El premio Nobel de Física 2024 se otorgó este martes al estadounidense John J. Hopfield y el británico Geoffrey E. Hinton, por su trabajo en redes neuronales artificiales y que permiten a las máquinas aprender, lo que ha puesto las bases a la creación de los grandes modelos de lenguajes actuales, como ChatGPT y otros chatbots que han cambiado el mundo.
“Aprender es una fascinante habilidad de la mente humana. Ponemos a millones de neuronas a trabajar juntas, dotándolas de habilidades neurológicas. Estas máquinas artificiales están inspiradas en esto y utilizan conceptos fundamentales de la física estadística”, ha dicho Ellen Moons, presidenta del Comité Nobel de Física, tras dar a conocer a los premiados. Sus hallazgos “tienen enormes beneficios que afectan a nuestro futuro y es nuestra responsabilidad utilizar esta tecnología de forma ética, para el mayor beneficio de la humanidad”, ha señalado. Precisamente, el propio Hinton dejó Silicon Valley el pasado año y ha advertido numerosas veces sobre los riesgos de la tecnología que ayudó a crear.
Los dos premiados han utilizado herramientas de la física para desarrollar métodos que son la base del potente aprendizaje automático actual. Hopfield (Universidad de Princeton, EE.UU.) creó una memoria asociativa que puede almacenar y reconstruir imágenes y otros tipos de patrones en los datos. Por su parte, Hinton (Universidad de Toronto, Canadá) inventó un método que puede encontrar propiedades de forma autónoma en los datos y, por lo tanto, realizar tareas como identificar elementos específicos en imágenes.
Las redes neuronales artificiales están originalmente inspiradas en la estructura del cerebro. En una red neuronal artificial, las neuronas del cerebro están representadas por nodos que tienen diferentes valores. Estos nodos se influyen entre sí a través de conexiones que pueden compararse con sinapsis y que pueden fortalecerse o debilitarse. La red se entrena , por ejemplo, desarrollando conexiones más fuertes entre nodos con valores altos al mismo tiempo. Los galardonados de este año han realizado importantes trabajos con redes neuronales artificiales desde la década de 1980 en adelante.
John Hopfield inventó una red que utiliza un método para guardar y recrear patrones. Como explican desde la academia sueca, podemos imaginar los nodos como píxeles. La red de Hopfield utiliza la física que describe las características de un material debido a su espín atómico, una propiedad que convierte a cada átomo en un pequeño imán. La red en su conjunto se describe de una manera equivalente a la energía en el sistema de espín que se encuentra en la física, y se entrena encontrando valores para las conexiones entre los nodos de modo que las imágenes guardadas tengan baja energía. Cuando la red de Hopfield recibe una imagen distorsionada o incompleta, trabaja metódicamente a través de los nodos y actualiza sus valores para que la energía de la red disminuya. La red trabaja así paso a paso para encontrar la imagen guardada que se parezca más a la imperfecta con la que se la alimentó.
Hinton utilizó la red de Hopfield como base para una nueva red que utiliza un método diferente: la máquina de Boltzmann . Esta puede aprender a reconocer elementos característicos en un tipo determinado de datos. Hinton utilizó herramientas de la física estadística, la ciencia de los sistemas construidos a partir de muchos componentes similares. La máquina se entrena alimentándola con ejemplos que es muy probable que surjan cuando se la ejecuta. La máquina de Boltzmann es capaz de analizar miles de fotos e identificar cosas habituales, como perros y coches, de forma muy eficaz. Google les compró la empresa, que se convirtió en la base para desarrollar tecnologías cada vez más potentes, incluyendo nuevos chatbots como ChatGPT y Google Bard. Pero el año pasado, Hinton renunció a su trabajo en Silicon Valley para advertirnos de los peligros que suponen estos chatbots.
“El trabajo de los galardonados ya ha sido de gran utilidad. En física, utilizamos redes neuronales artificiales en una amplia gama de áreas, como por ejemplo en el desarrollo de nuevos materiales con propiedades específicas“, afirma Moons. Preguntada por los posibles peligros, ha señalado que es “bueno que la preocupaciones se expresen”, ya que “contribuyen al conocimiento”. A su juicio, “es importante que tanta gente como sea posible acceda al aprendizaje atuomático, que no quede solo en manos de unos pocos individuos”.
Hans Ellegren, secretario general de la Real Academia Sueca de Ciencias, ha señalado: “Muchos descubrimientos tienen potencialmente riesgos, pero es nuestra responsabilidad regularlo y eso también incluye a la inteligencia artificial”.
Tras conocer el galardón, Hinton ha asegurado sentirse “sobrepasado”. “No sé lo que ha pasado. Estoy muy sorprendido”, ha afirmado escuetamente en conexión telefónica con la academia.
Al ser preguntado sobre si se arrepiente sobre su descubrimiento y las consecuencias de éste, Hinton ha afirmado que “hay dos tipos de remordimientos: los que tienes por sentirte culpable por haber hecho algo y los que tienes por lo que podrías haber hecho, pero no haces. En mi caso es el segundo. Estoy preocupado por las consecuencias de que las máquinas se hagan tan inteligentes que no tengamos control sobre ellas.
Además del reconocimiento, los ganadores se llevan una suma que supera los 800.000 euros. En año pasado la Real Academia Sueca de Ciencias galardonó a Anne L’Huillier, Pierre Agostini y Ferenc Krausz por haber creado, mediante experimentos, destellos de luz lo suficientemente cortos como para captar instantáneas de los movimientos extremadamente rápidos de los electrones.
Tal como explican en la página web de los premios, el Nobel de Física se ha concedido 117 veces a 224 espertos entre 1901 y 2023. John Bardeen es el único galardonado que ha recibido el Premio Nobel de Física dos veces, en 1956 y 1972.
El lunes, el premio Nobel de Medicina 2024 fue ortorgado a Victor Ambros y Gary Ruvkun por un descubrimiento fundamental sobre el funcionamiento de las células: los microARN, pequeñas moléculas de ARN que juegan un papel clave en la regulación de los genes.
Con información de ABC
About The Author
