Tác giả: Elizabeth Gibney và Davide Castelvecchi
John Hopfield và Geoffrey Hinton là những người tiên phong trong các phương pháp tính toán cho phép phát triển mạng nơ-ron.
Hai nhà nghiên cứu đã phát triển các công cụ giúp hiểu về mạng nơ-ron, nền tảng cho sự bùng nổ của trí tuệ nhân tạo (AI) ngày nay, đã giành được Giải Nobel Vật lý năm 2024.
John Hopfield tại Đại học Princeton ở New Jersey và Geoffrey Hinton tại Đại học Toronto, Canada, đã cùng chia sẻ giải thưởng trị giá 11 triệu krona Thụy Điển (tương đương 1 triệu USD), được công bố bởi Viện Hàn lâm Khoa học Hoàng gia Thụy Điển tại Stockholm vào ngày 8 tháng 10.
Cả hai đều sử dụng các công cụ từ vật lý để đưa ra những phương pháp giúp vận hành các mạng nơ-ron nhân tạo, tận dụng các cấu trúc phân lớp lấy cảm hứng từ bộ não để học các khái niệm trừu tượng. Những phát hiện của họ “hình thành nền tảng cho học máy, có thể hỗ trợ con người đưa ra quyết định nhanh hơn và đáng tin cậy hơn,” Chủ tịch ủy ban Nobel Ellen Moons, nhà vật lý tại Đại học Karlstad, Thụy Điển, phát biểu trong buổi công bố giải thưởng. “Mạng nơ-ron nhân tạo đã được sử dụng để thúc đẩy nghiên cứu trong các lĩnh vực vật lý đa dạng như vật lý hạt, khoa học vật liệu và thiên văn học.”
BỘ NHỚ MÁY
Năm 1982, Hopfield, một nhà sinh học lý thuyết có nền tảng vật lý, đã đưa ra một mạng lưới mô tả các kết nối giữa các tế bào thần kinh ảo như các lực vật lý. Bằng cách lưu trữ các mẫu như một trạng thái năng lượng thấp của mạng lưới, hệ thống có thể tái tạo mẫu khi được cung cấp dữ liệu tương tự. Hệ thống này được gọi là bộ nhớ liên kết vì cách nó “nhớ lại” thông tin giống với cách bộ não cố gắng nhớ một từ hoặc khái niệm dựa trên thông tin liên quan.
Hinton, một nhà khoa học máy tính, đã sử dụng các nguyên tắc từ vật lý thống kê, mô tả một cách tổng thể các hệ thống có quá nhiều bộ phận để theo dõi riêng lẻ, để phát triển thêm “mạng Hopfield”. Bằng cách xây dựng xác suất vào một phiên bản phân lớp của mạng lưới, ông đã tạo ra một công cụ có thể nhận dạng và phân loại hình ảnh hoặc tạo ra các ví dụ mới thuộc loại mà nó đã được huấn luyện.
Các quá trình này khác với các dạng tính toán trước đây ở chỗ mạng lưới có thể học từ các ví dụ, bao gồm cả từ dữ liệu phức tạp. Điều này sẽ là một thách thức đối với phần mềm truyền thống dựa trên tính toán từng bước.
Các mạng lưới này là “những mô hình được lý tưởng hóa một cách thô thiển, khác xa so với các mạng nơ-ron sinh học thực sự, cũng như táo khác với hành tinh,” Hinton đã viết trong tạp chí Nature Neuroscience năm 2000. Nhưng chúng đã chứng tỏ là hữu ích và đã được phát triển rộng rãi. Các mạng nơ-ron mô phỏng quá trình học tập của con người tạo thành nền tảng cho nhiều công cụ AI hiện đại, từ các mô hình ngôn ngữ lớn (LLMs) đến các thuật toán học máy có khả năng phân tích lượng dữ liệu lớn, bao gồm cả AlphaFold, mô hình dự đoán cấu trúc protein.
Phát biểu qua điện thoại trong buổi công bố giải thưởng, Hinton cho biết việc biết mình đã giành được giải Nobel như là “sét đánh giữa trời quang.” “Tôi hoàn toàn bất ngờ, tôi không thể tưởng tượng điều này sẽ xảy ra,” ông nói. Ông bổ sung rằng những tiến bộ trong học máy “sẽ có ảnh hưởng to lớn, có thể so sánh với cuộc cách mạng công nghiệp. Nhưng thay vì vượt trội về sức mạnh thể chất, nó sẽ vượt qua khả năng trí tuệ của con người.”
Trong những năm gần đây, Hinton đã trở thành một trong những tiếng nói mạnh mẽ nhất kêu gọi áp dụng các biện pháp bảo vệ xung quanh AI. Ông cho biết năm ngoái ông đã bị thuyết phục rằng tính toán kỹ thuật số đã vượt qua bộ não con người nhờ khả năng chia sẻ kiến thức từ nhiều bản sao của một thuật toán chạy song song. “Điều đó khiến tôi nghĩ rằng [các hệ thống này] sẽ trở nên thông minh hơn chúng ta sớm hơn tôi tưởng,” ông nói vào ngày 31 tháng 5, khi phát biểu trực tuyến tại Hội nghị thượng đỉnh toàn cầu AI for Good ở Geneva, Thụy Sĩ. “Cho đến thời điểm đó, tôi đã dành 50 năm để nghĩ rằng nếu chúng ta có thể làm cho nó giống bộ não hơn, thì nó sẽ tốt hơn.”
