سؤالی که برای بسیاری از مخاطبان غیرمتخصص پیش می‌آید این است که اصلاً «شبکهٔ عصبی» در علوم رایانه و هوش مصنوعی چیست و به‌علاوه، چه ارتباطی به فیزیک دارد؟ درواقع، شبکه‌های عصبی مصنوعی سامانه‌ای هستند که پشت بسیاری از فناوری‌های هوش مصنوعی که امروزه از آن استفاده می‌کنیم، قرار دارند.

همان‌طور که مغز انسان دارای سلول‌های عصبی (نورون) است که توسط سیناپس‌ها (گره‌های عصبی) به‌هم متصل شده‌اند، شبکه‌های عصبی مصنوعی نیز نورون‌های دیجیتالی دارند که در پیکربندی‌های مختلف به‌هم متصل هستند. هر نورون منفرد کار زیادی انجام نمی‌دهد، اما جادوی هوش مصنوعی در الگو و قدرت اتصالات بین آنها نهفته است. [در انسان نیز چنین است؛ نورون‌ها با توجه به فکر و عادت‌های انسان به یکدیگر مرتبط می‌شوند و با تکرار این عادت‌ها و روش‌های تفکر و اقدام، این ارتباطات مستحکم‌تر می‌شود و تشکیل «مسیرهای عصبی» را می‌دهند.]

درواقع، بخش عمدهٔ تاریخچهٔ یادگیری ماشین، تلاش برای یافتن راه‌های پیچیده‌تر برای ایجاد و به‌روزرسانی این ارتباطات بین نورون‌های مصنوعی بوده است. البته همان‌طور که پیشتر هم گفته شد، ایدهٔ اصلی پیوند دادن گره‌های عصبی به یکدیگر برای ذخیره و پردازش اطلاعات از زیست‌شناسی (سامانهٔ عصبی جانوران) سرچشمه می‌گیرد. بااین‌حال، محاسبات و ریاضیات مورد استفاده برای شکل‌دهی و به‌روزرسانی این پیوندها از فیزیک و فرمول‌های پیچیده و محاسبات مربوط به آن ناشی می‌شود. 

شبکه‌هایی که می‌توانند به‌خاطر بسپارند

جان هاپفیلد (متولد ۱۹۳۳) یک فیزیکدان نظری اهل ایالات متحده است که در طول حرفهٔ خود در زمینهٔ بیوفیزیک سهم مهمی داشته است. بااین‌حال، جایزهٔ نوبل فیزیک برای فعالیت‌های او در توسعهٔ شبکه‌های «هاپفیلد» در سال ۱۹۸۲ بود.

شبکه‌های هاپفیلد یکی از نخستین انواع شبکه‌های عصبی مصنوعی بود. این سیستم‌ها با الهام از اصول نوروبیولوژی (عصب‌شناسی) و فیزیک مولکولی، برای اولین‌بار نشان دادند که چگونه یک کامپیوتر می‌تواند از یک «شبکه» از گره‌ها برای به‌خاطر سپردن و به‌خاطر آوردن اطلاعات استفاده کند.

شبکه‌هایی که هاپفیلد توسعه داد می‌توانستند داده‌ها (مانند مجموعه‌ای از تصاویر سیاه و سفید) را به‌خاطر بسپارند. وقتی از شبکه [با یک توضیح دربارهٔ ویژگی تصویر] درخواست شود که یک تصویر ارائه دهد، برای شبکه آن تصویر که قبلاً به‌خاطر سپرده تداعی می‌شود و آن را «به‌یاد می‌آورد».

اگرچه این شبکه استفادهٔ عملی محدودی داشت، اما شبکه‌های هاپفیلد نشان دادند این نوع شبکهٔ عصبی مصنوعی می‌تواند داده‌ها را به‌ روش‌های جدیدی ذخیره و بازیابی کند. این شبکه، پایه و اساس کارهایی را گذاشتند که بعدها توسط جفری هینتون انجام شد. 

ماشین‌هایی که می‌توانند یاد بگیرند

جف هینتون (متولد ۱۹۴۷) که گاهی اوقات نیز از او به‌عنوان یکی از «پدرخوانده‌های هوش مصنوعی» شناخته می‌شود، دانشمند علوم رایانهٔ بریتانیایی-کانادایی است که کمک‌های مهمی در زمینهٔ توسعهٔ هوش مصنوعی داشته است. او در سال ۲۰۱۸، همراه با «یوشوا بنجیو» (Yoshua Bengio) و «یان لکون» (Yann LeCun)، جایزهٔ تورینگ (Turing) را که بالاترین افتخار در علم رایانه محسوب می‌شود، به‌دلیل تلاش‌هایش برای پیشبرد یادگیری ماشین به‌طور کلی و به‌طور خاص شاخه‌ای از آن به‌نام «یادگیری عمیق» (deep learning) به او اعطا شد.

