تحلیل جامع جایزه نوبل فیزیک ۲۰۲۴؛ فیزیک آماری چگونه بنیاد شبکه‌های عصبی مصنوعی و انقلاب هوش مصنوعی مدرن را با هاپفیلد و هینتون رقم زد؟

تصمیم تاریخی آکادمی نوبل در استکهلم؛ شگفتی در دنیای علم و فتح نوبل فیزیک توسط هوش مصنوعی

در اکتبر ۲۰۲۴، آکادمی سلطنتی علوم سوئد تصمیمی اتخاذ کرد که امواج حیرت و بحث‌های داغ علمی را در سراسر محافل آکادمیک برانگیخت: اعطای جایزه نوبل فیزیک ۲۰۲۴ به جان جی. هاپفیلد (John J. Hopfield) از دانشگاه پرینستون و جفری ای. هینتون (Geoffrey E. Hinton) از دانشگاه تورنتو به پاس «اکتشافات و اختراعات بنیادینی که یادگیری ماشین را به واسطه شبکه‌های عصبی مصنوعی مقدور ساختند». این رویداد در کنار اعطای نوبل شیمی به توسعه‌دهندگان AlphaFold که در تحلیل جامع جایزه نوبل شیمی ۲۰۲۴ و دیپ‌مایند موشکافی شد، سال ۲۰۲۴ را رسماً به سال پیروزی قاطع هوش مصنوعی در بالاترین سطوح علم جهان بدل کرد.

پرسش بنیادینی که بلافاصله در جامعه فیزیکدانان و مهندسان کامپیوتر مطرح شد این بود: چرا دستاوردهایی که اغلب به عنوان علوم رایانه شناخته می‌شوند، مستحق دریافت والاترین نشان دنیای فیزیک دانسته شدند؟ پاسخ کمیته نوبل صریح و بنیادین بود: شبکه‌های عصبی مصنوعی نوین از خلأ متولد نشدند؛ بلکه ریشه‌های ریاضی و مفهومی آن‌ها عمیقاً در فیزیک آماری، ترمودینامیک سیستم‌های بس‌ذره‌ای و فیزیک حالت جامد تنیده شده است. بدون مفاهیم بنیادین فیزیک ماده چگال، انقلاب یادگیری عمیق هرگز شکل نمی‌گرفت.

جان هاپفیلد و مدل اسپین‌های اتمی؛ حافظه تداعی‌گر و دره‌های چشم‌انداز انرژی

در سال ۱۹۸۲، جان هاپفیلد مقاله‌ای ماندگار منتشر کرد که در آن با الهام از مدل‌های مغناطیسی در فیزیک—به‌ویژه مدل آیزینگ (Ising Model) و فیزیک شیشه‌های اسپینی (Spin Glasses)—یک ساختار کاملاً جدید برای پردازش اطلاعات معرفی نمود. در فیزیک، اتم‌ها دارای اسپین مغناطیسی هستند که می‌توانند رو به بالا (+1) یا رو به پایین (-1) جهت‌گیری کنند. هاپفیلد نورون‌ها را همانند اسپین‌های اتمی در نظر گرفت که وضعیت روشن یا خاموش دارند و با اتصالات وزنی دوجانبه به یکدیگر متصل‌اند.

نبوغ اصلی هاپفیلد در تعریف یک «تابع انرژی اسکالر کلی» برای کل شبکه نهفته بود. او نشان داد که اگر وزن اتصالات متناسب با همبستگی داده‌ها تنظیم شوند (مشابه قاعده یادگیری هب در نوروبیولوژی)، شبکه با هر گام به‌روزرسانی محلی نورون‌ها، انرژی کل خود را کاهش می‌دهد تا در نهایت در یک «کمینه موضعی انرژی» یا حوضه جذب (Attractor Basin) به تعادل برسد. هر الگوی ذخیره‌شده (مانند تصویر یک چهره یا عدد) معادل یک دره در این چشم‌انداز انرژی چندبعدی است. هنگامی که یک تصویر ناقص یا مخدوش به شبکه ارائه می‌شود، سیستم با پیمایش سراشیبی انرژی، الگوی کامل و تمیز را از دل نویز بازسازی می‌کند؛ مکانیزمی که تحت عنوان «حافظه تداعی‌گر» (Associative Memory) شناخته شد.

جفری هینتون و ماشین بولتزمن؛ دمیدن روح احتمالات و ترمودینامیک در شبکه‌های پنهان

اگرچه شبکه هاپفیلد تحولی بزرگ بود، اما با یک محدودیت ساختاری مواجه شد: این شبکه تنها الگوهای خامی را که مستقیماً دریافت می‌کرد ذخیره می‌نمود و توانایی استخراج ویژگی‌های انتزاعی یا تعمیم به داده‌های نادیده را نداشت. علاوه بر این، در بهینه‌سازی سراسری، شبکه مستعد گیر افتادن در دره‌های انرژی نامطلوب (اسپوریوس) بود.

