Nobel Vật lý 2024: Tôn vinh người đặt nền móng cho trí tuệ nhân tạo

John Hopfield (91 tuổi, giáo sư tại Đại học Princeton, New Jersey, Mỹ) phát minh một mạng lưới sử dụng phương pháp lưu trữ và tái tạo các dạng mẫu. Chúng ta có thể hình dung các nốt mạng giống như các điểm ảnh. Mạng Hopfield sử dụng vật lý mô tả các đặc điểm của vật liệu theo spin nguyên tử tạo ra - spin là đặc tính làm mỗi nguyên tử trở thành một nam châm nhỏ.

Toàn bộ mạng được mô tả theo cách tương ứng với năng lượng trong hệ thống spin ở vật lý, được huấn luyện bằng cách tìm giá trị để liên kết giữa các nốt, nhờ đó ảnh đã lưu có năng lượng thấp. Khi đưa một hình ảnh méo mó hoặc không hoàn chỉnh vào mạng Hopfield, nó sẽ hoạt động qua các nốt một cách có hệ thống và cập nhật giá trị của chúng để năng lượng của mạng giảm xuống. Nhờ đó, mạng thực hiện từng bước để tìm ảnh đã lưu trữ giống nhất với bức ảnh kém hoàn hảo vừa được đưa vào.

Mạng Hopfield là một trong những bước đầu tiên giúp máy tính học cách tái tạo thông tin từ các dữ liệu không hoàn chỉnh hoặc bị nhiễu, đặt nền móng cho việc xử lý và nhận diện hình ảnh trong AI hiện đại.

Geoffrey Hinton (77 tuổi, người Anh, giáo sư tại Đại học Toronto, Canada) sử dụng mạng Hopfield làm nền móng cho một mạng mới sử dụng phương pháp khác, gọi là máy Boltzmann. Theo đó, mạng này có thể học để nhận diện những yếu tố đặc trưng trong một loại dữ liệu nhất định.

Hinton sử dụng các công cụ từ vật lý thống kê - môn khoa học về các hệ thống được xây dựng từ nhiều bộ phận tương tự. Nhà khoa học đào tạo máy bằng cách đưa vào những ví dụ rất có thể phát sinh khi máy vận hành. Máy Boltzmann có thể dùng để phân loại hình ảnh hoặc tạo ra những mẫu mới cùng loại với mẫu mà nó được huấn luyện. Hinton đã xây dựng công trình này và góp phần khởi xướng sự phát triển bùng nổ hiện nay của ngành học máy.