ĐỘNG LỰC TỪ VẬT LÝ
Hinton cũng đã giành giải thưởng Alan Turing vào năm 2018 — đôi khi được mô tả là “Giải Nobel của khoa học máy tính”. Hopfield cũng đã giành nhiều giải thưởng vật lý danh giá khác, bao gồm Huy chương Dirac.
Karl Jansen, một nhà vật lý tại German Electron Synchrotron (DESY) ở Zeuthen, người mô tả công trình này là “mang tính đột phá”, cho biết, “Động lực thực sự của Hopfield là vật lý, và ông đã phát minh ra mô hình vật lý này để hiểu các pha nhất định của vật chất.” Sau hàng thập kỷ phát triển, các mạng nơ-ron đã trở thành một công cụ quan trọng trong việc phân tích dữ liệu từ các thí nghiệm vật lý và trong việc hiểu các loại chuyển đổi giữa các pha mà Hopfield đã đặt ra để nghiên cứu, Jansen bổ sung.
Lenka Zdeborová, chuyên gia về vật lý thống kê máy tính tại Viện Công nghệ Liên bang Thụy Sĩ ở Lausanne (EPFL), nói rằng bà rất vui mừng khi Ủy ban Nobel công nhận tầm quan trọng của các ý tưởng vật lý để hiểu các hệ thống phức tạp. “Đây là một ý tưởng rất chung chung, dù là phân tử hay con người trong xã hội.”
Trong năm năm qua, Giải thưởng Abel và Huy chương Fields cũng đã tôn vinh sự giao thoa giữa toán học, vật lý và khoa học máy tính, đặc biệt là những đóng góp cho vật lý thống kê.
Cả hai người đoạt giải “đều mang đến những ý tưởng vô cùng quan trọng từ vật lý vào AI,” Yoshua Bengio, nhà khoa học máy tính, người cùng chia sẻ Giải thưởng Turing năm 2018 với Hinton và Yann LeCun, nhà tiên phong về mạng nơ-ron, cho biết. Công trình nền tảng của Hinton và sự nhiệt huyết lan tỏa của ông đã khiến ông trở thành một hình mẫu tuyệt vời cho Bengio và những người ủng hộ mạng nơ-ron từ sớm. “Điều đó đã truyền cảm hứng rất lớn cho tôi khi tôi còn là một sinh viên đại học,” Bengio nói, hiện là giám đốc khoa học của Mila — Viện Trí tuệ Nhân tạo Quebec tại Montreal, Canada. Trong nhiều thập kỷ, nhiều nhà khoa học máy tính đã coi nghiên cứu về mạng nơ-ron là không hiệu quả, Bengio cho biết, nhưng đã có một bước ngoặt vào năm 2012, khi Hinton và những người khác sử dụng công nghệ này để giành chiến thắng trong một cuộc thi nhận diện hình ảnh lớn.
LỢI ÍCH CỦA MÔ HÌNH NÃO
Sinh học cũng được hưởng lợi từ các mô hình não nhân tạo này. May-Britt Moser, nhà khoa học thần kinh tại Đại học Khoa học và Công nghệ Na Uy ở Trondheim và là người đoạt Giải Nobel Sinh lý học hay Y học năm 2014, cho biết bà “rất vui” khi thấy những người đoạt giải Nobel Vật lý năm nay được công bố. Bà nói rằng các phiên bản mô hình mạng của Hopfield rất hữu ích đối với các nhà khoa học thần kinh trong việc nghiên cứu cách các tế bào thần kinh hoạt động cùng nhau trong trí nhớ và điều hướng. Bà nói thêm rằng mô hình của ông, mô tả ký ức như những điểm thấp trên một bề mặt, giúp các nhà nghiên cứu hình dung cách một số suy nghĩ hoặc lo lắng nhất định có thể bị cố định và truy xuất trong não. “Tôi thích sử dụng điều này như một phép ẩn dụ để nói chuyện với mọi người khi họ gặp bế tắc.”
Ngày nay, khoa học thần kinh dựa vào các lý thuyết mạng lưới và các công cụ học máy, bắt nguồn từ công trình của Hopfield và Hinton, để hiểu và xử lý dữ liệu từ hàng ngàn tế bào cùng lúc, Moser cho biết. “Nó giống như nhiên liệu giúp chúng ta hiểu những điều mà chúng ta thậm chí không thể tưởng tượng nổi khi bắt đầu trong lĩnh vực này.”
Eve Marder, một nhà khoa học thần kinh tại Đại học Brandeis ở Waltham, Massachusetts, cho biết: “Việc sử dụng các công cụ học máy đang có tác động vô cùng lớn đến việc phân tích dữ liệu và khả năng hiểu biết của chúng ta về cách mà các mạch não có thể tính toán”. “Tuy nhiên, những tác động này không thấm vào đâu so với những tác động mà học máy và trí tuệ nhân tạo đang có trên mọi khía cạnh của cuộc sống hàng ngày của chúng ta.”
Nguồn: Elizabeth Gibney và Davide Castelvecchi, “Physics Nobel scooped by machine-learning pioneers”, Nature, 8/10/2024
Biên dịch: Phong trào Duy Tân
