Ovogodišnja Nobelova nagrada za fiziku izazvala je veliko uzbuđenje jer je dodijeljena pionirima umjetne inteligencije Geoffreyju Hintonu i Johnu Hopfieldu. Njihov revolucionarni rad na neuronskim mrežama, inspiriran fizikalnim modelima, spojio je fiziku i računalne znanosti na načine koji su promijenili oba područja. Dok su neki fizičari skeptični i smatraju da je ovo rezultat pretjerane fascinacije umjetnom inteligencijom, drugi tvrde da je nagrada potpuno zaslužena zbog njihovih značajnih doprinosa. Pitanje koje se postavlja jest: gdje je granica između fizike i drugih znanosti i je li ova nagrada doista opravdana?
Umjetna inteligencija tradicionalno pripada računalnim znanostima, no često se koristi kao sinonim za strojno učenje, što ipak nije u potpunosti točno. Kada govorimo o umjetnoj inteligenciji (engl. artificial intelligence, AI), često mislimo na strojno učenje, samo jednu granu unutar šireg pojma umjetne inteligencije.
Trenutačni modeli, kao što ChatGPT ili Claude.AI, pokazuju obećavajuće rezultate, ali još uvijek nisu dostigli razinu koja bi parirala ljudskoj inteligenciji. Preciznije je stoga govoriti o statističkom učenju nego o pravoj umjetnoj inteligenciji.
Tko je John Hopfield
John Hopfield, rođen 1933. godine, američki je fizičar i neuroznanstvenik. Godine 1982. predstavio je Hopfieldovu mrežu, model neuronske mreže koji djeluje kao asocijativna memorija. To znači da mreža može prepoznati cijeli obrazac, čak i kada dobije samo djelomične informacije, slično načinu na koji naš mozak prepoznaje lica ili objekte. Preciznije rečeno, Hopfieldova mreža može izgubiti desetak posto svojih čvorova i zadržati informaciju o zapamćenom uzorku.
Hopfield je u svojem radu koristio koncepte iz statističke fizike, posebno Isingov model, koji opisuje magnetska svojstva materijala kroz interakcije između atoma, a oni pak mogu biti u jednom od dvaju stanja (radi se zapravo o tzv. spinskom staklu, gdje međudjelovanja nisu uniformna kao u originalnom Isingovu modelu, nego nasumična). U Hopfieldovoj mreži umjetni neuroni mogu biti aktivni ili neaktivni, što odgovara 'spinu gore' ili 'spinu dolje' u Isingovu modelu. Mreža koristi simetrične veze između neurona, što omogućuje postojanje stabilnih stanja minimalne energije. Proces učenja uključuje prilagođavanje težina veza kako bi se osiguralo to da određeni uzorci postanu stabilna stanja mreže. Ovim pristupom mreža 'uči' prepoznati obrasce tako što minimizira svoju energiju kada se unesu ti obrasci.
vezane vijesti
Tko je Geoffrey Hinton
Geoffrey Hinton, rođen 1947. godine, britansko-kanadski je znanstvenik poznat kao kum umjetne inteligencije. Njegov rad na Boltzmannovim strojevima, objavljen 1985. godine u suradnji s Terryjem Sejnowskim, predstavljao je značajan iskorak u razvoju stohastičkih neuronskih mreža. Za razliku od determinističkih mreža, Boltzmannovi strojevi rabe probabilistički pristup u kojem se neuroni aktiviraju s određenom vjerojatnošću, ovisno o ulaznim podacima.
Boltzmannovi strojevi temelje se na konceptima iz termodinamike i statističke fizike, posebno na Boltzmannovoj distribuciji koja opisuje raspodjelu čestica po energetskim razinama pri određenoj temperaturi. Što je temperatura niža, manja je vjerojatnost da će se čestice naći na višim energetskim razinama. U tom kontekstu temperatura utječe na vjerojatnost aktivacije neurona. Na višim temperaturama sustav je 'nemirniji' i neuroni imaju veću varijabilnost, što omogućuje mreži da istražuje različite konfiguracije. Kako se temperatura smanjuje, mreža se hladi i stabilizira u stanju minimalne energije, a to pak predstavlja optimalno rješenje.
Za Boltzmannove je strojeve ključan proces simuliranog kaljenja. Inspiriran metalurgijom, gdje se materijali zagrijavaju i polako hlade kako bi se postigla željena struktura, simulirano kaljenje omogućuje mreži da izbjegne lokalne minimume energije i pronađe globalni minimum. To znači da mreža može pronaći najbolja moguća rješenja za složene probleme, umjesto da se 'zaglavi' u stanjima koja ne predstavljaju optimalno rješenje.
Ovi modeli postali su temelj za razvoj generativnih modela koji ne samo da mogu klasificirati podatke, nego i stvarati nove primjere naučenih obrazaca. Primjerice mreže mogu generirati nove slike, tekstove ili druge podatke slične onima na kojima su trenirane. Ograničeni Boltzmannovi strojevi (engl. restricted Boltzmann machine, RBM) pojednostavljena su verzija Boltzmannovih strojeva te su odigrali ključnu ulogu u razvoju dubokog učenja u kojemu se koristi više slojeva mreža za učenje složenih reprezentacija podataka.
