Tác giả: Aaron J. Snoswell, nhà nghiên cứu AI, Đại học công nghệ Queensland
Giải Nobel vật lý năm 2024 đã được trao cho các nhà khoa học John Hopfield và Geoffrey Hinton “vì những khám phá và phát minh nền tảng cho phép ‘học máy’ (machine learning) bằng mạng nơ-ron nhân tạo”.
Được truyền cảm hứng từ các ý tưởng về vật lý và sinh học, Hopfield và Hinton đã phát triển các hệ thống máy tính có thể ghi nhớ và học hỏi từ các mẫu trong dữ liệu. Mặc dù chưa bao giờ hợp tác trực tiếp, họ đã xây dựng dựa trên công trình của nhau để phát triển nền tảng cho sự bùng nổ hiện tại trong ‘học máy’ (machine learning) và trí tuệ nhân tạo (AI).
Mạng nơ-ron là gì? (và chúng liên quan đến vật lý như thế nào)?
Mạng nơ-ron nhân tạo là nền tảng cho phần lớn công nghệ AI mà chúng ta sử dụng ngày nay.
Tương tự như não của bạn có các tế bào thần kinh được liên kết bởi các khớp thần kinh, mạng lưới thần kinh nhân tạo có các tế bào thần kinh kỹ thuật số được kết nối theo nhiều cấu hình khác nhau.
Mỗi tế bào thần kinh riêng lẻ không làm được gì nhiều. Thay vào đó, điều kỳ diệu nằm ở mô hình và sức mạnh của các kết nối giữa chúng.
Các nơ-ron (neuron) trong mạng nơ-ron nhân tạo được ‘kích hoạt’ bởi các tín hiệu đầu vào. Các kích hoạt này được truyền từ nơ-ron này sang nơ-ron khác theo những cách có thể biến đổi và xử lý thông tin đầu vào. Kết quả là, mạng có thể thực hiện các tác vụ tính toán như phân loại, dự đoán và đưa ra quyết định.
Phần lớn lịch sử của ‘học máy’ (machine learning) là tìm kiếm những cách ngày càng tinh vi hơn, để hình thành và cập nhật các kết nối giữa các tế bào thần kinh nhân tạo.
Trong khi ý tưởng cơ bản về việc liên kết các hệ thống nút với nhau để lưu trữ và xử lý thông tin xuất phát từ sinh học, thì toán học được sử dụng để hình thành và cập nhật các liên kết này lại xuất phát từ vật lý.
Mạng nơ-ron có thể ghi nhớ
John Hopfield (sinh năm 1933) là một nhà vật lý lý thuyết người Mỹ đã có những đóng góp quan trọng trong sự nghiệp của mình trong lĩnh vực vật lý sinh học. Tuy nhiên, Giải Nobel vật lý 2024 là cho công trình phát triển mạng Hopfield của ông vào năm 1982.
Mạng Hopfield là một trong những loại mạng nơ-ron nhân tạo đầu tiên. Lấy cảm hứng từ các nguyên lý của khoa học thần kinh và vật lý phân tử, các hệ thống này lần đầu tiên chứng minh cách máy tính có thể sử dụng ‘mạng’ với các ‘nút’ để ghi nhớ và ‘nhớ lại’ thông tin.
Các mạng Hopfield phát triển có thể ghi nhớ dữ liệu (chẳng hạn như một tập hợp các hình ảnh đen trắng). Những hình ảnh này có thể được ‘nhớ lại’ bằng cách liên tưởng, khi ‘mạng’ được nhắc nhở bằng một hình ảnh tương tự.
Mặc dù có hạn chế về mặt thực tế, mạng Hopfield đã chứng minh rằng loại ‘mạng nơ-ron’ này có thể lưu trữ và truy xuất dữ liệu theo những cách mới. Chúng đặt nền tảng cho công trình sau này của Hinton.
