Научниците Џон Џ. Хопфилд и Џефри Е. Хинтон ја добија Нобеловата награда за физика за 2024 година. Наградата ја добија за нивниот придонес со темелни откритија и иновации кои го направија машинското учење преку вештачки невронски мрежи возможно. Наградата беше изненадување за Хинтон, кој призна дека е вчудоневиден од изборот.
Хопфилд и Хинтон на почетокот на 80-тите години на 20-тиот век, ги примениле принципите на физиката за развивање методи што го поддржуваат модерното машинско учење. Нивните откритија овозможија компјутерите да извршуваат задачи како препознавање на слики и завршување на патерни, способности што денес се вообичаени во секојдневната технологија.
Инспирирани од начинот на кој работи човечкиот мозок Џон Хопфилд од Универзитетот Принстон и Џефри Хинтон од Универзитетот во Торонто, тие креираа невронски мрежи кои можеа да зачуваат и да „се сетат“ на податоци – слично како мозокот на луѓето. Во овие мрежи тие користеа концепти од физиката за да го моделираат начинот на кој невронските мрежи складираат информации.
„Мислам дека [вештачката интелигенција] ќе има огромно влијание, кое ќе биде споредливо со индустриската револуција, но наместо надминување на физичката сила на луѓето, ќе ги надмине луѓето во интелектуалните способности. Немаме искуство за тоа како е да имаме работи кои се попаметни од нас и ќе биде прекрасно од многу аспекти. Во областите како здравство, ќе ни овозможи многу подобро здравство. Речиси сите индустрии ќе ги направи поефикасни. Луѓето ќе може да завршат иста работа со помош на асистент со вештачка интелигенција за многу пократко време. Ќе донесе огромни подобрување во продуктивноста. Мора да се грижиме и за повеќе потенцијално лоши последици. Пред сѐ, опасноста овие работи да излезат од контрола.“, вели Џефри Хинтон во говорот по освојувањето на Нобеловата награда.
Хинтон го нарекуваат и татко на вештачката интелигенција. Минатата година го напушти Google. При своето напуштање на компанијата предупреди на опасностите што може да се случат ако машините станат попаметни од луѓето.
Паричниот дел од наградата изнесува 11 милиони шведски круни или околу 1,1 милион долари), објави Кралската шведска академија на науки во Стокхолм.
Џон Џ. Хопфилд
Џон Џ. Хопфилд е американски теоретски биолог и физичар, познат по својата работа во развојот на Хопфилд мрежите. Во 1982 година, тој создаде мрежен модел кој користи идеи од физиката за да симулира процеси на учење и меморија во вештачките невронски мрежи. Овој модел, познат како Хопфилд мрежа, функционира како асоцијативна меморија, што значи дека може да складира и препознава модели. Тоа ја прави способна да препознае делумен влезен сигнал и да го „поправи“ во оригиналниот модел. Хопфилдовата мрежа користи концепт на „енергетски пејзаж“, каде мрежата се стреми кон состојби со најниска енергија, што овозможува ефикасно препознавање на шаблони.
Неговата работа претставува мост меѓу физиката, биологијата и компјутерските науки, отворајќи нови можности за разбирање на начинот на кој мозокот складира и обработува информации.
Што се Хопфилд мрежи?
Хопфилд мрежите се еден вид рекурентна невронска мрежа, развиени од Џон Џ. Хопфилд во 1982 година. Овие мрежи се состојат од група неврони кои се меѓусебно поврзани, и секој неврон може да се наоѓа во две состојби: активен или неактивен (обично претставени со „1“ и „-1“).
Карактеристиките на Хопфилд мрежите вклучуваат:
Хопфилд мрежите можат да „запомнат“ шаблони, односно тие работат на принципот на асоцијативно учење. Ако им се даде делумен или искривен влезен сигнал, тие можат да го препознаат и да го вратат запомнетиот шаблон.
Работата на мрежата може да се опише преку концептот на систем кој се стреми кон најниска енергија. Мрежата се стреми кон состојби со најниска енергија, кои одговараат на запомнетите шаблони. Ова значи дека кога на мрежата ѝ се даде делумен влез, таа ќе се „спушти“ до најблиската состојба со најниска енергија, со што ќе го пронајде најсоодветниот шаблон.