Dodjela Nobelove nagrade
Na dan dodjele Nobelovih nagrada, u utorak 10. prosinca, Fakultet elektrotehnike i računarstva Sveučilišta u Zagrebu (FER), Institut za promociju znanosti i studentska udruga EESTEC organiziraju popularno-znanstveno predavanje 'Nobel u Zagrebu'. Predavanje počinje u 17 sati u dvorani D2 na FER-u i otvoreno je za sve zainteresirane.
Ovogodišnje predavanje usmjereno je na značajnu ulogu umjetne inteligencije u otkrićima koja su obilježila Nobelove nagrade za fiziku i kemiju. Na tri intrigantna predavanja sudionici će saznati više o doprinosu dubokog učenja u ovim područjima:
- prof. dr. sc. Siniša Šegvić (FER) otkrit će najčešće zablude i dvojbe dubokog učenja
- dr. sc. Anja Barešić (IRB) govorit će o revoluciji u predviđanju proteinskih struktura zahvaljujući AlphaFoldu, tehnologiji koja je bila ključna za ovogodišnje laureate
- prof. dr. sc. Davor Horvatić (PMF) približit će nam kako je fizika otključala tajne umjetne inteligencije i pomogla u njezinu razvoju.
Ključna uloga neuronskih mreža
Osim toga, Hinton je značajno doprinio razvoju ključnih algoritama za treniranje neuronskih mreža. U radu iz 1986. godine, s Davidom Rumelhartom i Ronaldom Williamsom, predstavio je algoritam propagacije pogreške unazad (engl. backpropagation). Ovaj algoritam omogućio je učinkovito treniranje dubokih neuronskih mreža prilagođavanjem težina veza na način da se minimizira pogreška između predviđenog i stvarnog izlaza.
Primjena fizikalnih koncepata na neuronske mreže ne samo da je unaprijedila područje umjetne inteligencije, nego je omogućila i fizičarima da rabe navedene alate u svojim istraživanjima. Neuronske mreže danas igraju važnu ulogu u analizi složenih sustava, otkrivanju novih materijala i predviđanju ponašanja kvantnih sustava. Primjeri njihove primjene mogu se pronaći u gotovo svim znanstvenim disciplinama.
Temelji za eksponencijalni rast umjetne inteligencije
Doprinosi Hopfielda i Hintona bili su revolucionarni te su postavili temelje za eksponencijalni rast umjetne inteligencije i strojnog učenja. Njihova sposobnost da spoje ideje iz fizike s računalnim znanostima naglašava važnost interdisciplinarnog pristupa u znanosti. Takav pristup vodi do inovacija koje oblikuju našu budućnost i rješavaju složene probleme s kojima se suočavamo.
Boltzmannov stroj i Isingov model samo su dva primjera iz bogatog repertoara statističke fizike. U svojoj knjizi 'Kritična masa: Kako jedna stvar vodi do druge' Philip Ball istražuje kako složeni kolektivni fenomeni proizlaze iz jednostavnih interakcija, bilo da se radi o česticama, bilo ljudskim društvima. Preporučujem ovu knjigu jer pruža dublje razumijevanje tih fascinantnih principa i pokazuje kako fizika može objasniti brojne aspekte svijeta oko nas.
Neki kritičari ističu da je dodjela Nobelove nagrade nekome tko nije isključivo fizičar znak krize u fizici. Međutim takvi komentari nisu utemeljeni. Nobelova nagrada slavi izuzetna postignuća koja obogaćuju čovječanstvo, bez obzira na stroge granice disciplina. Rad Hintona i Hopfielda iznjedrio je nove spoznaje koje imaju potencijal značajno unaprijediti kvalitetu života.
Naravno, postoji i zabrinutost oko potencijalno negativnih utjecaja tehnologija koje proizlaze iz umjetne inteligencije. Ipak, ovo nije prvi put da se suočavamo s tehnologijama koje imaju dvojak potencijal. Ključ je u tome da naučimo kako ih odgovorno koristiti i usmjeriti prema općem dobru.
O autoru: Davor Horvatić
Redoviti je profesor s Odsjeka za fiziku Prirodoslovno-matematičkog fakulteta Sveučilišta u Zagrebu i jedan od najpoznatijih hrvatskih znanstvenih komunikatora. Održao je više od tri stotine popularnih predavanja i snimio desetke radijskih i televizijskih emisija. Suautor je osnovnoškolskih udžbenika iz fizike za sedmi i osmi razred. Surađuje s Akademijom likovnih umjetnosti približavajući koncepte suvremene fizike umjetnicima.
Njegova istraživanja usmjerena su na fiziku elementarnih čestica, fiziku kompleksnih sustava, analizu vremenskih serija i razvoj novih modela umjetne inteligencije. Objavio je više od 50 znanstvenih radova te su oni citirani 3000 puta.
