GIẢI NOBEL VẬT LÝ ĐƯỢC TRAO CHO NHỮNG NHÀ TIÊN PHONG
TRONG LĨNH VỰC HỌC MÁY
John Hopfield và Geoffrey Hinton là những nhà tiên phong trong các phương pháp tính toán cho
phép phát triển các mạng lưới nơron.
Bởi Elizabeth Gibney và Davide Castelvecchi
 |
| Viện Hàn lâm Khoa học Hoàng gia Thụy Điển tại Stockholm công bố những người chiến thắng. Ảnh: Jonathan Nackstrand/AFP qua Getty |
John Hopfield tại Đại học Princeton ở New Jersey và Geoffrey Hinton tại Đại
học Toronto, Canada cùng chia sẻ giải thưởng trị giá 11 triệu kronor Thụy Điển
(1 triệu đô la Mỹ), theo công bố của 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 các phương pháp vận hành mạng nơron nhân tạo, vốn khai thác các cấu trúc phân lớp lấy cảm hứng từ bộ não để học các khái niệm trừu tượng. Những khám phá của họ "hình thành các khối cơ sở của học máy, có thể hỗ trợ con người đưa ra quyết định nhanh hơn và đáng tin cậy hơn", Ellen Moons, chủ tịch ủy ban vật lý Nobel, nhà vật lý tại Đại học Karlstad, Thụy Điển, cho biết trong buổi công bố giải thưởng. "Mạng nơron nhân tạo đã được sử dụng để thúc đẩy nghiên cứu trên nhiều chủ đề vật lý đa dạng như vật lý hạt, khoa học vật liệu và vật lý thiên văn".
Bộ nhớ máy
Năm 1982, Hopfield, nhà sinh học lý thuyết xuất thân từ vật lý, đề xuất một mạng lưới mô tả các kết nối giữa các tế bào thần kinh ảo như
các lực vật lý1. Bằng cách lưu trữ các mẫu như một trạng thái năng lượng thấp của mạng
lưới, hệ thống có thể tái tạo các mẫu này khi được nhắc bằng một thứ gì đó tương tự. Đây được gọi là bộ nhớ
liên kết, vì cách mà nó 'nhớ lại' mọi thứ tương tự như
cách bộ não cố gắng nhớ một từ hoặc
khái niệm trên cơ sở thông tin liên quan.
Hinton, một nhà khoa học máy tính, đã dùng các nguyên lý từ vật lý thống kê, nhằm mô tả chung các hệ thống
có quá nhiều bộ phận không theo dõi riêng lẻ nổi, để phát triển thêm 'mạng Hopfield'. Bằng cách xây dựng các xác suất
thành phiên bản phân lớp của mạng nơron, ông đã tạo ra một công cụ có thể nhận dạng và
phân loại hình ảnh hoặc tạo ra các ví dụ mới về loại (dữ
liệu ảnh) mà nó đã được huấn luyện2.
Các quy trình này khác với các kiểu tính toán trước đó ở chỗ các mạng nơron có thể học từ các ví
dụ, bao gồm cả từ dữ liệu phức tạp. Điều vốn là thách thức đối với phần mềm thông thường dựa
trên các phép tính từng bước.
Các mạng lưới này là "các mô hình lý tưởng hóa thô thiển khác với các mạng lưới thần kinh sinh học thực tế
cũng như quả táo thì khác xa các
hành tinh vậy", Hinton đã viết trên tạp chí Nature Neuroscience năm
2000. Nhưng chúng tỏ
ra hữu ích và đã được xây dựng rộng rãi. Các mạng lưới nơron mô phỏng quá trình
học tập của con người tạo thành cơ sở cho nhiều công cụ AI tiên tiến, từ các mô hình ngôn ngữ lớn đến các
thuật toán học máy có khả năng phân tích các khối dữ liệu lớn, bao gồm mô hình dự đoán cấu trúc protein AlphaFold.
Phát biểu qua điện thoại trong buổi công bố giải thưởng vật lý, Hinton nói việc biết mình giành
giải Nobel là "một tia sét giữa trời quang". "Tôi sửng sốt, tôi
không ngờ tới chuyện này", ông nói. Ông nói thêm rằng những tiến bộ trong học máy "sẽ có ảnh
hưởng rất lớn, có thể sánh với cuộc cách mạng công nghiệp. Nhưng thay vì vượt
trội con người về sức mạnh thể chất, nó sẽ vượt trội hơn về khả năng trí tuệ".
