Johna Hopfielda z Uniwersytetu Princeton i Geoffreya Hintona z Uniwersytetu w Toronto, nagrodzono za pionierską pracę nad sztucznymi sieciami neuronowymi, które stanowią podstawę dużej części współczesnej sztucznej inteligencji. Pierwszy z naukowców stworzył pamięć asocjacyjną. Drugi wynalazł metodę, dzięki której sztuczna inteligencja za pomocą danych może wykonywać różne zadania.
Technologia, którą zajmują się naukowcy zainspirowała struktura mózgu. W sztucznej sieci neuronowej neurony mózgu są reprezentowane przez węzły o różnych wartościach. Wpływają one na siebie nawzajem poprzez połączenia. Przykładowo, sieć jest „trenowana” poprzez rozwijanie silniejszych połączeń między węzłami o jednocześnie wysokich wartościach. Tegoroczni laureaci prowadzili ważne prace z wykorzystaniem sztucznych sieci neuronowych od lat 80. XX wieku.
“To pierwsza w historii Nobli nagroda za sposób przetwarzania informacji, a nie za odkrycie czy eksperyment fizyczny. Komitet Noblowski uczynił słusznie, bo to, co się dzieje obecnie w dziedzinie sztucznej inteligencji, przetwarzanie informacji, jest kluczową rzeczą dla rozwoju całej naszej cywilizacji” – powiedział agencji Newseria dr hab. Rafał Demkowicz-Dobrzański, prof. Uniwersytetu Warszawskiego. “To uhonorowanie 40–50 lat prac nad sztuczną inteligencją, nad sieciami neuronowymi, które miały po drodze wiele pułapek i wcale nie było oczywiste, że dojdziemy tu, gdzie jesteśmy dzisiaj” – dodał.
Uzasadnienie wyboru
Szwedzka Akademia Nauk w uzasadnieniu decyzji wskazuje, że John Hopfield wynalazł sieć, która wykorzystuje metodę zapisywania i odtwarzania wzorów. Sieć Hopfielda wykorzystuje fizykę, która opisuje cechy materiału ze względu na jego spin atomowy. Jest trenowana przez znajdowanie wartości dla połączeń między węzłami. Kiedy sieć otrzymuje zniekształcony lub niekompletny obraz, pracuje krok po kroku. Przechodzi przez kolejne węzły, aby znaleźć zapisany obraz, który jest najbardziej podobny do niedoskonałego.
Z kolei Geoffrey Hinton wykorzystał sieć Hopfielda jako podstawę nowej sieci, która wykorzystuje inną metodę: maszynę Boltzmanna. Może się ona nauczyć rozpoznawać charakterystyczne elementy w danym typie danych. Maszyny Boltzmanna można używać np. do klasyfikowania obrazów. Hinton rozwinął tę pracę, pomagając zainicjować obecny dynamiczny rozwój uczenia maszynowego.
“Można powiedzieć, że Hopfield dostał nagrodę za zaproponowanie struktury sieci neuronowej, której będziemy używać do uczenia. A Hinton za to, jak ją uczyć efektywnie” – podsumował prof. Rafał Demkowicz-Dobrzański.
