سیاست و بازاریابی - ایسنا / چه در تکمیل جملات باشد چه در پیش‌بینی ساختار پروتئین‌ها یا کشف الگوهای پنهان در داده‌ها، فرقی نمی‌کند، سیستم‌های هوش مصنوعی امروزی بر پایه‌هایی بنا شده‌اند که حاصل کارهایی هستند که در سال ۲۰۲۴ با جایزه نوبل فیزیک مورد تقدیر قرار گرفتند. در این مطلب با خاستگاه‌های حوزه انقلابی یادگیری ماشینی آشنا می‌شویم؛ حوزه‌ای که زمانی «غیرجالب» تلقی می‌شد.
اگر کسی از شما بخواهد نام یک سریال کمدی آمریکایی درباره چند جوان که در یک آپارتمان در نیویورک با هم زندگی می‌کنند را بگویید، چه اتفاقی می‌افتد؟
احتمالا مغز شما خیلی سریع پاسخ «دوستان» (Friends) را به ذهن می‌آورد و بعد موجی از افکار و تصاویر در ذهنتان شکل می‌گیرد: کافه سنترال پرک (Central Perk)، شخصیت‌های فیبی، جویی، راس، مونیکا، چندلر و ریچل. شاید حتی شروع کنید به زمزمه کردن آهنگ تیتراژ سریال.
کاری که مغز شما همین حالا انجام داد، حافظه تداعی‌گر (Associative Memory) نام دارد. این موضوع یکی از معماهای متعدد پیرامون هوش است؛ چه هوش طبیعی و چه هوش مصنوعی. اما مغز شما چگونه این کار را انجام می‌دهد؟
ارتباط میان نورون‌ها
تا دهه ۱۹۵۰، دانشمندان علوم اعصاب به این نتیجه رسیده بودند که خاطرات در یک مکان مشخص و ثابت در مغز ذخیره نمی‌شوند، بلکه می‌توانند در سراسر شبکه‌هایی در مغز توزیع شده باشند. همچنین این احتمال مطرح شد که حافظه و یادگیری ممکن است با تغییر در قدرت ارتباطات میان نورون‌ها مرتبط باشند.
در آن زمان، جان هاپفیلد (John Hopfield) یک فیزیکدان جوان بود. در آن مقطع، مطالعه نورون‌ها و مغز انسان موضوع اصلی ذهن او نبود؛ اما بعدها همین موضوع به بخش مهمی از مسیر حرفه‌ای او تبدیل شد.
هاپفیلد در آزمایشگاه بل (Bell Labs) در کنار فیلیپ اندرسون (Philip Anderson) کار می‌کرد؛ دانشمندی که بعدها به دلیل پژوهش‌هایش درباره ساختار الکترونی سیستم‌های مغناطیسی و نامنظم، جایزه نوبل فیزیک را دریافت کرد. هاپفیلد می‌گوید: اندرسون بهترین فیزیکدان نظری حوزه ماده چگال در جهان بود. من یک تازه‌کار بودم. در آن زمان هیچ فیزیکدانی درباره هوش مصنوعی نمی‌دانست.
اندرسون به‌طور ویژه به انواع خاصی از مواد مغناطیسی تصادفی و نامنظم، موسوم به شیشه‌های اسپینی (Spin Glasses) علاقه‌مند بود.
هاپفیلد می‌گوید: فیلیپ به گذارهای فازی علاقه داشت؛ او معتقد بود شیشه‌های اسپینی ویژگی‌های جالب و مهمی خواهند داشت. من به حرف‌های او گوش می‌دادم.
گشتاورهای مغناطیسی یا همان اسپین‌ها، در اتم‌های شیشه‌های اسپینی در جهت‌های تصادفی قرار دارند و با آهنرباهای اتمی مجاور خود تداخل ایجاد می‌کنند.
پایداری چنین سیستمی بسیار دشوار است و ریاضیات مربوط به این ناپایداری، ذهن اندرسون و هاپفیلد و بسیاری دیگر از فیزیکدانان را به خود مشغول کرده بود. آن‌ها در دهه ۱۹۷۰ تلاش می‌کردند راهی برای توصیف این شیشه‌های اسپینی مرموز و چالش‌برانگیز پیدا کنند.
هاپفیلد، پیچیدگی و اهمیت فیزیک شیشه‌های اسپینی را درک کرده بود. همین کنجکاوی باعث شد از مرزهای فیزیک فراتر برود و به سراغ پرسش‌های زیستی برود.