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 ông đã bị thuyết phục vào năm
ngoái rằng điện toán kỹ thuật số đã vượt qua bộ não người, nhờ khả năng chia sẻ kiến thức từ
nhiều bản sao của một thuật toán, và chạy song song. "Điều đó khiến tôi nghĩ rằng
[các hệ thống này] sẽ trở nên thông minh hơn chúng ta sớm hơn tôi nghĩ",
ông nói vào ngày 31 tháng 5, khi phát biểu trực tuyến tại Hội nghị thượng đỉnh
toàn cầu về AI vì mục đích tốt ở Geneva, Thụy Sĩ. "Cho đến thời điểm đó, tôi đã dành suốt 50 năm
cho rằng chỉ cần làm cho nó càng giống bộ não thì sẽ càng tốt.”
Được thúc đẩy bởi vật lý
Hinton cũng đã giành được Giải thưởng AM Turing năm 2018 — đôi khi được mô tả là 'Giải Nobel khoa học
máy tính'. Hopfield cũng
đã giành được một số giải thưởng vật lý danh giá khác, bao gồm Huy chương Dirac năm 2001.
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 tìm hiểu các pha nhất định của vật chất". Sau nhiều thập kỷ phát triển, mạng
nơron đã trở thành 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 định nghiên cứu ban đầu, Jansen nói thêm.
Lenka Zdeborová, một chuyên gia về vật lý thống kê tính toán tại Viện Công
nghệ Liên bang Thụy Sĩ ở Lausanne (EPFL), cho biết bà rất ngạc nhiên thích thú khi Ủy ban
Nobel công nhận tầm quan trọng của các ý tưởng từ vật lý trong việc việc hiểu các hệ
thống phức tạp. "Đây là một ý tưởng rất chung chung, dù là về phân tử hay con người
trong xã hội."
Trong năm năm qua, Giải thưởng Abel và Huy chương Fields cũng 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 Hopfield và Hinton đều "đã mang những ý tưởng vô cùng quan trọng trong vật lý vào AI",
Yoshua Bengio, nhà khoa học máy tính cùng nhận Giải thưởng Turing năm 2018 với Hinton và nhà tiên phong về mạng nơron
Yann LeCun cho biết. Công trình tiên phong và lòng nhiệt huyết lan tỏa của Hinton đã biến ông
thành hình mẫu tuyệt vời cho Bengio và những người ủng hộ ban đầu khác của mạng
nơron. "Nó đã truyền cảm hứng cho tôi rất nhiều khi tôi chỉ là một sinh
viên đại học", Bengio, giám đốc khoa học của Mila — Viện Trí tuệ nhân tạo Quebec tại
Montreal, Canada, cho biết. Bengio nói thêm, trong nhiều thập kỷ, nhiều nhà khoa học máy tính coi
nghiên cứu về mạng nơron là vô ích, 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 dạng 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, một 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 hoặc Y học năm 2014, cho biết bà "rất vui" khi thấy những
người đoạt giải Nobel Vật lý năm nay được công bố. Bà cho biết các phiên bản của các mô hình mạng Hopfield rất
hữu ích đối với các nhà khoa học thần kinh trong việc nghiên cứu cách các tế
bào thần kinh cùng hoạt động trong ghi nhớ và định hướng. Bà nói thêm rằng mô hình của
ông, mô tả ký ức là những điểm thấp của bề mặt, giúp các nhà nghiên cứu hình
dung cách một số suy nghĩ hoặc lo lắng nhất định có thể được 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 bị 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
trên hàng nghìn tế bào cùng lúc, Moser nói. "Nó giống như nhiên liệu để hiểu
những điều mà chúng ta thậm chí không thể mơ tới khi chúng ta bắt đầu trong
lĩnh vực này."
"Việc sử dụng các công cụ học máy đang có tác động không thể đo lường
được đến phân tích dữ liệu và hiểu biết tiềm năng của chúng ta về cách các mạch não có thể tính
toán",
Eve Marder, một nhà khoa học thần kinh tại Đại học Brandeis ở Waltham,
Massachusetts, cho biết. "Nhưng những tác động này bị lu mờ trước nhiều
tác động của học máy và trí tuệ nhân tạo lên đời sống hằng ngày của chúng ta”.
doi: https://doi.org/10.1038/d41586-024-03213-8
Thông tin bổ sung từ Helena Kudiabor.
Tài liệu tham khảo
1. Hopfield, J. J. Proc. Natl Acad. Sci. USA 79,
2554–2558 (1982).
2. Fahlman, S. E., Hinton, G. E. & Sejnowski, T.
J. In Proc. AAAI Conf. Artif. Intell. 3, 109–113 (AAAI,
1983). Available at https://cdn.aaai.org/AAAI/1983/AAAI83-087.pdf
Huỳnh
Thị Thanh Trúc dịch
