinápticas.Una red de este tipo puede entrenarse para mejorar ciertas conexiones e inhibir otras, permitiendo así que el sistema aprenda y recuerde al procesar datos complejos, convirtiéndose en la base de la inteligencia artificial moderna. En la década de 1980, Hopfield, que tenía experiencia en física, comenzó a introducir conceptos físicos en el campo de las redes neuronales artificiales, especialmente el modelo de vidrio giratorio. Su avance fue proponer un modelo de memoria asociativa que puede almacenar y reconstruir información basándose en el sistema de espín de la física. Este modelo permite que la red neuronal se autocorrija a través de entradas incompletas y reconstruya el patrón original. Esta es la "Red Hopfield". . La idea básica de la red Hopfield es que cada nodo es similar a un píxel en la imagen. El nodo puede considerarse como el estado de energía del sistema, y ​​el objetivo de esta red es ajustar continuamente el peso de las conexiones entre los nodos. , reduzca la energía del sistema y esfuércese por encontrar el estado más estable y que ahorre energía. En este momento, el patrón generado por la red es el patrón completo reconstruido. Este mecanismo no sólo permite a la máquina reconstruir imágenes parcialmente perdidas o dañadas, sino que también extrae información general de entradas parciales. Luego, basándose en la red Hopfield, Jeffrey Hinton llevó las redes neuronales artificiales a un nuevo nivel. En ese momento, Hinton utilizó las herramientas de la física estadística, específicamente los modelos estadísticos del físico del siglo XIX Ludwig Boltzmann, para desarrollar una "máquina Boltzmann" que podía aprender a identificar características en ciertos tipos de elementos de datos. El núcleo de la máquina de Boltzmann reside en la probabilidad. Hinton se dio cuenta de que se podían identificar patrones en los datos calculando "probabilidades" y que las máquinas podían aprender qué patrones tenían más probabilidades de ocurrir y cuáles eran relativamente raros. Una máquina Boltzmann entrenada puede reconocer características familiares en información que nunca antes había visto. En la década de 1990, muchos investigadores perdieron el interés en las redes neuronales artificiales, pero Hinton fue uno de los pocos que continuó trabajando en este campo. Después de entrar en el siglo XXI, Hinton y sus colegas llevaron a cabo una formación previa mediante capas de máquinas Boltzmann. Este entrenamiento previo proporciona un mejor punto de partida para las conexiones en la red y optimiza el proceso de entrenamiento para que la red reconozca elementos de la imagen. Red Hopfield y máquina Boltzmann | Fuente de la imagen: Real Academia Sueca de Ciencias Gracias al trabajo realizado desde la década de 1980, John Hopfield y Geoffrey Hinton ayudaron a sentar las bases de la máquina a partir de 2010. Aprenda los conceptos básicos de la revolución. Dicho esto, sus contribuciones revolucionarias en el último siglo en realidad se originaron en su profundo conocimiento de los sistemas complejos en física. Es su aplicación de las herramientas y conceptos de la física lo que ha promovido el desarrollo de los campos del aprendizaje automático y las redes neuronales artificiales. Al mismo tiempo, la propia física moderna también se ha beneficiado de las redes neuronales artificiales, porque las redes neuronales artificiales se han convertido gradualmente en poderosas herramientas computacionales en física y pueden usarse en campos como la mecánica cuántica y la física de partículas. El presidente del Comité del Premio Nobel de Física señaló: "El trabajo de los galardonados ya ha aportado enormes beneficios. En física utilizamos redes neuronales artificiales en una amplia gama de campos, como en el desarrollo de nuevos materiales con propiedades específicas para las máquinas". aprendizaje Se ha utilizado durante mucho tiempo en áreas con las que podemos estar familiarizados gracias a premios Nobel de física anteriores. Estas incluyen el uso del aprendizaje automático para examinar y procesar las grandes cantidades de datos necesarios para descubrir el bosón de Higgs. Otras aplicaciones incluyen la reducción del ruido en las ondas gravitacionales. mediciones de agujeros negros en colisión, o en la búsqueda de exoplanetas "En los últimos años, la tecnología también ha comenzado a utilizarse para calcular y predecir las propiedades de moléculas y materiales, como el cálculo de la estructura molecular de proteínas que determinan su función, o determinar qué nuevas especies el material puede tener las mejores propiedades para células solares más eficientes”, dijeron funcionarios del Premio Nobel. 2. Tanto la física como la IA intentan comprender la naturaleza del mundo. Aunque las contribuciones de John Hopfield y Jeffrey Hinton se inspiraron en la física, sus contribuciones también retroalimentaron la física y otros campos. Pero a diferencia del pasado, el Premio Nobel de Física 2024 todavía ha causado mucha discusión y controversia. El principal punto de debate entre los internautas es si las contribuciones de los dos ganadores pertenecen al campo de la física. Algunas personas incluso dijeron que el comité del Nobel quería "aprovechar los puntos calientes de la IA". Hubo tantas sorpresas que los responsables del Premio Nobel lanzaron una encuesta: "¿Sabías que los modelos de aprendizaje automático se basan en ecuaciones físicas?” El funcionario del Premio Nobel preguntó a los internautas: ¿Sabían que los modelos de aprendizaje automático se basan en ecuaciones físicas? Fuente de la imagen: Se puede decir que el entrenamiento exitoso de redes neuronales profundas es el precursor de esta ronda de revolución de la IA. La red Hopfield ha sentado las bases para RBM. Veamos si AlphaFold puede ganar el Premio de Fisiología. , fundador y director ejecutivo de Mobvoi: "Los modelos matemáticos utilizados en física e inteligencia artificial son esencialmente modelados, pero el objeto de modelado del primero es el mundo físico y el objeto de modelado del segundo es la inteligencia. ¿Es esto más confiable?" de Horizon Yu Kai también dijo: "El propósito de la investigación en física es comprender las leyes esenciales de los sistemas físicos en la naturaleza, de modo que podamos crear e inventar sistemas físicos que no existen en la naturaleza...