Во Хопфилд мрежите, врските помеѓу невроните се симетрични, што значи дека тежината на врската од неврон A кон неврон B е иста како и тежината од B кон A.
Едноставно објаснување на Хопфилд мрежите е да ги замислиме како мрежа од светилки, каде секоја светилка може да биде вклучена или исклучена. Овие светилки се поврзани меѓусебно, и кога ќе се вклучи некоја од нив, тоа влијае на останатите. Идејата е да може да се внесе некој делумен или погрешен модел (на пример, слика или број) и мрежата автоматски да го „поправа“, односно врати во оригиналниот модел. На пример ако внесеме заматена слика, таа автоматски препознава што е на неа и на излез добиваме почиста верзија.
Џефри Е. Хинтон
Џефри Е. Хинтон е британско-канадски научник, кој се смета за еден од „татковците на вештачката интелигенција“ поради неговата работа на длабокото учење и невронските мрежи. Во 80-тите години на 20-тиот век, Хинтон ги проширува идеите на Хопфилд, создавајќи го концептот на Боцманова машина. Овој модел користи веројатност за активирање на невроните, што ѝ овозможува на мрежата да учи поефикасно и да препознава посложени обрасци. Неговата работа на „Боцмановата машина“ и на методот на backpropagation (обучување на невронските мрежи) овозможи создавање на современи алгоритми за длабоко учење, кои денес се основа за напредните вештачки интелигентни системи, како што се системите за препознавање на говор и слики.
Хинтон стана широко познат во 2012 година, кога заедно со својот тим го разви AlexNet, клучен модел за длабоко учење кој значително го подобри препознавањето на слики и го отвори патот за денешниот развој на вештачката интелигенција. Неговото влијание во оваа област му донесе многу признанија, меѓу кои и Тјуринговата награда во 2018 година, која често се нарекува „Нобелова награда за компјутерски науки“. Хинтон исто така стана познат по своите предупредувања за потенцијалните ризици од напредната вештачка интелигенција, особено за опасностите од суперинтелигентни системи.
Што е Боцманова машина?
Боцмановата машина, развиена од Џефри Хинтон и Тери Сејновски во 1985 година, е напредна верзија на Хопфилд мрежата која користи веројатност за да го моделира учењето на системот. Таа претставува вид на стохастичка невронска мрежа, што значи дека невроните можат да се активираат или да не се активираат врз основа на одредена веројатност.
Карактеристики на Боцмановата машина:
Невроните во Боцмановата машина не се активираат на строго детерминиран начин, туку врз основа на веројатност која зависи од тежините на врските и енергетската состојба на мрежата. Ова ѝ овозможува на мрежата да истражува различни состојби и да избегнува локални минимуми, за разлика од Хопфилд мрежите.
Боцмановата машина користи процес наречен „Gibbs Sampling“ за да научи како да ги постави тежините на врските. Овој процес ѝ овозможува на мрежата да ги проценува веројатностите на различните состојби и да ги ажурира тежините за да ги приближи кон саканите резултати.
Во споредба со основната Хопфилд мрежа, Боцмановата машина има можност да вклучува скриени неврони. Овие неврони не примаат директни влезови од надвор, туку учат да ги откриваат скриените карактеристики на податоците.
Боцмановата машина овозможува длабоко учење и е инспирација за подоцнежните техники на невронски мрежи што се користат денес.
Поедноставно објаснување на Боцмановата машина е дека е слична на Хопфилд мрежата, со една клучна разлика. Мрежата користи случајни пресметки за да научи како најдобро да ги поврзе светилките (или невроните). Наместо секоја светилка да се вклучува или исклучува на предвидлив начин, овде светилките се вклучуваат со одредена веројатност, што им помага да најдат подобри решенија. Тоа е како мрежата постојано да „греши“ малку додека учи, но на крајот станува многу попаметна, бидејќи има тестирано повеќе можности.
Хопфилд мрежите и Боцмановата машина не се користат во современите технологии за вештачка интелигенција. Сепак тие имаат значително влијание од овие први креации на Хопфилд и Хинтон.
Стани премиум член и доби пристап до сите содржини, специјален попуст на над 2.200 производи во ИТ маркет, верификуван профил и можност за огласување на ИТ Огласник. Плус ќе го поддржиш медиумот кој го градиме цели 16 години!
Доколку веќе имаш премиум членство, најави се тука.