Máy móc có thể tự học
Geoff Hinton (sinh năm 1947), đôi khi được gọi là một trong những “cha đẻ của AI”, là một nhà khoa học máy tính người Canada (gốc Anh) đã có một số đóng góp quan trọng cho lĩnh vực này.
Năm 2018, cùng với Yoshua Bengio và Yann LeCun, Geoff Hinton đã được trao Giải thưởng Turing (vinh dự cao nhất trong khoa học máy tính) cho những nỗ lực của ông trong việc thúc đẩy ‘học máy’ (machine learning) nói chung, và cụ thể là một nhánh của nó được gọi là ‘học sâu’ (deep learning).
Tuy nhiên, Giải Nobel vật lý 2024 được trao riêng cho công trình của ông cùng Terrence Sejnowski và các đồng nghiệp khác vào năm 1984, phát triển máy Boltzmann.
Đây là phần mở rộng của mạng Hopfield, đã chứng minh ý tưởng về ‘học máy’ (machine learning) – một hệ thống cho phép máy tính học không phải từ lập trình viên mà từ các ví dụ về dữ liệu.
Lấy ý tưởng từ động lực năng lượng của vật lý thống kê, Hinton đã chỉ ra cách mô hình máy tính tạo sinh ban đầu này – có thể học cách lưu trữ dữ liệu theo thời gian bằng cách được hiển thị các ví dụ về những thứ cần ghi nhớ.
Máy Boltzmann, giống như mạng Hopfield trước đó, không có ứng dụng thực tế ngay lập tức. Tuy nhiên, một dạng đã sửa đổi (gọi là máy Boltzmann giới hạn) hữu ích trong một số bài toán ứng dụng.
Quan trọng hơn là bước đột phá về mặt khái niệm mà một mạng nơ-ron nhân tạo có thể học từ dữ liệu.
Hinton tiếp tục phát triển ý tưởng này. Sau đó, ông đã xuất bản các bài báo có ảnh hưởng về backpropagation (quy trình học được sử dụng trong các hệ thống học máy hiện đại) và mạng nơ-ron tích chập (loại mạng nơ-ron chính được sử dụng ngày nay cho các hệ thống AI hoạt động với dữ liệu hình ảnh và video).
Tại sao lại có Giải Nobel vật lý vào lúc này (năm 2024)?
Mạng Hopfield và máy Boltzmann có vẻ kỳ quặc khi so sánh với những kỳ tích AI ngày nay. Mạng của Hopfield chỉ chứa 30 nơ-ron (ông đã cố gắng tạo một mạng nơ-ron với 100 nút, nhưng quá nhiều so với tài nguyên máy tính thời đó), trong khi các hệ thống hiện đại như ChatGPT có thể có hàng triệu.
Tuy nhiên, Giải Nobel vật lý 2024 nhấn mạnh tầm quan trọng của những đóng góp ban đầu này đối với lĩnh vực trí tuệ nhân tạo (AI).
Trong khi tiến bộ nhanh chóng gần đây trong AI – quen thuộc với hầu hết chúng ta từ các hệ thống ‘AI tạo sinh’ (generative AI) như ChatGPT – có vẻ như là sự minh oan cho những người ủng hộ ban đầu của mạng nơ-ron, Hinton ít nhất đã bày tỏ mối quan tâm về AI.
Vào năm 2023, sau khi nghỉ việc sau một thập kỷ làm việc tại đơn vị phát triển AI của Google, Hinton cho biết, ông sợ tốc độ phát triển của AI và kêu gọi quản lý AI một cách chủ động hơn.
Sau khi nhận Giải Nobel, Hinton cho biết AI sẽ ‘giống như Cách mạng công nghiệp nhưng thay vì khả năng vật lý của con người, nó sẽ vượt quá khả năng trí tuệ của con người”.
Hinton cũng cho biết, ông vẫn lo ngại rằng hậu quả của công trình của mình có thể là “các hệ thống có thể thông minh hơn con người và cuối cùng có thể nắm quyền kiểm soát”.
