Машинное обучение отнесли к разделу физики. Нобелевская премия деградирует?

Джон Хопфилд и Джеффри Хинтон: лауреаты Нобелевской премии 2024 по физике

Шведская королевская академия наук присудила Нобелевскую премию по физике 2024 года за основополагающие открытия, которые позволяют осуществлять машинное обучение с использованием искусственных нейронных сетей.

Хинтон из Университета Торонто разработал метод для автономного поиска свойств в данных и выполнения таких задач, как идентификация определенных элементов на изображениях. Его коллега Хопфилд из Принстонского университета создал ассоциативную память, которая способна хранить и восстанавливать изображения и другие типы шаблонов в данных.

Однако выбор лауреатов вызвал у многих ученых недоумение, так как нейросети и большие языковые модели — это не физика. Российский ученый и IT-специалист по информационной безопасности, OSINT и конкурентной разведке Андрей Масалович напомнил 360.ru, что машинное обучение относится к математике, однако премию в этой дисциплине не присуждают.

«То, что премию за машинное обучение присудили в категории физики, свидетельствует о дальнейшей деградации Нобелевской премии. Это некий нонсенс», — сказал он.

Что такое машинное обучение

Масалович назвал машинное обучение основой современного понимания искусственного интеллекта. Он объяснил, что ИИ — это многослойная сеть, в основе которой лежит модель Маккаллока — Питтса, предложенная в 40-е годы. Она предполагает тренировку нейронных сетей под названием backward propagation — обучение обратным распространением волны.

«То есть нейронной сети предъявляют много примеров, делают специальные входы для видения этих примеров. Например, пиксель для картинки или разные параметры какого-нибудь процесса. На выходе [проверяют], относится он к нужной группе, не относится или относится к какой-нибудь из заданных групп. Размечают некоторый набор входных примеров и проводят обучение — было вот так, что сеть сказала», — подчеркнул IT-специалист.

В качестве примера собеседник 360.ru привел задачу с курсом валют: ввели некоторые данные, и сеть сказала, что доллар повысится, затем другие — она ответила, что понизится. После каждого примера разработчики проверили, совпал ли ответ с тем, как стало на самом деле.

Если бы сеть отреагировала неадекватно, они провели бы один шаг обратного обучения — по сети пробежала бы обратная волна, которая показала, какие именно нейроны участвовали в неправильном решении. Тем, которые ошиблись, с этого момента стали бы доверять чуть меньше, тем, что помогли, — чуть больше.

В последующие годы, по словам специалиста, появились новые многослойные сети и много новых видов нейронных сетей, расширенных и гибких. Теперь их более 80. Сильно увеличились объемы входных данных — до миллионов различных примеров.

Задачи машинного обучения, можно ли применить к ИИ машинное обучение

Интерес научного сообщества после присуждения Нобелевской премии по физике вызвала личность одного из победителей — Хинтона. Он разработал технологию распознавания изображений, которую в 2013 году приобрела Google.

Спустя 10 лет ученый покинул корпорацию и предупредил общественность в совместной научной статье о рисках развития искусственного интеллекта для экономики, социальной стабильности и безопасности. Теперь ученый, который опасался влияния ИИ, получил премию именно за его разработку.

Однако искусственный интеллект, отметил Масалович, не имеет отношения к интеллекту в широком смысле слова. Он даже призвал отказаться от привычного термина и заменить его, например, на «поддельный интеллект».

В основе современного нейронного искусственного интеллекта, добавил специалист, лежит нейронная сеть. В основе нейронной сети — модель Маккаллока — Питтса и алгоритм обратного обучения с огромным количеством модификаций. Тренировку систем и назвали машинным обучением.