اما جایزهٔ نوبل فیزیک به‌طور خاص برای کار او با «ترنس سجنووسکی» (Terrence Sejnowski) و سایر همکارانش در سال ۱۹۸۴، در توسعهٔ «ماشین‌های بولتزمن» (Boltzmann machines) است. این ماشین‌ها، توسعهٔ شبکهٔ هاپفیلد بود که ایدهٔ یادگیری ماشینی را نشان داد؛ یعنی سامانه‌ای که به رایانه اجازه می‌دهد به‌جای یادگیری از داده‌های ارائه‌شده توسط یک برنامه‌نویس، از نمونه‌هایی از داده‌ها بیاموزد. هینتون بااستفاده از ایده‌هایی در دینامیک انرژیِ فیزیکِ آماری نشان داد که چگونه این مدل رایانه‌ای مولد اولیه می‌تواند «یاد بگیرد» که داده‌ها را در طول زمان با نشان‌ دادن نمونه‌هایی از چیزهایی که باید به‌خاطر بسپارد، ذخیره کند.

ماشین بولتزمن، مانند شبکهٔ هاپفیلد که قبل از آن ایجاد شده بود، کاربردهای عملی فوری نداشت. بااین‌حال، یک فرم اصلاح‌شده (به‌نام ماشین محدود شدهٔ بولتزمن) در برخی مسائل کاربردی مفید بود.

اما مهمتر از کاربردهای مستقیم شبکهٔ هاپفیلد و ماشین بولتزمن، پیشرفت مفهومی بود که یک شبکهٔ عصبی مصنوعی می‌تواند از داده‌ها بیاموزد. هینتون به توسعهٔ این ایده ادامه داد. او بعداً مقالات تأثیرگذاری در مورد «پس‌انتشار» یا «فرایند انتشار رو به عقب» (propagating که فرایند یادگیری مورد استفاده در سیستم‌های یادگیری ماشینی مدرن است) و شبکه‌های عصبی «کانولوشنال» (convolutional neural networks که نوع اصلی شبکهٔ عصبی است که امروزه برای سیستم‌های هوش مصنوعی که با داده‌های تصویری و ویدیویی کار می‌کنند استفاده می‌شود) منتشر کرد. 

چرا جایزهٔ فیزیک؟

شبکه‌های هاپفیلد و ماشین‌های بولتزمن در مقایسه با شاهکارهای امروزی هوش مصنوعی عجیب به‌نظر می‌رسند. شبکهٔ هاپفیلد فقط شامل ۳۰ نورون بود (او سعی کرد شبکه‌ای با ۱۰۰ گره عصبی بسازد، اما برای رایانه‌های آن زمان خیلی زیاد بود)، درحالی‌که سیستم‌های مدرن مانند ChatGPT می‌توانند میلیون‌ها نورون داشته باشند. بااین‌حال، جایزهٔ نوبل امسال نشان می‌دهد این کمک‌های اولیه چقدر در زمینهٔ توسعهٔ هوش مصنوعی امروزی مهم بوده است.

پس از دریافت جایزهٔ نوبل، هینتون گفت هوش مصنوعی «مانند انقلاب صنعتی خواهد بود، اما به‌جای توانایی‌های فیزیکی ما، از توانایی‌های فکری ما فراتر خواهد رفت.» او همچنین گفت هنوز نگران است که شاید عواقب کارش «سیستم‌هایی باهوش‌تر از انسان باشد که درنهایت ممکن است کنترل را به‌دست گیرند.»

منبع:

این مقاله به قلم «آرون اسنوول» (Aaron J. Snoswell)، پژوهشگر هوش مصنوعی دانشگاه «کوئینزلند» (Queensland) با عنوان اصلی Physics Nobel awarded to neural network pioneers who laid foundations for AI روز ۱۷ مهرماه در «کانورسیشن» (The Conversation) منتشر شده است. در ترجمهٔ این مقاله، برخی توضیحات تکمیلی توسط «پیام ما» اضافه شده است.