در سال ۱۹۸۰، هاپفیلد یک سمت استادی در رشته‌های شیمی و زیست‌شناسی در مؤسسه فناوری کالیفرنیا (Caltech) در جنوب کالیفرنیا پذیرفت.
به شکلی غیرمنتظره، فیزیک و ریاضیات که هاپفیلد از مطالعه شیشه‌های اسپینی آموخته بود، زمانی که در کلتک با مسئله جدیدی مواجه شد، اهمیت زیادی پیدا کرد: بازیابی حافظه و حافظه تداعی‌گر.
حافظه معمولی در رایانه، اطلاعات را با استفاده از یک شاخص (Index) پیدا می‌کند تا محل ثابتی را که اطلاعات در آن ذخیره شده است، مشخص کند. اما هاپفیلد با الهام از فیزیک شیشه‌های اسپینی، ایده‌ای انقلابی مطرح کرد: خاطرات می‌توانند در یک سیستم توزیع‌شده‌تر ذخیره و بازیابی شوند؛ یعنی در یک شبکه عصبی. او به یاد می‌آورد که در آن زمان، هیچ‌کس در حوزه هوش مصنوعی ارتباطی میان شیشه‌های اسپینی و شبکه‌های عصبی نمی‌دید.
دانشمندان علوم اعصاب نیز اغلب آموزش کافی در زمینه ریاضیات مورد استفاده فیزیکدانان نداشتند. این موضوع یک نقطه کور مهم ایجاد کرده بود؛ به این معنا که آن‌ها کاربردهای مهمی را که می‌توانستند از فیزیک به علوم اعصاب منتقل شوند، از دست می‌دادند.
یک شبکه عصبی
هاپفیلد با استفاده از ریاضیات و فیزیک مربوط به اسپین‌های متقابل، یک مدل ساده از شبکه عصبی ایجاد کرد.
این مدل که بعدها به نام شبکه هاپفیلد (Hopfield Network) شناخته شد، می‌توانست یک الگو را به خاطر بسپارد؛ تقریبا شبیه به تکه‌ای گل نرم که اثر دست را پس از فشار دادن روی خود حفظ می‌کند.
اما قابلیت شبکه فراتر از این بود. شبکه می‌توانست یک اثر کامل دست را با دقت قابل ‌قبولی تنها از روی چند بخش از آن، مثلا چند نوک انگشت یا قسمتی از کف دست، بازسازی کند.
یکی دیگر از ویژگی‌های قابل‌توجه شبکه‌های هاپفیلد این بود که می‌توانستند چندین الگو را به‌طور هم‌زمان ذخیره کنند.

جفری هینتون و جان هاپفیلد
هاپفیلد فرایند بازیابی یک الگو را به حرکت دادن یک توپ در یک منظره متشکل از قله‌ها و دره‌ها تشبیه می‌کرد؛ جایی که اصطکاک به ‌تدریج سرعت حرکت توپ را کاهش می‌دهد.
اگر توپ را در نقطه‌ای خاص رها کنید، به سمت پایین حرکت می‌کند و در کف یکی از دره‌ها متوقف می‌شود. به همین شکل، وقتی شبکه یک نسخه ناقص یا آسیب‌دیده از الگویی را که قبلا ذخیره کرده دریافت می‌کند، نورون‌های آن بارها و بارها به ‌روزرسانی می‌شوند تا شبکه در نهایت در یک حالت با انرژی پایین قرار بگیرد؛ حالتی که معمولا با الگوی به ‌یاد آورده‌ شده در آن بخش از منظره مرتبط است.
ارتباطات میان نورون‌های مصنوعی دارای وزن‌ها یا قدرت‌های متفاوتی هستند و این وزن‌ها روابط میان الگوهای ذخیره ‌شده را رمزگذاری می‌کنند. این ارتباطات شکل دره‌های موجود در آن «منظره» را تعیین می‌کنند.
در نتیجه، شبکه می‌تواند یک خاطره کامل را از روی یک قطعه ناقص بازسازی کند؛ درست شبیه اینکه بتوانید بازیگران سریال فرندز را فقط از روی بخشی از یک تصویر تشخیص دهید.
هاپفیلد در واقع یک حافظه تداعی‌گر ساخته بود: سیستمی که می‌توانست با استفاده از اطلاعات ناقص، چیزی را بازیابی کند.
کشف الگوها در داده‌ها
در یکی از سخنرانی‌های هاپفیلد درباره شبکه‌های عصبی، روان‌شناس جوانی به نام جفری هینتون (Geoffrey Hinton) نیز حضور داشت.
