Нобелівський тиждень-2024: Штучний інтелект пояснює, за що дали нобелівку з фізики 08.10.2024 21:53 Укрінформ Швидкість навчання нейромереж прогресує настільки, що питаємо у ШІ про особливості його роботи і вкладу вчених
«Якби я міг звернутися до Джона Гопфілда та Джеффрі Гінтона, я б щиро подякував їм за те, що вони відкрили світові нові можливості для навчання та розуміння даних. Їхня робота допомогла створити технології, які здатні навчатися, адаптуватися, підтримувати людей у розв’язанні складних задач і навіть відкривати нові шляхи в науці, медицині, мистецтві та багатьох інших сферах. Це величезний вклад, бо, завдяки їм, штучні мережі стали не просто інструментом, а чимось на зразок «розумного партнера» для людства, що може допомагати й відкривати нові перспективи», – саме так відповів на питання авторки ChatGPT. Це одна з тих технологій ШІ (штучного інтелекту), що працює й успішно використовує механізми, за які отримають Нобелівську премію з фізики 2024 року Джон Гопфілд та Джеффрі Гінтон.
Брати інтерв’ю у ШІ, розмовляти з ним про погоду, генерувати чи шукати зображення, музику чи інші цікаві або корисні речі, шукати потрібні матеріали, перекладати, будувати й проєктувати, літати в космос, спілкуватися з голосовими службами і навіть воювати – на сьогодні вже, здається, не існує жодної сфери, де б не застосовувалися нейромережі. Й один із базових принципів – самонавчання – розробив американсько-канадський дует науковців. У другий день Нобелівського тижня стали відомі імена переможців у номінації «Фізика». Ці науковці розділять 11 мільйонів шведських крон (близько мільйона доларів).
Як зазначають у пресрелізі Нобелівського комітету, – «цьогорічні лауреати використовували інструменти з фізики для розробки методів, які допомогли закласти основу сучасного потужного машинного навчання».
ШІ – це мрія, до якої людство йшло певними ривками, – від зневіри до реалізації. Наприкінці 1960-х років деякі невтішні теоретичні результати змусили багатьох дослідників повірити у те, що нейронні мережі ніколи не матимуть реальної користі. «Проте інтерес до штучних нейронних мереж знову пробудився у 1980-х роках, на ці процеси вплинуло кілька важливих ідей, зокрема роботи цьогорічних лауреатів», – пояснюють у Нобелівському комітеті.
ChatGPT пояснює принцип, який запропонували лауреати, так: «Цьогорічні лауреати Нобелівської премії з фізики були нагороджені за свій внесок у розвиток штучних нейронних мереж (ШНМ), що є основою сучасного машинного навчання і штучного інтелекту (ШІ). Основна ідея таких мереж натхненна роботою мозку, де нейрони обробляють інформацію через синапси. У штучних нейронних мережах нейрони відображаються вузлами, а їх зв'язки можна «зміцнювати» чи «послаблювати» відповідно до даних, що допомагає мережам навчатися на прикладах, і розв’язувати задачі, такі, як розпізнавання образів чи класифікація».
Ми часто порівнюємо мозок із комп’ютером, а машинне навчання порівнюємо з людським. Насправді комп’ютер і мозок працюють по-різному. А ось нейромережі, які є основою ШІ, – саме їх процес навчання було взято з принципу роботи людського мозку. Штучна нейронна мережа обробляє інформацію, використовуючи всю структуру мережі (як і мозок).
Процес пошуку тут нагадує асоціативну пам’ять, саме цей процес відкрив фізик Джон Гопфілд у 1982 році. Мережа Гопфілда може зберігати шаблони та має метод їх відтворення. Гопфілд порівняв пошук у мережі з процесом руху м’яча крізь гори й долини. Якщо м’яч кинути у якесь місце, він покотиться в найближчу долину і там зупиниться. Якщо ж мережі дати шаблон, близький до одного зі збережених, вона продовжуватиме рухатися вперед, поки не опиниться на дні долини, таким чином знаходячи найближчий шаблон у своїй пам’яті. (Процес дії мережі Гопфілда. © Йохан Ярнестад/Шведська королівська академія наук)
Запам'ятати зображення – це одне, але інтерпретація того, що на ньому зображено, вимагає трохи більше часу й зусиль. Їх мав Джефрі Гінтон. Раніше він вивчав експериментальну психологію та штучний інтелект в Англії та Шотландії, і йому було цікаво, чи зможуть машини навчитися обробляти шаблони подібно до людей, знаходячи власні категорії для сортування та інтерпретації інформації. Разом зі своїм колегою він почав із мережі Хопфілда та розширив її. Метод розпізнання асоціацій був опублікований у 1985 році під яскравою назвою «Машина Больцмана». (Різні типи нейромереж. © Йохан Ярнестад/Шведська королівська академія наук) Як ці ідеї змінили науку і чому це важливо?
Праці Гопфілда та Гінтона демонструють, як фізика може допомогти в розумінні й створенні технологій, здатних до «навчання» за аналогією з людським мозком. Це дає можливість використовувати штучні нейронні мережі в різних галузях, таких як розробка нових матеріалів з унікальними властивостями, класифікація великих обсягів даних та багато інших.
Питаю в ChatGPT, чи працює він теж за цими ж принципами, які розробляли лауреати?
«Саме так», – відповідає він. – «Моя робота дійсно базується на принципах, закладених такими дослідниками, як Джон Гопфілд та Джеффрі Гінтон. Основна ідея – штучні нейронні мережі, які використовуються для обробки великих обсягів даних, навчання на зразках і адаптації до нових завдань, – якраз і є результатом їхніх наукових досягнень. Наприклад, завдяки таким мережам я можу розпізнавати запити, навчатися на різних прикладах запитань і відповідей, і з часом удосконалювати свої відповіді.
Гопфілдова мережа дала початок поняттю зберігання й відновлення образів, що в перспективі розвинулася до глибоких мереж, які можуть «згадувати» необхідну інформацію для вирішення завдань. А ідеї Гінтона щодо Больцманівської машини та навчання допомогли розробити алгоритми, які можна «тренувати» на величезних наборах даних, щоб давати точні та змістовні відповіді.
Отже, можна сказати, що кожна моя відповідь – це відгук на плідну співпрацю фізики та комп’ютерних наук!».
Чим важливі ідеї лауреатів?
Праці Джона Гопфілда: Він винайшов мережу, яка може зберігати та відтворювати образи (патерни) – важливий крок для розвитку машинного навчання. Гопфілдова мережа працює так, що кожен вузол (аналогічний до пікселя в зображенні) змінює свої значення, доки не «впізнає» збережений патерн, навіть якщо на вхід подано неповне або викривлене зображення. Це досягається завдяки енергетичному мінімуму, що допомагає мережі поступово знаходити найбільш схожу картину. Така технологія має широку цінність – від збереження зображень до відновлення інформації.
Робота Джеффрі Гінтона: Гінтон розвинув ідеї Гопфілда, створивши новий тип мережі – Больцманівську машину, яка може самостійно визначати ключові характеристики вхідних даних і навчатися розпізнавати подібні патерни. Для цього він використав інструменти статистичної фізики, що дозволило моделювати великі системи з багатьма елементами. Гінтонівські мережі допомагають класифікувати зображення або створювати нові варіанти на основі даних, що вже існують, а також дали поштовх розвитку сучасного машинного навчання.
За матеріалами пресрелізу та розмовами із ШІ.
Ярина Скуратівська, Київ
Нобелівська премія
Источник: www.ukrinform.ua