به گزارش گروه دانشگاه خبرگزاری دانشجو، وبگاه داون (Dawn) در گزارشی آورده است: جایزه نوبل فیزیک، به دو دانشمند برای اکتشافاتی که زمینه‌ساز هوش مصنوعی (AI) مورداستفاده ابزار‌های بسیار محبوبی مانند چت‌جی‌پی‌تی شد، اعطا شد.
هیات داوران نوبل اعلام کرد جفری هینتون بریتانیایی‌کانادایی، معروف به «پدرخوانده هوش مصنوعی» و جان هاپفیلد، فیزیکدان آمریکایی برای «اکتشافات و اختراعاتی که یادگیری ماشین را با شبکه‌های عصبی مصنوعی امکان‌پذیر می‌سازد» دریافت کردند.
مارک وَن‌دِر ویلک (Mark van der Wilk)، متخصص یادگیری ماشین در دانشگاه آکسفورد می‌گوید: شبکه عصبی مصنوعی یک ساختار ریاضی است که با الهام از مغز انسان طراحی شده است. مغز ما دارای شبکه‌ای از سلول‌هاست که نورون نامیده می‌شوند و به محرک‌های بیرونی مانند چیز‌هایی که چشم‌های ما دیده یا گوش‌هایمان شنیده‌اند با ارسال سیگنال‌هایی به یکدیگر، واکنش نشان می‌دهند.
وقتی چیز‌هایی یاد می‌گیریم، برخی از ارتباطات بین نورون‌ها قوی‌تر و برخی دیگر ضعیف‌تر می‌شوند. برخلاف محاسبات سنتی که بیشتر شبیه خواندن یک دستور غذاست، شبکه‌های عصبی مصنوعی تقریباً این فرآیند را تقلید می‌کنند.
نورون‌های بیولوژیک با محاسبات ساده که گاهی «گره» نامیده می‌شوند جایگزین می‌شوند و محرک‌های دریافتی که از آنها یاد می‌گیرند با داده‌های آموزشی جایگزین می‌شوند؛ این باعث می‌شود شبکه در طول زمان یاد بگیرد؛ از این‌رو اصطلاح یادگیری ماشین در این زمینه به کار برده می‌شود.
قبل از اینکه ماشین‌ها بتوانند یاد بگیرند، یک ویژگی انسانی دیگر ضروری بود: حافظه.
نتیجه تلاش هاپفیلد این بود که وقتی به یک شبکه عصبی مصنوعی چیزی داده می‌شود که کمی اشتباه است، می‌تواند از طریق الگو‌های ذخیره‌شده قبلی، صحیح‌ترین انتخاب را انجام دهد؛ این اقدام یک گام بزرگ رو به جلو در زمینه هوش مصنوعی بود.
در سال ۱۹۸۵ میلادی، تلاش‌های هینتون در زمینه هوش با «ماشین بولتزمن» آشکار شد.
این مفهوم که به نام لودویگ بولتزمن، فیزیکدان قرن نوزدهم نامگذاری شد، عنصری از تصادفی بودن را معرفی کرد. این تصادفی بودن به دلیل آن است که مولد‌های تصویر مبتنی بر هوش مصنوعی امروزی می‌توانند برای یک درخواست پاسخ‌هایی متنوع ارائه کنند.
هینتون همچنین نشان داد که هر چه یک شبکه لایه‌های بیشتری داشته باشد، «رفتار آن پیچیده‌تر می‌شود».
فرانسیس باخ، محقق فرانسوی یادگیری ماشین گفت که این به نوبه خود یادگیری کارآمد یک رفتار مطلوب را آسان‌تر کرد.
با وجود این ایده‌ها، بسیاری از دانشمندان در دهه ۱۹۹۰ میلادی علاقه خود را به این رشته از دست دادند.
یادگیری ماشین به کامپیوتر‌های بسیار قدرتمندی نیاز داشت که بتوانند حجم وسیعی از اطلاعات را مدیریت کنند. به عنوان مثال، میلیون‌ها تصویر از سگ لازم است تا این الگوریتم‌ها بتوانند سگ را از گربه تشخیص دهند.
به گفته باخ این وضعیت ادامه داشت تا سال ۲۰۱۰ میلادی که موجی از پیشرفت‌ها در پردازش تصویر و پردازش زبان طبیعی انقلابی بر پا شد.
اکنون از هوش مصنوعی در زمینه‌های گوناگونی از خواندن اسکن‌های پزشکی گرفته تا هدایت خودرو‌های خودران، از پیش‌بینی آب و هوا گرفته تا ایجاد دیپ‌فیک (جعل عمیق) استفاده می‌شود به نحوی که نمی‌توان موارد استفاده از آن را شمارش کرد.
آیا واقعاً این کشفیات به فیزیک مرتبط است؟
هینتون قبلاً برنده جایزه تورینگ شده بود که نوبل علوم کامپیوتر محسوب می‌شود. اما به گفته چند کارشناس، انتخاب وی به عنوان برنده نوبل در زمینه فیزیک، انتخابی شایسته بود؛ زیرا وی در مسیر جاده علم فیزیک پیش رفت و در انتهای آن به هوش مصنوعی رسید.
دَمین کِرلیوز (Damien Querlioz) خاطرنشان کرد که این الگوریتم‌ها در اصل از فیزیک الهام گرفته شده‌اند و مفهوم انرژی را به حوزه محاسبات انتقال داده‌اند.
ون‌درویلک با بیان اینکه اولین جایزه نوبل «برای طراحی روش‌شناختی هوش مصنوعی» سهم جامعه فیزیک است، از برندگان قدردانی کرد.
چت‌جی‌پی‌تی گاهی اوقات می‌تواند هوش مصنوعی را واقعاً خلاق جلوه دهد، اما باید به ماشینی بودن «یادگیری ماشین» توجه کنیم.