هینتون، مجذوب شبکه هاپفیلد شد و متوجه شد که می‌توان این شبکه را با استفاده از ایده‌هایی از فیزیک آماری گسترش داد.
او همچنین از فیزیکدان قرن نوزدهم، لودویگ بولتزمان (Ludwig Boltzmann) الهام گرفت. مکانیک آماری بولتزمان توضیح می‌دهد که یک سیستم فیزیکی در دمای مشخص، با چه احتمالی در حالت‌های مختلف انرژی قرار می‌گیرد.
هینتون با همکاری ترنس سجنوسکی (Terrence Sejnowski) و دیگران، نوع جدیدی از شبکه عصبی را توسعه داد که ماشین بولتزمان (Boltzmann Machine) نام گرفت.
تفاوت ماشین بولتزمان با شبکه هاپفیلد این بود که شبکه هاپفیلد الگوهای مشخص و ذخیره ‌شده را بازیابی می‌کرد، اما ماشین بولتزمان توزیع احتمالاتیِ زیربنای مجموعه‌ای کامل از نمونه‌ها را یاد می‌گرفت.
ارتباطات میان نورون‌های آن به‌گونه‌ای تنظیم می‌شدند که الگوهایی شبیه داده‌های آموزشی، احتمال بیشتری برای ظاهر شدن پیدا کنند.
پس از آموزش، این شبکه می‌توانست: ویژگی‌های آشنا را تشخیص دهد؛ اطلاعات ناقص را تکمیل کند و نمونه‌های جدیدی از همان نوع الگوهایی که برای آموزش با آنها مواجه شده بود، تولید کند. به همین دلیل، ماشین بولتزمان را می‌توان یکی از مدل‌های مولد اولیه (Generative Models) دانست. هاپفیلد راهی پیدا کرده بود که یک شبکه بتواند یک الگوی ذخیره‌ شده را از روی بخش‌هایی از آن بازسازی کند. هینتون نیز راهی پیدا کرده بود که یک شبکه بتواند یاد بگیرد یک خانواده یا مجموعه‌ای از الگوها چه شکلی هستند و اعضای جدیدی از آن خانواده تولید کند.
جایزه نوبل فیزیک ۲۰۲۴
در سال ۲۰۲۴، آکادمی سلطنتی علوم سوئد تصمیم گرفت جایزه نوبل فیزیک را به جان هاپفیلد و جفری هینتون اعطا کند و علت اعطای این جایزه کشفیات و اختراعات بنیادی که امکان یادگیری ماشینی با شبکه‌های عصبی مصنوعی را فراهم کرده‌اند، بود.
کمیته نوبل، هاپفیلد را به خاطر شبکه هاپفیلد و هینتون را به خاطر ماشین بولتزمان مورد تقدیر قرار داد.
الن مونز (Ellen Moons)، رئیس کمیته نوبل فیزیک، گفت: کار برندگان جایزه نوبل تاکنون بیشترین سود و فایده را به همراه داشته است. در فیزیک، ما از شبکه‌های عصبی مصنوعی در طیف بسیار گسترده‌ای از زمینه‌ها استفاده می‌کنیم؛ برای مثال در توسعه مواد جدید با ویژگی‌های مشخص.
از زمان کارهای اولیه این دانشمندان در دهه ۱۹۸۰، دهه‌ها زمان و مسیرهای پرپیچ‌ و خمی لازم بود تا این دانش سرانجام به شکلی گسترده وارد آگاهی عمومی شود.
بااین‌حال، هر کسی که از یک مدل زبانی بزرگ (LLM) استفاده کرده باشد، می‌تواند ریشه‌های این فناوری را در همان ایده‌های اولیه مشاهده کند.
چشم‌اندازهای انرژی در شیشه‌های اسپینی، حافظه‌های توزیع‌ شده شبکه‌های هاپفیلد و مدل‌سازی احتمالاتی ماشین‌های بولتزمان همگی از پیشگامان مهم سیستم‌های هوش مصنوعی امروزی بوده‌اند؛ سیستم‌هایی که امروزه می‌توانند به‌ صورت روان متن بنویسند، ساختار پروتئین‌ها را پیش‌بینی کنند و الگوهای پنهان را در داده‌ها کشف کنند.
درب‌های این دنیای جدید در نتیجه یک فرهنگ علمی که در آن ایده‌های رشته‌های مختلف می‌توانند با یکدیگر تلاقی پیدا کنند و همچنین فرهنگی گسترده‌تر که برای کنجکاوی علمی ارزش قائل است، به روی ما گشوده شده است.