Un machine learning da premio Nobel

«Per le scoperte e le invenzioni fondamentali che consentono l'apprendimento automatico con reti neurali artificiali». È questa la motivazione con cui l'accademia di Svezia ha conferito il premio Nobel per la Fisica a John Hopfield di Princeton e Geoffrey Hinton dell'Università di Toronto per il loro lavoro che ha gettato le basi per tutto ciò che riguarda il machine learning, le reti neurali artificiali e - di conseguenza - le applicazioni collegate all'intelligenza artificiale. In questo modo, ciò che si trova alla radice della scoperta che più recentemente sta rivoluzionando le nostre vite e le sta influenzando (non senza implicazioni etiche di cui i due vincitori del Nobel erano ben a conoscenza) trova una determinazione accademica e l'affermazione ai massimi livelli, grazie alla decisione di chi assegna il prestigioso premio per la Fisica. LEGGI ANCHE > Le applicazioni simili a Historical Figures, che permettono di parlare anche con Hitler, sono etiche?

Premio Nobel Fisica 2024, le motivazioni dell'accademia

John Hopfield ha creato una memoria associativa in grado di archiviare e ricostruire immagini e altri tipi di pattern nei dati. Geoffrey Hinton ha inventato un metodo in grado di trovare autonomamente proprietà nei dati e quindi eseguire attività come l'identificazione di elementi specifici nelle immagini. Si tratta di elementi fondamentali per qualsiasi lavoro successivo e applicativo basato sull'intelligenza artificiale. Insomma, per evitare banali semplificazioni sempre più facili da reperire nell'epoca dei social network, di certo non è stato assegnato un premio Nobel a chi ha inventato ChatGPT, ma sono state premiate le fondamenta e gli studi sulla base dei quali (anche) uno strumento come ChatGPT oggi ha ragione d'esistere. E soprattutto non bisogna cadere nell'errore di immaginare che gli studi di Hopfield e Hinton siano recenti: si tratta di percorsi iniziati negli anni Ottanta e che soltanto oggi, a quarant'anni di distanza, stanno trovando delle applicazioni pratiche. John Hopfield ha inventato una rete che usa un metodo per salvare e ricreare pattern. «La rete di Hopfield usa la fisica che descrive le caratteristiche di un materiale grazie al suo spin atomico, una proprietà che rende ogni atomo un piccolo magnete - si legge nel comunicato stampa diramato dall'accademia di Svezia -. La rete nel suo complesso è descritta in un modo equivalente all'energia nel sistema di spin trovato in fisica, ed è addestrata trovando valori per le connessioni tra i nodi in modo che le immagini salvate abbiano bassa energia. Quando alla rete di Hopfield, viene fornita un'immagine distorta o incompleta, lavora metodicamente attraverso i nodi e aggiorna i loro valori in modo che l'energia della rete diminuisca. La rete lavora quindi a tappe per trovare l'immagine salvata che è più simile a quella imperfetta con cui è stata alimentata». A Geoffrey Hinton, invece, è stato riconosciuto di essere partito dalla rete di Hopfield per arrivare alla la macchina di Boltzmann. «Questa - afferma sempre l'accademia - può imparare a riconoscere elementi caratteristici in un certo tipo di dati. Hinton ha utilizzato strumenti tratti dalla fisica statistica, la scienza dei sistemi costruiti da molti componenti simili. La macchina viene addestrata fornendole esempi che hanno una probabilità molto alta di presentarsi quando va in esecuzione. La macchina di Boltzmann può essere utilizzata per classificare immagini o creare nuovi esempi del tipo di pattern su cui è stata addestrata. Hinton ha sviluppato questo lavoro, contribuendo ad avviare l'attuale sviluppo esplosivo dell'apprendimento automatico».