اینجا بود که جفری هینتون، پدرخوانده یادگیری عمیق، با همکاری تری سجنوفسکی (Terry Sejnowski) وارد صحنه شد و در سال ۱۹۸۵ «ماشین بولتزمن» (Boltzmann Machine) را خلق کرد. هینتون از فیزیک آماری قرن نوزدهم لودویگ بولتزمن بهره جست؛ جایی که احتمالات توزیع گازها در سطوح انرژی مختلف توسط توزیع احتمال بولتزمن توضیح داده می‌شود. در ماشین بولتزمن، تغییر وضعیت نورون‌ها قطعی نیست، بلکه تابعی احتمالاتی بر اساس دما و تفاوت انرژی است. هینتون با معرفی «نورون‌های پنهان» (Hidden Units) که مستقیماً از داده‌های ورودی اثر نمی‌پذیرند اما بازنمایی‌های انتزاعی را کشف می‌کنند، شبکه را قادر ساخت تا توزیع احتمالاتی پنهان داده‌ها را مدل‌سازی نماید.

از ماشین‌های بولتزمن محدود تا انقلاب یادگیری عمیق؛ بستر زایش مدرن هوش مصنوعی

آموزش ماشین‌های اولیه بولتزمن به دلیل وابستگی به زنجیره‌های طولانی نمونه‌برداری مونت‌کارلو بسیار زمان‌بر و عملاً برای ابعاد بزرگ غیرممکن بود. اما هینتون در دهه ۲۰۰۰ با ارائه «ماشین بولتزمن محدود» (Restricted Boltzmann Machine یا RBM) و الگوریتم ابداعی واگرایی متضاد (Contrastive Divergence)، این محدودیت را درهم شکست. در RBM، اتصالات میان نورون‌های هم‌لایه حذف شد که آموزش موازی و فوق‌العاده سریع را امکان‌پذیر ساخت.

هینتون با انباشتن RBMها روی یکدیگر «شبکه‌های باور عمیق» (Deep Belief Networks) را بنا نهاد که قفل آموزش شبکه‌های چندلایه عمیق را پس از یک دوره طولانی زمستان هوش مصنوعی گشود. همین مفاهیم پیشرفته در ادامه به بازآفرینی الگوریتم پس‌انتشار خطا (Backpropagation)، ساخت شبکه انقلابی AlexNet در مسابقه ImageNet سال ۲۰۱۲ و در نهایت پیدایش معماری‌های پیچیده امروزی از جمله ترنسفورمرها و مدل‌های انتزاعی منجر شد؛ سیستم‌هایی که اکنون در پلتفرم‌هایی چون پلتفرم انقلابی GitHub Spark و ابزارهای تولید خودکار کد به نمایش درآمده‌اند.

همگرایی فیزیک و کامپیوتر؛ چرا هوش مصنوعی مدرن کماکان یک مسئله فیزیک بنیادی است؟

بسیاری از پژوهشگران پیشرو معتقدند ادغام هوش مصنوعی و فیزیک در دوران کنونی به مراتب عمیق‌تر از دهه ۱۹۸۰ است. امروزه در آموزش مدل‌های زبانی عظیم و سیستم‌های عامل‌محور، فرایند آموزش عملاً حل معادلات دینامیک تصادفی فیزیکی (Langevin Dynamics) در فضاهایی با صدها میلیارد بُعد به شمار می‌آید. همچنین مدل‌های پیشرفته تصویرسازی و زایشی (Diffusion Models) مستقیماً بر اساس ترمودینامیک غیرتعادلی و معادلات بازگشت زمانی نفوذ حرارتی پیاده‌سازی شده‌اند.

علاوه بر جنبه‌های نرم‌افزاری، سخت‌افزارهای پردازشی امروزی نیز به مرزهای کوانتومی و فیزیک نیمه‌رسانا نزدیک شده‌اند؛ پیشرفت‌هایی که در طراحی چیپست‌های نوین مانند بررسی پردازنده‌های اینتل Core Ultra 200S با بسته‌بندی سه‌بعدی و واحدهای پردازش عصبی (NPU) مشهود است تا حجم عظیم ماتریس‌های محاسباتی فیزیک الهام‌گرفته را بر روی سیلیکون اجرا کنند.

جدول مقایسه تطبیقی دو ستون جایزه نوبل فیزیک ۲۰۲۴

برای درک دقیق تفاوت‌ها و وجوه مکمل دستاوردهای دو برنده نوبل فیزیک، می‌توان ساختار مفهومی و ریاضی این دو ابداع را در قالب جدول زیر تحلیل نمود: | مؤلفه مقایسه‌ای | شبکه هاپفیلد (John Hopfield) | ماشین بولتزمن (Geoffrey Hinton) | | :--- | :--- | :--- | | **سال ابداع اصلی** | ۱۹۸۲ میلادی | ۱۹۸۵ میلادی (به همراه سجنوفسکی) | | **الهام‌بخش فیزیکی** | مدل اسپین‌های مغناطیسی آیزینگ و شیشه‌های اسپینی | ترمودینامیک آماری و توزیع انرژی بولتزمن | | **نوع ساختار دینامیکی** | سیستم تعینی (Deterministic) با سرازیری انرژی | سیستم تصادفی/احتمالاتی (Stochastic) | | **عملکرد هسته‌ای** | بازیابی حافظه تداعی‌گر و تصحیح نویز داده‌ها | یادگیری زایشی، استخراج ویژگی و مدلسازی توزیع | | **ساختار لایه‌ها** | شبکه تک‌لایه با اتصالات متقارن دوطرفه ($w_{ij} = w_{ji}$) | دارای لایه‌های مجزای آشکار (Visible) و پنهان (Hidden) | | **معادله شاخص** | تابع انرژی اسکالر: $E = -\frac{1}{2} \sum w_{ij} s_i s_j$ | احتمال وضعیت: $P(v, h) = \frac{e^{-E(v,h)}}{Z}$ | | **تاثیر بر AI مدرن** | پایه‌گذاری نظری چشم‌انداز انرژی و شبکه‌های بازگشتی | جرقه اصلی یادگیری ژرف، RBM و انباشت لایه‌های عمیق |

هشدارهای تکان‌دهنده جفری هینتون؛ از ترک گوگل تا زنگ خطر هوش مصنوعی خودمختار

در میان تمام حواشی نوبل فیزیک ۲۰۲۴، سخنان جفری هینتون در نشست‌های خبری پس از دریافت جایزه بیش از هر چیز توجه جامعه بین‌المللی را به خود جلب کرد. هینتون که در سال ۲۰۲۳ پس از یک دهه حضور در گوگل از این غول فناوری استعفا داد تا بتواند آزادانه درباره خطرات هوش مصنوعی صحبت کند، بار دیگر تاکید کرد که جهان در آستانه جهشی غیرقابل پیش‌بینی قرار گرفته است.

هینتون اظهار داشت: «ما هیچ تجربه‌ای درباره زمانی که موجودی باهوش‌تر از انسان وجود داشته باشد نداریم. هوش مصنوعی می‌تواند دستاوردهای شگفت‌انگیزی در پزشکی، علوم و کارایی اقتصادی به ارمغان آورد، اما در عین حال این خطر واقعی وجود دارد که کنترل این سامانه‌های خودمختار از دست ما خارج شود.» با ظهور قابلیت‌هایی چون کنترل مستقل رایانه‌ها که در هوش مصنوعی عامل‌محور کلود ۳.۵ سونیک شاهد آن هستیم، هشدارهای هینتون درباره لزوم تخصیص فوری بودجه و توجه علمی به مقوله ایمنی هوش مصنوعی (AI Safety) و هم‌راستاسازی ارزش‌ها (Alignment) اهمیتی دوچندان یافته است.

نتیجه‌گیری تحریریه ماگ بیت؛ نوبل فیزیک ۲۰۲۴، یادبودی برای پیوستگی بنیادین دانش بشری

اعطای جایزه نوبل فیزیک ۲۰۲۴ به هاپفیلد و هینتون درسی بزرگ برای آینده علم به همراه دارد: بزرگ‌ترین جهش‌های فناوری بشر در مرزهای مشترک علوم اتفاق می‌افتند. زمانی که هاپفیلد و هینتون مفاهیم فیزیک ذرات و ترمودینامیک را وارد علوم شناختی و علوم رایانه کردند، کمتر کسی پیش‌بینی می‌کرد که این معادلات چهل سال بعد موتور تپنده سیستم‌هایی باشند که ساختار جهان دیجیتال را دگرگون می‌سازند.

این جایزه یادآور این حقیقت است که برای پیشبرد مرزهای هوش مصنوعی و حل چالش‌های امنیتی و فلسفی پیش رو، بازگشت به اصول بنیادین فیزیک، درک ماهیت اطلاعات و درک رفتار جمعی سیستم‌های پیچیده نه یک انتخاب، بلکه یک ضرورت اجتناب‌ناپذیر است.